[Udemy]Машинное обучение с Python + Big Data - (Курс 10 из 17)
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 05:43
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 49 видео лекции
Готовность: 02.03.19
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Вы также можете изучить на русском языке следующие курсы этого автора:
Спойлер
– понимать и перечислять различные применения марковских моделей и скрытых марковских моделей;
– понимать, как работают марковские модели;
– создавать марковские модели в коде;
– применять марковские модели к любым последовательностям данных;
– понимать математику, лежащую в основе марковских цепей;
– использовать марковские модели применительно к языкам;
– использовать марковские модели применительно к анализу сайтов;
– понимать, как работает Google's PageRank;
– понимать скрытые марковские модели;
– создавать скрытые марковские модели в коде;
– создавать скрытые марковские модели с помощью Theano;
– понимать, как градиентный спуск, обычно использующийся в глубоком обучении, может использоваться для скрытых марковских моделей.
ТРЕБОВАНИЯ
Спойлер
– быть знакомым с теорией вероятностей и математической статистикой;
– понимать гауссову смесь распределений;
– владение языком Python и библиотекой Numpy.
ОПИСАНИЕ
Спойлер
Скрытые марковские модели (HMM) полностью посвящены изучению последовательностей.
Множество данных, которые могут нам понадобится для моделирования, представлены в виде последовательностей. Цены на акции – это последовательность цен. Текст – это последовательность слов. Кредитная история состоит из последовательностей заимствования и возвращения денег, и можно использовать эти последовательности для прогнозирования, не окажетесь ли вы банкротом. Короче говоря, последовательности повсюду, и возможность их анализа является важным навыком в инструментарии обработки данных.
Простейший способ для оценки информации, получаемой от последовательности, - это взглянуть на читаемый сейчас вами текст. Если бы я написал предыдущее предложение задом наперёд, оно бы оказалось для вас бессмысленным, хотя и состояло бы из тех же самых слов. Так что важен порядок следования.
Хотя нынешняя увлечённость глубоким обучением подталкивает нас использовать рекуррентные нейронные сети для моделирования предложений, я всё же хотел бы сначала представить вам другой алгоритм машинного обучения, существующий уже несколько десятилетий, – скрытую марковскую модель.
Этот курс является непосредственным продолжением моего первого курса по машинному обучению без учителя по кластерному анализу, в котором вы научились измерять вероятностное распределение случайной величины. В этом курсе вы научитесь измерять вероятностное распределение последовательности случайных величин.
Все вы знаете, как я люблю глубокое обучение, поэтому в курсе будет маленькое отступление. Мы уже познакомились с градиентным спуском, и вы знаете, насколько он важен для решения задач глубокого обучения. Я утверждал, что градиентный спуск может использоваться для оптимизации любой целевой функции. В этом курсе я покажу, как можно использовать градиентный спуск для нахождения оптимальных параметров скрытой марковской модели в качестве альтернативы популярному алгоритму максимизации ожиданий.
Всё это мы сделаем в Theano и TensorFlow, являющихся популярными библиотеками глубокого обучения. Благодаря данному курсу вы научитесь работать с последовательностями в Theano и TensorFlow, что окажется очень полезным при рассмотрении рекуррентных нейронных сетей и сетей долгой краткосрочной памяти (LSTM).
Этот курс также включает множество практических применений марковских моделей и скрытых марковских моделей. Мы рассмотрим модель болезни и здоровья и вычислим прогнозное время, в течение которого, в случае болезни, вы проболеете. Мы обсудим, как марковские модели могут быть использовать для анализа взаимодействия пользователей с вашим сайтом и устранения проблемных мест вроде высокого показателя отказов, которые могут повлиять на ваш SEO. Мы построим языковую модель, которую можно использовать для определения автора текста и даже для генерации текста – только представьте себе, что машина пишет текст за вас! Скрытые марковские модели оказались весьма успешными в обработке естественного языка (NLP).
Мы также рассмотрим, вероятно, самое последнее и успешное применение марковских моделей – алгоритм Google’s PageRank. И наконец, мы обсудим даже более практичные способы применения марковских моделей, в том числе генерацию изображений и автозаполнение форм в смартфоне, и с помощью скрытых марковских моделей ответим на один из фундаментальнейших вопросов биологии – каким образом ДНК, этот код жизни, преобразуется в физические и поведенческие свойства организма?
Все материалы, необходимые для этого курса, являются БЕСПЛАТНЫМИ. В основном мы будем работать с применением библиотек Numpy и Matplotlib и немного с применением Theano. Я всегда готов ответить на ваши вопросы и оказать помощь в путешествии по науке об обработке данных.
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.
До встречи на занятиях!
Источник
Скрытое содержимое.
