Ансамблевое машинное обучение на Python: метод случайного леса, AdaBoost
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 6 ч
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Дата вsдачи курса 13.10. 19
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Другие курсы автора смотрите у меня в подписи
ЧЕМУ ВЫ НАУЧИТЕСЬ?
Спойлер
– понимать и выводить разложение на смещение и дисперсию;
– понимать метод размножения выборок и его приложение к бэггингу;
– понимать, почему бэггинг улучшает работу классификации и регрессии;
– понимать и реализовывать метод случайного леса;
- понимать и реализовывать метод AdaBoost
ТРЕБОВАНИЯ
Спойлер
– дифференциальное счисление;
– знание библиотек Numpy, Matplotlib, Sci-Kit Learn;
– знание метода k-ближайших соседей, деревьев решений;
– теория вероятностей и математическая статистика (базовый уровень);
– знание линейной и логистической регрессии.
– дифференциальное счисление;
– теория вероятностей;
– объектно-ориентированное программирование;
– кодирование на языке Python: условный оператор, операторы цикла, списки, словари, наборы;
– кодирование в Numpy: матричные и векторные операции;
– линейная и логистическая регрессия, деревья решений, метод k-ближайших соседей.
ОПИСАНИЕ
Спойлер
В последние годы мы наблюдаем возрождение ИИ, или искусственного интеллекта, и машинного обучения.
Машинное обучение привело к ряду удивительных результатов, таких как возможность анализа медицинских изображений или диагностика заболеваний наравне с экспертами-людьми.
Программа Google AlphaGo смогла победить чемпиона мира в этой интеллектуальной игре благодаря использованию глубокого обучения с подкреплением.
Машинное обучение применяется даже в программировании машин с автопилотом, что навсегда изменит автомобильную индустрию. Представьте себе мир с резко сократившимся количеством автокатастроф благодаря простому удалению «человеческого фактора».
В Google громко заявили, что для них «машинное обучение – прежде всего», и такие компании, как NVIDIA и Amazon, последовали этому примеру, что будет стимулировать инновации в ближайшие годы.
Машинное обучение используется во многих отраслях, таких как финансы, интернет-реклама, медицина и робототехника. Это широко используемый инструмент, который принесёт вам пользу независимо от того, в какой отрасли вы работаете, а также откроет массу возможностей для карьерного роста и успеха.
Машинное обучение также поднимает ряд философских вопросов. Мы создаём машины, способные думать? Что значит «иметь сознание»? Не захватят ли компьютеры когда-нибудь мир?
Этот курс полностью посвящён ансамблевым методам.
Мы уже изучили некоторые классические модели машинного обучения, такие как метод k-ближайших соседей и деревья решений. Мы узнали об их ограничениях и недостатках. Но что, если бы мы могли объединить эти модели, чтобы устранить эти ограничения и создать гораздо более мощный классификатор или регрессивную модель?
В этом курсе вы изучите способы объединения таких моделей, как деревья решений и логистическая регрессия, для создания моделей, способных достичь гораздо большей точности, нежели первоначальные модели, из которых они состоят.
В частности, мы детально рассмотрим метод случайного леса и алгоритм AdaBoost. Чтобы стимулировать наше обсуждение, мы узнаем о важной теме статистического обучения – компромиссе смещения и дисперсии. Затем мы изучим метод размножения выборок и бэггинг в качестве методов одновременного уменьшения как смещения, так и дисперсии. Мы проведём множество опытов и используем эти алгоритмы на реальных наборах данных, чтобы вы могли наглядно убедиться в их мощности.
Поскольку глубокое обучение в наши дни очень популярно, мы также изучим некоторые любопытные общие черты между случайными лесами, AdaBoost и нейронными сетями глубокого обучения.
Все материалы для этого курса являются БЕСПЛАТНЫМИ. Вы можете загрузить и установить Python, Numpy и Scipy при помощи простых команд на Windows, Linux или Mac.
Этот курс сконцентрирован на том, «как создавать и понимать», а не просто «как использовать». Любой может овладеть пользовательским интерфейсом за 15 минут после прочтения соответствующей документации. Речь идёт не о «запоминании фактов», а о «саморазвитии» посредством набора опыта. Курс научит вас, как наглядно видеть, что происходит внутри модели. Если хотите большего, чем просто поверхностного взгляда на модели машинного обучения, - этот курс для вас.
Источник
Скрытое содержимое.