Байесовское машинное обучение на языке Python: A/B-тестирование
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 5.5 ч
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Дата выдачи 14.12.19
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
– использовать адаптивные алгоритмы для улучшения производительности A/B-тестирования;
– понимать разницу между байесовской и частотной статистикой;
– применять байесовские методы в А/В-тестировании.
ТРЕБОВАНИЯ
Спойлер
– теория вероятностей (совместная и безусловная вероятности, условные распределения, непрерывные и дискретные случайные переменные, плотность распределения вероятностей, функция распределения масс, функция распределения);
– умение писать код на Python с применением инструментария Numpy.
– дифференциальное счисление;
– теория вероятностей (непрерывное и дискретное распределение, совместная, безусловная и условная вероятности, плотность распределения вероятностей, функция распределения масс, функция распределения, теорема Байеса);
– кодирование на языке Python: условный оператор, операторы цикла, списки, словари, наборы;
– знание библиотек Numpy, Scipy, Matplotlib.
ОПИСАНИЕ
Спойлер
Этот курс полностью посвящён А/В-тестированию. А/В-тестирование используются повсюду – в маркетинге, розничной торговле, новостных лентах, интернет-реклама и во многих других сферах.
А\В-тестирование полностью посвящено сравнению. Если вы специалист по обработке данных и желаете объяснить остальным сотрудникам, что «логотип А лучше логотипа В», то вы не можете просто объявить об этом, не приведя доказательств в виде чисел и статистики.
Традиционное А/В-тестирование существует уже давно, но оно набито приближениями и запутанными определениями. В этом курсе мы займёмся традиционным А/В-тестированием, чтобы оценить его сложность и в конечном итоге прийти к байесовскому машинному обучению для А/В-тестирования.
Вначале мы посмотрим, можно ли улучшить традиционное A/B-тестирование с помощью адаптивных методов. Это поможет нам решить так называемую дилемму исследования и использования.
Вы также изучите эпсилон-жадный алгоритм, о котором, вероятно, слышали в контексте обучения и подкреплением. Мы улучшим эпсилон-жадный алгоритм с помощью схожего алгоритма, который называется UCB1.
И наконец, мы улучшим их обоих, используя полностью байесовский подход.
Чем байесовский метод интересен в контексте машинного обучения? Это совершенно другой взгляд на вероятность. Это смена парадигмы. Вам, вероятно, придётся неоднократно возвращаться к этому курсу, пока полностью не освоите заложенные в нём понятия. Это очень мощный подход, и много экспертов в машинном обучении часто делают заявления о том, как они «поддерживают байесовскую школу мысли».
В итоге, это даст нам много новых мощных инструментов, которые можно использовать в машинном обучении. Материал, изученный вами в этом курсе, применим не только к А/В-тестированию, скорее, использование А/В-тестирование является конкретным примером применения байесовского метода.
Вы изучите фундаментальные инструменты байесовского метода на примере А/В-тестирования, а в будущем сможете перенести эти байесовские методы в улучшенные модели машинного обучения.
До встречи на занятиях!
Источник
Скрытое содержимое.