Закрыто

[Udemy] Машинное обучение с Python + Big Data - (Курс 8 из 17)

Тема в разделе "Программирование", создана пользователем эпиггон Никола Теслы, 10 июл 2017.

Цена: 15158р.
Взнос: 315р.
117%

Основной список: 51 участников

Резервный список: 27 участников

Статус обсуждения:
Комментирование ограничено.
  1. 10 июл 2017
    #1
    эпиггон Никола Теслы
    эпиггон Никола Теслы ЧКЧлен клуба (А)

    [Udemy] Машинное обучение с Python + Big Data - (Курс 8 из 17)

    Гость, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
    ---

    Cluster Analysis and Unsupervised Machine Learning in Python
    Screenshot_97.png
    Автор: Lazy Programmer Inc.
    Формат: Видео
    Продолжительность: ~ 02:27
    Перевод: Красный Кут
    Тип перевода: Транскрибация с русским переводом
    Всего: 28 видео лекции длительность: 2 часа 27 минут

    ДЕМО ПЕРЕВОД

    КУРС ПЕРЕВЕДЕН ПОЛНОСТЬЮ И БУДЕТ ДОСТУПЕН В БИБЛИОТЕКЕ ДЛЯ ВСЕХ ОПЛАТИВШИХ ВЗНОС С 15 06 2018

    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:

    Deep Learning Prerequisites: Linear Regression in Python КУРС 1
    Deep Learning Prerequisites: Logistic Regression in Python КУРС 2
    Data Science: Deep Learning in Python КУРС 3
    Easy Natural Language Processing (NLP) in Python КУРС 4
    Data Science: Practical Deep Learning in Theano + TensorFlow КУРС 5
    Data Analytics: SQL for newbs, beginners and marketers КУРС 6
    Deep Learning: Convolutional Neural Networks in Python КУРС 7
    Cluster Analysis and Unsupervised Machine Learning in Python КУРС 8
    Глубокое обучение без учителя на языке Python КУРС 9
    Машинное обучение без учителя: скрытые марковские модели на языке Python КУРС 10
    Глубокое обучение: рекуррентные нейронные сети на языке Python КУРС 11
    Обработка естественного языка с помощью глубокого обучения на языке Python КУРС 12


    ЧЕМУ Я НАУЧУСЬ?


    - понимать алгоритмы методом k-средних;

    - понимать мягкие, или нечёткие, алгоритмы кластеризации методом k-средних;

    - применять библиотеку иерархической кластеризации Scipy к данным;

    - понимать разцу метрик расстояния при кластеризации;

    - понимать модель гауссового смешивания для использования оценки плотности;

    - объяснять, когда GMM эквивалентно кластеризации методом k-средних;

    - понимать, как GMM компенсирует некоторые метода k-средних;

    - понимать и перечислять недостатки кластеризации методом k-средних;

    - реализовывать мягкую кластеризацию методом k-средних в коде;

    - алгоритмически объяснять, как работает иерархическая агломеративная кластеризация;

    - понимать, как читать дендрограммы;

    - понимать различия между единичной, полной и Ward-связью;

    - писать GMM в коде;

    - объяснить алгоритм максимизации ожиданий;

    - понимать проблему единичной ковариации и как её исправить.

    ТРЕБОВАНИЯ

    -знать, как писать код в Python и Numpy;
    -установить Numpy и Scipy.
    ВАЖНЫЕ ПРЕДПОСЫЛКИ / НЕОБХОДИМЫЕ ЗНАНИЯ
    - дифференциальное счисление;
    - линейная алгебра;
    - теория вероятности;
    - кодирование на языке Python: условный оператор, циклы, списки, множества;
    кодирование в Numpy: матричные и векторные операции, загрузка CSV-файлов

    ОПИСАНИЕ

    Кластерный анализ является основой в сфере машинного обучения без учителя и обработки данных.

