[Udemy]Машинное обучение с Python + Big Data - (Курс 10 из 17)

[Udemy]Машинное обучение с Python + Big Data - (Курс 10 из 17)

Гость, 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

​

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

ДЕМО ПЕРЕВОД

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

Вы также можете изучить на русском языке следующие курсы этого автора:

• 
  
  
  • Linear Regression in Python (Курс 1 из 17)
  • Logistic Regression in Python (Курс 2 из 17)
  • Deep Learning in Python (Курс 3 из 17)
  • Easy Natural Language Processing (NLP) in Python (Курс 4 из 17)
  • Data Science: Practical Deep Learning in Theano + TensorFlow (Курс 5 из 17)
  • Data Analytics: SQL for newbs, beginners and marketers (Курс 6 из 17)
  • Deep Learning: Convolutional Neural Networks in Python (Курс 7 из 17)
  • Cluster Analysis and Unsupervised Machine Learning in Python (Курс 8 из 17)
  • Глубокое обучение без учителя на языке Python (Курс 9 из 17)

ЧЕМУ ВЫ НАУЧИТЕСЬ

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

 

Событие года:

Спойлер

OpenAI выпустили статью о своей новой модели]Алгоритм на вход получает огромное количество данных: новости, википедия, страницы в интернете. В результате нейросеть начинает сама постепенно понимать: что такое буквы, что такое слова. Как и то, в каком порядке их использовать.
Вы можете задать одно предложение на любую тему, а на выходе мгновенно получите осмысленный текст. При чем, нейросеть сама может придумать имена, дополнить фактами и детализировать заданное направление. Для четкого понимая возможностей оставлю ссылку с примером в комментарии.
Если в вашем предложении упоминается факт из прошлого, система это тоже сможет определить. То есть все, что знает история, в тексте искажаться не будет, что придаст ему максимальной реалистичности.
Исследователи отказались публиковать полную модель, потому что она позволит генерировать миллиарды фейковых новостей и публикаций в социальных сетях для манипуляций. Самое страшное, что это может использоваться на определенные слои населения, конкретного человека или страну.
Думаю, сейчас вопросы об искусственном интеллекте не должны восприниматься скептически. Да, они не смогут себя осознать и захватить мир, но понимать человека и анализировать информацию уже умеют. Нас ждут всезнающие помощники. Возможно даже процесс обучения, хождения в школу как таковой станет бессмысленным.

Записывайтесь в данную складчину, и тогда вы поймете теорию работы технологии данного алгоритма!

 

@Testimonial

 

Коллеги если все выпишутся я не смогу больше переводить данный цикл курсов . Вы видели какого формата данный курс предоставляет теоретические знания?) OpenAI выпустили статью о своей новой модели]Алгоритм на вход получает огромное количество данных: новости, википедия, страницы в интернете. Так вот данный курс разбирает теорию данной технологии

 

@Красный Кут, продолжай пожалуйста переводы!!!!
Люди в складчине всё равно останутся кому нужно очень очень очень помогают твои труды по этому курсу!!!!

 

Поддерживаю!

 

Конечно нужны переводы. Хотя и цена кусается уже ощутимо.

 

Не знаю насколько такое предложение будет норм (ведь это для переводчика доп нагрузка) - но может сделать для тех кто участвует отдельную ветку где можно получить помощь от @Testimonial в практических вопросах программирования ML? Тогда будет у переводов доп. ценность которая может привлечь народ.

 

Есть немного, но норм.
.
Пришлось впервые выписаться именно из этой складки - финансы не пришли во время
На штраф нарываться не очень хочется.

Буду покупать эту часть после проведения...

 

@Квентин, у многих та же проблема У меня сколько раз такое было, зп задерживали или уже все потратила А к тому же праздник завтра
@Красный Кут, многие будут покупать после завершения) продолжай труды пожалуйста мы надеемся на тебя