[Udemy]Машинное обучение с Python + Big Data - (Курс 1 из 17)

[Udemy]Машинное обучение с Python + Big Data - (Курс 1 из 17)

[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.
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".

ДЕМО ПЕРЕВОД КУРСА

Спойлер

• 
  
  • Введение и План
  • Что такое Машинное обучение. Роль Линейной Регрессии.
  • Введение в проблему закона Мура

2. Одномерная Линейная регрессия - Теория и Код:

• • 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

3. Многократная линейная регрессия и полиномиальная регрессия:

• • 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.

4. Практические вопросы машинного обучения

• • 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

5. Заключение и Следующие шаги:

• • Краткий обзор значимых вопросов по линейной регрессии и машинному обучению
  • Упражнения, практика и способы достижения данной цели

6. Приложения

• • БОНУС: Где взять купоны Udemy и СВОБОДНЫЙ глубокий учебный материал?
  • Как установить Numpy, Scipy, Matplotlib, Pandas, IPython, Theano и TensorFlow?

Введение

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 складчины

Logistic Regression in Python (Курс 2 из 17)
Data Science: Deep Learning in Python (Курс 3 из 17)
Easy Natural Language Processing (NLP) in Python (Курс 4 из 17)


Источник

 

Это только часть 1 по времени 3 часа 21 минута или все 17 частей?

 

Это только первая часть из 17 лекций.. Цену выставил такую т к будет гарант +20% и клубный взнос 20% Следующие лекции хочу переводить с меньшим взносом

 

Интересно было бы демо перевода посмотреть. Что бы понимать как оно будет.

 

Формат перевода будет в виде текста + скриншоты сделанными мной из кадров видео уроков.

Контент переведенного курса позволит вам иметь под рукой конспект, который вы будете использовать для самостоятельного обучения по тематике лекции.

По правилам клуба ЦДС при плохо сделанном переводе я должен буду исправить сделанны перевод или вернуть деньги. На оценку качества перевода у вас будет достаточно времени. Деньги я получу только спустя некоторое время. Поэтому члены клуба ЦДС максимально защищены в этом отношении.

Записывайтесь пожалуйста в складчину и по возможности сделайте рекламу.

До встречи в теме обсуждения данной складчины ,и ждите новые переводы!

 

Если не секрет, сколько планируете потратить времени на перевод всех частей?

 

Спрогнозировать график перевода всех 17 лекций смогу после проведенной данной складчины.

Изучив переведенные мной материал вы сможете оценить огромную полезность данной информации, которая предоставляется вам на русском.

При высокой заинтересованности складчиками других курсов я планирую переводить по 2-3 лекции в месяц. Слишком долго набираются участники для складчины.

Пожалуйста рекомендуйте данную складчину коллегам, чтобы снизился взнос по максимум.

 

@Красный Кут Укажите продолжительность части.

 

Продолжительность Части #1 указана в описании складчины (3 часа 21 минута). Я сейчас не дома перепроверю данные хронометража к видео,но вродебы не ошибся здесь.

 

@Красный Кут Хорошо, исправьте, когда будете дома. Но странно получается, почему 17 частей? В продажнике написано, что весь курс имеет продолжительность 03:25:54. Вы говорите, что одна часть будет 3 часа 21 минуту. Думаю вы хотели указать весь хронометраж в 1 части, зачем тогда 17 частей?

 

Да я хотел указать весь хронометраж 1 части. Этот курс длится примерно 3,5 часа
Написал в названии темы что это 1 часть из 17 для того, чтобы складчики видели,что тема машинного обучения и биг дата - раскрывается этим автором всего за 17 лекций.

 

Думаю стоит написать 1 курс из 17. Слово часть немного вводит в заблуждение

 

Рекомендую обратить внимание на сериал "Breakthrough" от National Geographic Channel, 30 мая выйдет серия под названием "PREDICTING THE FUTURE" про предсказание будущего, ИИ и большие данные.

 

Можно перевод субтитрами ещё сделать?

 

Я подумаю над вашим предложением как сделать все наилучшим способом.
Поддержите последующие складчины всех 17 КУРСОВ по машинному обучению с Python + Big Data для совместного их изучения.

 

2 курс уже на проверке? Он выйдет быстрее первого?

 

К выходу готов 2 курс и 4 курс.
Тут дело еще вот в чем. 18 складчиков вышли из раннего списка, после того как мною был объявлен анонс на 30 мая,
Заставляет задумываться когда объявлять даты запуска, чтобы была приемлема цена. ...Благо на смену вышедших пришло примерно столько же новых участников. Работа мною была проведена не малая, а именно перевод курса +транскриб + буду делать субтитры.

Если есть идеи как ускорить процесс запуска складчин, пожалуйста озвучьте их.
Я бы очень хотел получить от вас поддержку в качестве рекламы или подписи в профилях о моих авторских складчинах. Спасибо!

 

Согласен полностью, однако курсы длятся 3..5 часов, изучение с полным пониманием, местами даже заучиванием займет 3-4 дня(с поправкой на работающую часть складчиков), так что больших пауз, думаю, основной массе хотелось бы избежать.

 

Я ток за. На все переводы подписан)))

 

Для меня удобнее читать и слушать в одном окне, так как это удобнее и быстрее. Заучивание = плохо. Нужно понимание.