Обработка данных: машинное обучение с учителем на языке Python
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 6 ч
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Дата вsдачи курса 20.07. 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 реализовывать метод k-ближайших соседей на языке Python;
– понимать ограничения метода k-ближайших соседей;
– использовать метод k-ближайших соседей для решения некоторых двоичных и мультиклассовых задач классификации;
– понимать и реализовывать наивный и общий байесовский классификаторы на языке Python;
– понимать ограничения байесовских классификаторов;
– понимать и реализовывать деревья решений на языке Python;
– понимать и реализовывать перцептрон на языке Python;
– понимать идеи извлечения и выбора признаков;
– понимать гиперпараметры и как применять перекрёстную проверку;
– понимать плюсы и минусы между классическими методами машинного обучения и глубоким обучением;
– использовать библиотеку Sci-Kit Learn;
– реализовывать веб-сервисы машинного обучения.
ТРЕБОВАНИЯ
Спойлер
– опыт в использовании языка Python, библиотек Numpy и Pandas;
– знание теории вероятностей и математической статистики (гауссово распределение);
– хорошее умение писать алгоритмы.
– 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
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», имея в виду, что машинному обучению будет уделяться гораздо больше внимания и именно оно будет стимулировать инновации в ближайшие годы. Оно будет встроено во все виды различных продуктов.
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 отроет 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?
В этом курсе мы вначале обсудим алгоритм k-ближайших соседей. Он чрезвычайно прост, интуитивно понятен и является отличным выбором для начального изучения алгоритмов классификации. После того, как мы обсудим понятия и реализацию в коде, мы рассмотрим некоторые ситуации, в которых алгоритм k-ближайших соседей может дать сбой. Важно знать как преимущества, так и недостатки каждого рассматриваемого алгоритма.
Далее мы рассмотрим наивный и общий байесовские классификаторы. Это очень интересный для разбора алгоритм, поскольку основан на вероятности. Мы увидим, как можно преобразовать байесовский классификатор в линейный и квадратичный классификаторы для ускорения вычислений.
Затем мы рассмотрим известнейший алгоритм дерева решений. Это наиболее из сложный из алгоритмов, которые мы будем изучать, и большинство курсов, которые вы могли бы проходить, вообще его не реализуют. Но мы будем, поскольку, по моему мнению, его написание является хорошей практикой.
И последний алгоритм, который мы рассмотрим, - это алгоритм перцептрона. Перцептроны являются прародителями нейронных сетей и глубокого обучения, поэтому их важно изучить в контексте машинного обучения.
Рассмотрев эти алгоритмы, мы перейдём к темам машинного обучения более практической направленности – гиперпараметрам, перекрёстной проверке, извлечению и выбору признаков и мультиклассовой классификации. Мы сравним их с методами глубокого обучения, чтобы понять плюсы и минусы каждого из подходов.
Мы обсудим библиотеку Sci-Kit Learn, поскольку даже несмотря на то, что разработка собственных алгоритмов – это интересно и познавательно, вы должны уметь использовать оптимизированный и тщательно проверенный код в вашей настоящей работе.
Закончим мы очень практичным примером из реальной жизни – написанием веб-сервиса, который запускает модель машинного обучения и делает прогнозы. Это то, чем занимаются настоящие компании и на чём они зарабатывают.
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.
В КАКОМ ПОРЯДКЕ ИЗУЧАТЬ КУРСЫ?
Ознакомьтесь с лекцией «В каком порядке изучать курсы?» (находится в приложениях во всех моих курсах, включая и бесплатный курс по Numpy).
ЦЕЛЕВАЯ АУДИТОРИЯ
– студенты и специалисты, желающие использовать методы машинного обучения применительно к своим данным;
– студенты и специалисты, желающие использовать методы машинного обучения применительно к задачам реального мира;
– любой, кто желает изучить классические алгоритмы обработки данных и машинного обучения;
– любой, кто ищет введение в искусственный интеллект (ИИ).
Источник
Скрытое содержимое.