[Udemy]Машинное обучение с Python + Big Data - (Курс 1 из 17)
Формат: Видео
Продолжительность: ~ 03:21
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 33 видео лекции длительность: 3 часа 21 минута
Учебный план курса: "Предварительные предпосылки к глубокому изучению - линейная регрессия в языке Питон".
Спойлер
Спойлер
Всем, добро пожаловать на мой первый вводный курс по машинному обучению и науке о данных многих регрессий в языке Питон.
Этот курс является прекрасным началом, если вы заинтересованы в глубоком обучении или в машинном обучении, и вы не знаете, с чего вам начать.
В этом курсе мы начинаем с концепций, которые, как мне кажется, почти все знают.Если вы учили в старших классах математику или физику, вы уже знаете, что лучше всего подходит.
И вы знаете, как взять производную от исчисления в курсе алгебры средней школы.
Вы также знаете о создании линейных операций над векторами из алгебры средней школы.
Курс очень практический.Поэтому мы собираемся не только обсуждать концепции, но и реализовать все эти концепции в коде.
Питон - довольно простой язык программирования для изучения.
До тех пор, пока у вас есть концепция циклов, если вы делаете утверждения и другие базовые методы программирования, вы должны уметь следовать задаче. Это помогло бы, если вы ранее использовали «NUMP high end map lib».
Но это не критично.
Примеры кода очень короткие, и должно быть очень очевидно, что они обозначают.
Теперь этот курс очень практичен и прост.
Поэтому я не считаю, что я слежу за тем, как я следую за всем сразу.
Я надеюсь, что вы сами напишете код.
Если вы сможете вывести все уравнения, которые я показываю в этом курсе, не глядя на видеоролик (скриншоты) и написать весь код в данном курсе самостоятельно, не глядя на видео, то вы прошли этот курс.
Итак, какой контент будет охвачен нами в этом курсе?
Я собираюсь рассказать вам о том, как работает машина и как работает линейная регрессия.
Далее я собираюсь познакомить вас с одним из наших примеров.
Мы будем использовать линейную регрессию, чтобы показать, что закон Мура верный.
Закон Мура гласит, что число транзисторов на чипе удваивается каждые два года.
Это покажет вам, что линейная регрессия очень применима к реальному миру, так как закон Мура является одним из самых известных следствий в информатике.
После того как я познакомлю вас с этой проблемой, я дам вам все инструменты, необходимые для решения этой проблемы.
Основная идея заключается в том, что мы хотим найти линию наилучшего соответствия, мы сделаем это в несколько абстрактной форме.Глядя на проблему геометрически, и это очень важно.
Теперь вы можете визуализировать происходящее.
Некоторые считают, что машинное обучение - это просто подключение номеров к API, и они не могут быть более ошибочными.
Все проблемы геометричные, и вы непременно должны уметь видеть и визуализировать проблему, а решение в разделе, после всего этого расширит проблему, добавив больше входных переменных с законом Мура.
У нас есть только одна входная переменная, которая является временем.
На самом деле поразительно, что время - это все, что нам нужно для прогнозирования прогресса технологий.
Сравните это с работой с изображениями, где мы можем иметь тысячи или миллионы входных переменных.
К счастью, мы не будем идти от 1 до 1 миллиона сразу.
Я покажу вам, как мы можем перейти от одной входной переменной к другой.После того, как вы это узнаете, будет очень легко перейти на любое количество входных переменных.
В конце этого курса мы обсудим некоторые передовые концепции машинного обучения, и я дам вам общий обзор возможных направлений, которые вы могли бы пройти после прохождения этого курса.
В первую очередь я хочу настроить вас, чтобы вы смогли узнать больше об обучении, которое в настоящее время является самой популярной техникой машинного обучения, а с точки зрения искусственного интеллекта фактически смоделированным после мозга.
Я разработал этот курс, чтобы предоставить вам основные инструменты, необходимые для перехода на следующий уровень.
Увидимся в следующей лекции!!!
Начало перевода следующего урока.
Итак, что такое машинное обучение - оно пытается предсказать результат, изучая прошлые примеры.
Например, прогнозирование погоды завтрашнего дня или прогнозирование фондового рынка или прогнозирование того, имеет ли человек заболевание, основанное на изучении машинного профиля в генетическом профиле, а также делает и некоторые другие вещи.
Обратите на это основное внимание в этом курсе!
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении взяв за основу материалы из этой
(Курс 2 из 17)
(Курс 3 из 17)
(Курс 4 из 17)
Источник
Скрытое содержимое.
[Udemy.com] Deep Learning Prerequisites: Linear Regression in Python
Что такое машинное обучение?
Какую роль играет линейная регрессия в машинном обучении?
Автор: Lazy Programmer Inc.Что такое машинное обучение?
Какую роль играет линейная регрессия в машинном обучении?
Формат: Видео
Продолжительность: ~ 03:21
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 33 видео лекции длительность: 3 часа 21 минута
Учебный план курса: "Предварительные предпосылки к глубокому изучению - линейная регрессия в языке Питон".
Спойлер
- Введение и План
- Что такое Машинное обучение. Роль Линейной Регрессии.