    Он крайне полезен для сбора данных и обработки больших массивов данных, поскольку автоматически находит взаимосвязи в данных, не нуждаясь, в отличие от машинного обучения с учителем, в каких-либо метках.

    В реальном мире вы можете представить себе ситуацию, когда робот или искусственный интеллект не всегда может получить доступ к оптимальному решению, а может, и самого правильного оптимательного решения не существует. Нам же хотелось бы, чтобы робот мог самостоятельно исследовать мир и изучать его, находя в нём взаимосвязи.

    Задумывались ли вы когда-нибудь, как мы получаем данные, которые используем в алгоритмах машинного обучения с учителем? У нас всегда есть хороший CSV-файл или таблица со значениями X и соответствующих им Y. Если вы сами никогда не участвовали в сборе данных, то, возможно, вы не думали о том, что кто-то должен был ещё собрать эти данные! А ведь те Y должны откуда-то браться, а сбор их вручную занимает очень много времени.

    А иногда у вас нет доступа к нужной информации или её получение оказывается слишком дорогостоящим.

    Но всё же хочется иметь представление о структуре данных. Если вы занимаетесь анализом данных, автоматическое распознавание взаимосвязей в данных будет для вас бесценным.

    И именно тут машинное обучение без учителя вступает в игру.

    В этом курсе мы вначале обсудим кластеризацию. При кластеризации вместо обучения с помощью меток мы будем пытаться создавать собственные метки. Сделать это нам поможет группировка данных, выглядящих одинаково. Мы обсудим два метода кластеризации: кластеризацию методом k-средних и иерархическую кластеризацию.

    Далее, поскольку в машинном обучении мы обычно обсуждаем распределение вероятностей, мы рассмотрим модели гауссового и ядерного смешивания, где выясним, как «узнать» распределение вероятностей набора данных.

    Интересный факт – при некоторых определённых условиях модели гауссового смешивания и кластеризации методом k-средних в точности совпадают! Мы покажем, как это происходит.

    Все обсуждаемые в этом курсе алгоритмы являются основными в машинном обучении и обработке данных. Поэтому если вы хотите знать, как автоматически находить взаимосвязи между данными без того, чтобы искать их и размечать вручную, - этот курс для вас.

    Все материалы, необходимые для этого курса, находятся в СВОБОДНОМ ДОСТУПЕ. Вы можете скачать и установить Python, Numpy и Scipy с помощью ряда простых команд в операционной системе Windows, Linux или Mac.

    Этот курс посвящён тому, «как создавать и понимать», а не просто «как пользоваться». Любой может после прочтения соответствующей документации научиться пользоваться интерфейсом за 15 минут. Речь идёт не о «запоминании фактов», а о «наблюдении за собой» посредством эксперимента. Курс научит вас визуализировать происходящее внутри модели. Если вы хотите большего, чем просто поверхностного знакомства с моделями машинного обучения, этот курс для вас.

    УЧЕБНЫЙ ПЛАН

    1. Введение в обучение без учителя
    1. Введение и план курса
    2. Для чего нужно обучение без учителя?
    3. Для чего нужна кластеризация?
    4. Как достичь успеха в этом курсе

    2. K-значная кластеризация
    5. Служебная визуализация алгоритма кластеризации методом k-средних;
    6. Мягкий метод k-средних
    7. Целевая функция метода k-средних
    8. Мягкий метод k-средних в коде на языке Python
    9. Визуализация каждого этапа метода k-средних
    10. Случаи, когда метод k-средних даёт сбой
    11. Недостатки кластеризации методом k-средних
    12. Как оценивать кластеризацию (чистота, индекс Дэвиса-Боулдина)
    13. Использование метода k-средних на реальных данных: база данных MNIST
    14. Способ найти величину k
    15. Приложения метода k-средних: нахождение кластеров взаимосвязанных слов

    3. Иерархическая кластеризация
    16. Визуальный обзор агломеративной иерархической кластеризации
    17. Варианты агломеративной кластеризации
    18. Использование иерархической кластеризации на языке Python и интерпретация дендрограмм

