HMM для аналізу цін на акції, моделювання мови, веб-аналітики, біології та PageRank.
Прихована модель Маркова або HMM - це все про послідовності навчання.
Більшість даних, які були б нам дуже корисними для моделювання, представлені в послідовностях. Ціни на акції-це послідовності цін. Мова-це послідовність слів. Кредитний скоринг включає в себе послідовності запозичень і повернення грошей, і ми можемо використовувати ці послідовності, щоб передбачити, чи відбудеться у вас дефолт. Коротше кажучи, послідовності є скрізь, і вміння аналізувати їх є важливою навичкою у вашому наборі інструментів data science.
Найпростіший спосіб оцінити, яку інформацію Ви отримуєте з послідовності, - це розглянути те, що ви читаєте зараз. Якби я написав попереднє речення назад, воно не мало б для вас особливого сенсу, навіть якби в ньому були всі ті самі слова. Тож порядок важливий.
Хоча нинішня мода глибокого навчання полягає у використанні повторюваних нейронних мереж для моделювання послідовностей, я хочу спочатку познайомити вас, хлопці, з алгоритмом машинного навчання, який існує десятиліттями - прихованою моделлю Маркова.
Цей курс безпосередньо випливає з мого першого курсу з неконтрольованого машинного навчання для кластерного аналізу, де ви дізналися, як виміряти розподіл ймовірностей випадкової величини. У цьому курсі ви навчитеся вимірювати розподіл ймовірностей послідовності випадкових величин.
Ви, хлопці, знаєте, як сильно я люблю глибоке навчання, тому в цьому курсі є невеликий поворот. Ми вже розглянули градієнтний спуск, і ви знаєте, наскільки він важливий для вирішення проблем глибокого навчання. Я стверджував, що градієнтний спуск може бути використаний для оптимізації будь-якої цільової функції. У цьому курсі я покажу вам, як ви можете використовувати градієнтний спуск для пошуку оптимальних параметрів HMM як альтернативу популярному алгоритму максимізації очікувань.
Ми збираємося зробити це в Theano і Tensorflow, які є популярними бібліотеками для глибокого навчання. Це також навчить вас працювати з послідовностями в Theano та Tensorflow, що буде дуже корисно, коли ми розглянемо повторювані нейронні мережі та LSTM.
У цьому курсі також буде розглянуто багато практичних застосувань марковських моделей та прихованих марковських моделей. Ми розглянемо модель хвороби та здоров'я та обчислимо, як передбачити, як довго ви будете хворіти, якщо захворієте. Ми поговоримо про те, як моделі Маркова можна використовувати для аналізу того, як люди взаємодіють з вашим веб-сайтом, та усунення проблемних областей, таких як високий рівень відмов, який може вплинути на ваш SEO. Ми створимо мовні моделі, які можна використовувати для ідентифікації автора і навіть для генерації тексту - уявіть, що машина пише за вас. HMM були дуже успішними в обробці природної мови або NLP.
Ми розглянемо, можливо, саме останнє і плідне застосування марковських моделей - алгоритм PageRank від Google. І, нарешті, ми обговоримо ще більше практичних застосувань марковських моделей, включаючи генерацію зображень, самонавіювання смартфонів і використання HMM для відповіді на одне з найбільш фундаментальних питань в біології - як ДНК, код життя, перетворюється в фізичні або поведінкові атрибути організму?
Усі матеріали цього курсу можна завантажити та встановити безкоштовно. Ми будемо робити більшу частину нашої роботи в Numpy та Matplotlib, а також трохи в Theano. Я завжди готовий відповісти на ваші запитання та допомогти Вам у вашій подорожі з науки про дані.
Цей курс стосується "як створювати та розуміти", а не просто "як користуватися". Будь-хто може навчитися використовувати API за 15 хвилин після прочитання деякої документації. Йдеться не про" запам'ятовування фактів", а про те, щоб" побачити все своїми очима " за допомогою експериментів. Це навчить вас, як візуалізувати те, що відбувається всередині моделі. Якщо ви хочете більше, ніж просто поверхневий погляд на моделі машинного навчання, цей курс для вас.
Побачимося в класі!
Посилання
https://privatelink.de/?https://www.udemy.com/unsupervised-machine-learning-hidden-markov-models-in-python/