Обработка данных: машинное обучение с учителем на языке Python - (Курс 13 из 17)

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
ДЕМО ПЕРЕВОД

Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой складчины.
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

 

Че, ребят может дожмем курс? Нас в прошлой участвовало 16 человек в основном списке и 11 в резервном. Орг может Вы голосовалку запустите - кто готов участвовать до 2,5 круб, чтобы понимать удастся нам провести складчину.

 

Здравствуйте. Вы уже один раз высказали свою позицию, и я тогда скромно промолчал. Но зачем вы повторно об этом пишите? Хотите приложить усилия, чтобы складчина не состоялась?)

Очень хорошо, конечно, что у вас всё так удачно сложилось, и очень жаль, что не удалось выдержать приемлемые для вас сроки перевода, но всё же сделаю несколько замечаний по вашим комментариям.

Во-первых, смотреть в оригинале сходу получается только LazyProgrammer’а – и только благодаря его чёткой дикции и манере изложения. Попробуйте для интереса посмотреть других дата-сайентистов – очень неприятно удивитесь как их произношению, так и самой структуре курса. Из этого вытекает и «во-вторых». Ну да, информации много. Только она неструктурирована и неудобоварима. Это как в математике: зачем учиться в вузе несколько лет, если можно купить один справочник по математике? Купить-то справочник не проблема, а вот разобраться в нём... LazyProgrammer тем и крут, что является не только практикующим датасайентистом, а и преподавателем с многолетним стажем. Он знает, в какой последовательности давать материал, где обычно бывают проблемы с пониманием, где нужно что-то разъяснить особенно детально. Вы можете, конечно, воспользоваться гуглом, тот найдёт информацию по всем темам... Но сколько вам понадобится времени, чтобы её уяснить и увязать с уже имеющейся... А LazyProgrammer фактически даёт полный курс по всем правилам педагогики – от простого к сложному, от известного – к неизвестному. Гугл тут бессилен. При всей его мощи. Ну, и в-третьих, что значит – «всё устарело»? Как фундаментальные основы машинного обучения могут устареть? Что там может устареть? Алгоритм обратного распространения ошибок устарел? Или строение рекуррентного нейрона поменялось? Да, может поменяться версия того же Python’а – но уж точно не основные алгоритмы. Которые, поняв, можно реализовать и в новой версии. И наконец – мы как раз перешли к advanced версии курсов. Только это не значит, что предыдущие были плохими. Это значит, что advanced-версии курсов опираются на базовые. А не заменяют их.

 

Буду снижать стоимость взноса для всех заинтересованных. Попрошу администрацию складчика изменить стоимость на 1700 руб

 

При условии 1700-1800 максимум - записываюсь.
Будет выше, увы не обессудьте, прийдется покинуть складчину((((.

 

Цена приемлемая, нужно добивать до конца!

 

Отлично. Я снижу стоимость взноса на фиксированный до 1700 руб. Курс перевпере на 70% Осталось максимум дней 14 до финала

 

13 курс переведен Отправил материал на проверку. Ставить фиксированный взнос в складчинах на перевод по правилам клуба ЦДС не разрешается, поэтому продолжим как есть. Ждем проверки и стартуем

 

Жаль, что перевод так растянулся. моя ипотека, дальше участвовать не позволяет.

Спойлер

было бы желание снизить цену, можно было бы для этих целей снизить общую цену.
Силя Сильхи так, в свое время делал.

 

сорян..не потяну сейчас с таким ценником

 

Нет слов!

 

Сорян ребят за 4К я не готов максимум 2,5

 

Стартовать при таком взносе побоюсь. Прошу отписаться здесь или даже в личку тех, кто готов при этом взносе участвовать, если такие есть.

 

Был взнос в 1600 руб. Напишите организатору в ЛС кто готов такую сумму оплатить. Если данная складчина не запустится я к сожалению прекращу делать переводы по этой теме.

 

Можно создать приватную ветку и пригласить туда участников с последних 2 проведенных складчин, далее → предложить фиксированный взнос (для каждого участника) и провести опрос, сколько участников (с таким взносом) пойдет до конца, или кто с каким взносом готов идти до конца.
И далее, если возникнет консенсус → можно попробовать добить до конца, эту серию.

 

@Testimonial поможете создать такого формата переписку? Я соберу в табл всех участников последних двух складчин.

 

цена огонь просто. Пока не выписываюсь - будет нормальная сумма - я в деле.

 

Можете высказаться о том, какую сумму считаете нормальной в приватной ветке - вы там есть

 

А вы специально записываетесь, чтобы при сборах начать снова выписываться?

 

по второму кругу начали ))) цена растет как биткоин... надо быстрее покупать ))))