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Машинное обучение без учителя: скрытые марковские модели на языке Python---
Формат: транскрибация видео
Продолжительность: ~ 05:43
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 49 видео лекции
Готовность: 02.03.19
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Вы также можете изучить на русском языке следующие курсы этого автора:
- (Курс 1 из 17)
- (Курс 2 из 17)
- (Курс 3 из 17)
- (Курс 4 из 17)
- (Курс 5 из 17)
- (Курс 6 из 17)
- (Курс 7 из 17)
- (Курс 8 из 17)
- (Курс 9 из 17)
Спойлер
– понимать и перечислять различные применения марковских моделей и скрытых марковских моделей;
– понимать, как работают марковские модели;
– создавать марковские модели в коде;
– применять марковские модели к любым последовательностям данных;
– понимать математику, лежащую в основе марковских цепей;
– использовать марковские модели применительно к языкам;
– использовать марковские модели применительно к анализу сайтов;
– понимать, как работает Google's PageRank;
– понимать скрытые марковские модели;
– создавать скрытые марковские модели в коде;
– создавать скрытые марковские модели с помощью Theano;
– понимать, как градиентный спуск, обычно использующийся в глубоком обучении, может использоваться для скрытых марковских моделей.
ТРЕБОВАНИЯ
Спойлер
– быть знакомым с теорией вероятностей и математической статистикой;
– понимать гауссову смесь распределений;
– владение языком Python и библиотекой Numpy.
ОПИСАНИЕ
Спойлер
Скрытые марковские модели (HMM) полностью посвящены изучению последовательностей.
Множество данных, которые могут нам понадобится для моделирования, представлены в виде последовательностей. Цены на акции – это последовательность цен. Текст – это последовательность слов. Кредитная история состоит из последовательностей заимствования и возвращения денег, и можно использовать эти последовательности для прогнозирования, не окажетесь ли вы банкротом. Короче говоря, последовательности повсюду, и возможность их анализа является важным навыком в инструментарии обработки данных.
Простейший способ для оценки информации, получаемой от последовательности, - это взглянуть на читаемый сейчас вами текст. Если бы я написал предыдущее предложение задом наперёд, оно бы оказалось для вас бессмысленным, хотя и состояло бы из тех же самых слов. Так что важен порядок следования.
Хотя нынешняя увлечённость глубоким обучением подталкивает нас использовать рекуррентные нейронные сети для моделирования предложений, я всё же хотел бы сначала представить вам другой алгоритм машинного обучения, существующий уже несколько десятилетий, – скрытую марковскую модель.
Этот курс является непосредственным продолжением моего первого курса по машинному обучению без учителя по кластерному анализу, в котором вы научились измерять вероятностное распределение случайной величины. В этом курсе вы научитесь измерять вероятностное распределение последовательности случайных величин.
Все вы знаете, как я люблю глубокое обучение, поэтому в курсе будет маленькое отступление. Мы уже познакомились с градиентным спуском, и вы знаете, насколько он важен для решения задач глубокого обучения. Я утверждал, что градиентный спуск может использоваться для оптимизации любой целевой функции. В этом курсе я покажу, как можно использовать градиентный спуск для нахождения оптимальных параметров скрытой марковской модели в качестве альтернативы популярному алгоритму максимизации ожиданий.
Всё это мы сделаем в Theano и TensorFlow, являющихся популярными библиотеками глубокого обучения. Благодаря данному курсу вы научитесь работать с последовательностями в Theano и TensorFlow, что окажется очень полезным при рассмотрении рекуррентных нейронных сетей и сетей долгой краткосрочной памяти (LSTM).
Этот курс также включает множество практических применений марковских моделей и скрытых марковских моделей. Мы рассмотрим модель болезни и здоровья и вычислим прогнозное время, в течение которого, в случае болезни, вы проболеете. Мы обсудим, как марковские модели могут быть использовать для анализа взаимодействия пользователей с вашим сайтом и устранения проблемных мест вроде высокого показателя отказов, которые могут повлиять на ваш SEO. Мы построим языковую модель, которую можно использовать для определения автора текста и даже для генерации текста – только представьте себе, что машина пишет текст за вас! Скрытые марковские модели оказались весьма успешными в обработке естественного языка (NLP).
Мы также рассмотрим, вероятно, самое последнее и успешное применение марковских моделей – алгоритм Google’s PageRank. И наконец, мы обсудим даже более практичные способы применения марковских моделей, в том числе генерацию изображений и автозаполнение форм в смартфоне, и с помощью скрытых марковских моделей ответим на один из фундаментальнейших вопросов биологии – каким образом ДНК, этот код жизни, преобразуется в физические и поведенческие свойства организма?
Все материалы, необходимые для этого курса, являются БЕСПЛАТНЫМИ. В основном мы будем работать с применением библиотек Numpy и Matplotlib и немного с применением Theano. Я всегда готов ответить на ваши вопросы и оказать помощь в путешествии по науке об обработке данных.
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.
До встречи на занятиях!
Источник
Скрытое содержимое.