    4. Модели гауссового смешивания (GMM)
    19. Описание модели гауссового смешивания и как обучить GMM
    20. Сравнение методов GMM и k-среднего
    21. Написание модели гауссового смешивания в коде языка Python
    22. Практическое применение GMM и единичной ковариации
    23. Ядерное сглаживание
    24. Максимизация ожидания
    25. Алгоритмы обучения без учителя, которые вы изучите в дальнейшем

    5. Приложения
    26. Как установить Numpy, Scipy, Matplotlib, Pandas, Ipython и TensorFlow
    27. Как самостоятельно писать код. Часть 1
    28. Как самостоятельно писать код. Часть 2

    Источник



     
    Последнее редактирование модератором: 11 янв 2019
    5 пользователям это понравилось.
  2. Последние события

    1. skladchik.com
      Складчина закрыта.
      22 май 2021
    2. Rinpoche
      Rinpoche участвует.
      22 сен 2020
    3. Rootf69
      Rootf69 участвует.
      19 сен 2020
    4. Natykm87
      Natykm87 не участвует.
      10 авг 2020

    Последние важные события

    1. skladchik.com
      Складчина закрыта.
      22 май 2021
    2. skladchik.com
      Складчина доступна.
      19 июн 2018
    3. skladchik.com
      Взнос составляет 315р.
      15 июн 2018
    4. skladchik.com
      Складчина активна.
      15 июн 2018
  3. Обсуждение
  4. 30 апр 2018
    #2
    Quicksilver
    Quicksilver ДолжникДолжник
    Ну что, когда соберемся?
     
  5. 30 апр 2018
    #3
    эпиггон Никола Теслы
    эпиггон Никола Теслы ЧКЧлен клуба (А)
    привет
    Этот курс является самым важным для теъ кто хочет обучиться машинному обучению без учителя. Это что то....
    Курс переведен на 95% Скоро запустимся !.
     
    2 пользователям это понравилось.
  6. 30 апр 2018
    #4
    Quicksilver
    Quicksilver ДолжникДолжник
    По моему, следующий важнее. Я его жду больше.
     
  7. 26 май 2018
    #5
    Quicksilver
    Quicksilver ДолжникДолжник
  8. 28 май 2018
    #6
    эпиггон Никола Теслы
    эпиггон Никола Теслы ЧКЧлен клуба (А)
    привет привет. Загулял признаюсь. В работе курс ждем старта до конца мая. Курс является фундаментом для изучения 9 курса. 9 курс будет переведен за мес.
     
  9. 4 июн 2018
    #7
    эпиггон Никола Теслы
    эпиггон Никола Теслы ЧКЧлен клуба (А)
    8 наконец-то готов. Отправил заявку на старт нашей складчины.

    Я сам не ожидал такого длительного мучения, но гауссовы смеси распределений со всеми тонкостями вроде проблемы вырожденной ковариационной матрицы или расстояния Маханалобиса (вы когда-нибудь слышал про Махаланобиса? Не говоря уже про его метрику расстояний? Вот я и нет...) - . К счастью, таки выбрался и впереди 9 курс . :) Прошу поддержать его рекламой
     
    2 пользователям это понравилось.
  10. 10 июн 2018
    #8
    Quicksilver
    Quicksilver ДолжникДолжник
    ;(
    Шло 10е число.
    Есть в чем то проблема?
     
  11. 10 июн 2018
    #9
    эпиггон Никола Теслы
    эпиггон Никола Теслы ЧКЧлен клуба (А)
    админы сказали запускаться можно не раньше 11 06 18 Если все ок в пн объявляю дату сбора. тут 9 курс МЯСО начал его переводить уже....
     
  12. 12 июн 2018
    #10
    эпиггон Никола Теслы
    эпиггон Никола Теслы ЧКЧлен клуба (А)
    Ждем организатора. Что то его нет в сети
     
Статус обсуждения:
Комментирование ограничено.

Поделиться этой страницей