- Введение в проблему закона Мура
- Определение одномерной модели, получение решения (Обновленная версия)
- Определение одномерной модели, получение решения
- Кодирование одномерного решения в языке Питон
- Определение, насколько хороша модель – R-квадрат
- R-квадрат в коде
- Демонстрация закона Мура в коде
- Определение многомерной проблемы и получение решения (Обновленная версия)
- Определение многомерной задачи и получение решения
- Как решить многократную линейную регрессию с использованием, только матриц
- Кодирование многомерного решения в языке Питон
- Полиномиальная регрессия - расширение линейной регрессии (с кодом Питона)
- Прогнозирование систолического артериального давления по возрасту и весу.
- Ошибка обобщения, обучающие и тестовые наборы
- Обобщение и переоценка демонстрации в коде
- Недвусмысленные входы
- Вероятностная интерпретация квадратичной ошибки
- Регуляризация L2 - теория
- Регуляризация L2 - код
- Ловушка по фиктивной переменной
- Руководство по градиентному спуску
- Градиентный спуск для линейной регрессии
- Обход ловушки по фиктивной переменной, с градиентным спуском
- Регуляризация L1 - теория
- Регуляризация L1 - код
- Регуляризация L1 и L2
- Краткий обзор значимых вопросов по линейной регрессии и машинному обучению
- Упражнения, практика и способы достижения данной цели
- БОНУС: Где взять купоны Udemy и СВОБОДНЫЙ глубокий учебный материал?
- Как установить Numpy, Scipy, Matplotlib, Pandas, IPython, Theano и TensorFlow?
Спойлер
Всем, добро пожаловать на мой первый вводный курс по машинному обучению и науке о данных многих регрессий в языке Питон.
Этот курс является прекрасным началом, если вы заинтересованы в глубоком обучении или в машинном обучении, и вы не знаете, с чего вам начать.
В этом курсе мы начинаем с концепций, которые, как мне кажется, почти все знают.Если вы учили в старших классах математику или физику, вы уже знаете, что лучше всего подходит.
И вы знаете, как взять производную от исчисления в курсе алгебры средней школы.
Вы также знаете о создании линейных операций над векторами из алгебры средней школы.
Курс очень практический.Поэтому мы собираемся не только обсуждать концепции, но и реализовать все эти концепции в коде.
Питон - довольно простой язык программирования для изучения.
До тех пор, пока у вас есть концепция циклов, если вы делаете утверждения и другие базовые методы программирования, вы должны уметь следовать задаче. Это помогло бы, если вы ранее использовали «NUMP high end map lib».
Но это не критично.
Примеры кода очень короткие, и должно быть очень очевидно, что они обозначают.
Теперь этот курс очень практичен и прост.
Поэтому я не считаю, что я слежу за тем, как я следую за всем сразу.
Я надеюсь, что вы сами напишете код.
Если вы сможете вывести все уравнения, которые я показываю в этом курсе, не глядя на видеоролик (скриншоты) и написать весь код в данном курсе самостоятельно, не глядя на видео, то вы прошли этот курс.
Итак, какой контент будет охвачен нами в этом курсе?
Я собираюсь рассказать вам о том, как работает машина и как работает линейная регрессия.
Далее я собираюсь познакомить вас с одним из наших примеров.
Мы будем использовать линейную регрессию, чтобы показать, что закон Мура верный.
Закон Мура гласит, что число транзисторов на чипе удваивается каждые два года.
Это покажет вам, что линейная регрессия очень применима к реальному миру, так как закон Мура является одним из самых известных следствий в информатике.
После того как я познакомлю вас с этой проблемой, я дам вам все инструменты, необходимые для решения этой проблемы.
Основная идея заключается в том, что мы хотим найти линию наилучшего соответствия, мы сделаем это в несколько абстрактной форме.Глядя на проблему геометрически, и это очень важно.
Теперь вы можете визуализировать происходящее.
Некоторые считают, что машинное обучение - это просто подключение номеров к API, и они не могут быть более ошибочными.
Все проблемы геометричные, и вы непременно должны уметь видеть и визуализировать проблему, а решение в разделе, после всего этого расширит проблему, добавив больше входных переменных с законом Мура.
У нас есть только одна входная переменная, которая является временем.
На самом деле поразительно, что время - это все, что нам нужно для прогнозирования прогресса технологий.
Сравните это с работой с изображениями, где мы можем иметь тысячи или миллионы входных переменных.
К счастью, мы не будем идти от 1 до 1 миллиона сразу.
Я покажу вам, как мы можем перейти от одной входной переменной к другой.После того, как вы это узнаете, будет очень легко перейти на любое количество входных переменных.
В конце этого курса мы обсудим некоторые передовые концепции машинного обучения, и я дам вам общий обзор возможных направлений, которые вы могли бы пройти после прохождения этого курса.
В первую очередь я хочу настроить вас, чтобы вы смогли узнать больше об обучении, которое в настоящее время является самой популярной техникой машинного обучения, а с точки зрения искусственного интеллекта фактически смоделированным после мозга.
Я разработал этот курс, чтобы предоставить вам основные инструменты, необходимые для перехода на следующий уровень.
Увидимся в следующей лекции!!!
Начало перевода следующего урока.
Итак, что такое машинное обучение - оно пытается предсказать результат, изучая прошлые примеры.
Например, прогнозирование погоды завтрашнего дня или прогнозирование фондового рынка или прогнозирование того, имеет ли человек заболевание, основанное на изучении машинного профиля в генетическом профиле, а также делает и некоторые другие вещи.
Обратите на это основное внимание в этом курсе!
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении взяв за основу материалы из этой
(Курс 2 из 17)
(Курс 3 из 17)
(Курс 4 из 17)
Источник
Скрытое содержимое.