Ансамблевое машинное обучение на Python: метод случайного леса, AdaBoost - (Курс 16 из 17)

Ансамблевое машинное обучение на Python: метод случайного леса, AdaBoost


​

Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 6 ч
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
ДЕМО
Дата вsдачи курса 13.10. 19

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 выводить разложение на смещение и дисперсию;
– понимать метод размножения выборок и его приложение к бэггингу;
– понимать, почему бэггинг улучшает работу классификации и регрессии;
– понимать и реализовывать метод случайного леса;
- понимать и реализовывать метод AdaBoost

ТРЕБОВАНИЯ

Спойлер

– дифференциальное счисление;
– знание библиотек Numpy, Matplotlib, Sci-Kit Learn;
– знание метода k-ближайших соседей, деревьев решений;
– теория вероятностей и математическая статистика (базовый уровень);
– знание линейной и логистической регрессии.
– дифференциальное счисление;
– теория вероятностей;
– объектно-ориентированное программирование;
– кодирование на языке Python: условный оператор, операторы цикла, списки, словари, наборы;
– кодирование в Numpy: матричные и векторные операции;
– линейная и логистическая регрессия, деревья решений, метод k-ближайших соседей.

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», и такие компании, как NVIDIA и Amazon, последовали этому примеру, что будет стимулировать инновации в ближайшие годы.

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 откроет 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?


Этот курс полностью посвящён ансамблевым методам.

Мы уже изучили некоторые классические модели машинного обучения, такие как метод k-ближайших соседей и деревья решений. Мы узнали об их ограничениях и недостатках. Но что, если бы мы могли объединить эти модели, чтобы устранить эти ограничения и создать гораздо более мощный классификатор или регрессивную модель?

В этом курсе вы изучите способы объединения таких моделей, как деревья решений и логистическая регрессия, для создания моделей, способных достичь гораздо большей точности, нежели первоначальные модели, из которых они состоят.

В частности, мы детально рассмотрим метод случайного леса и алгоритм AdaBoost. Чтобы стимулировать наше обсуждение, мы узнаем о важной теме статистического обучения – компромиссе смещения и дисперсии. Затем мы изучим метод размножения выборок и бэггинг в качестве методов одновременного уменьшения как смещения, так и дисперсии. Мы проведём множество опытов и используем эти алгоритмы на реальных наборах данных, чтобы вы могли наглядно убедиться в их мощности.

Поскольку глубокое обучение в наши дни очень популярно, мы также изучим некоторые любопытные общие черты между случайными лесами, AdaBoost и нейронными сетями глубокого обучения.

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.

Источник

 

Коллеги спасибо всем кто принимал участие в моих авторских складчинах.
Мой стартап в этом месяце подписал пока что рамочный договор с одной крупной компанией, и следующим этапом в октябре должно быть начата разработка глубокое обучение в медицине. Я обещаю , что БОНУСОМ для всех участников моих последних складчин с 14 курса по 17 курс будет создана приватная ветка для общения, где я смогу вам помочь с вашим проектом отвечая на ваши вопросы.

Сейчас перевел 16 курс и загрузил демо так как он мне нужен был по проекту. Перевожу сейчас 15 курс , и финалим 17 курс.
До скрой встречи в приватной ветке !

 

Орг, это все круто, то 3000р - это уже запредельная цена. Я уже несколько таких оплачивал, но как-то можно подождать еще?

Орг, в предыдущих частях напиши пож-та об этом части.

 

а 15 ю часть пропускаем?

 

так она еще не переведена! Читай выше

 

прошу прощения, сейчас не потяну..

 

Перведена

 

Что именно написать вам нужно?

 

Здравствуйте, был неделю вне доступа интернета, только увидел. Взнос слишком высокий, не потяну. Если есть возможность исключите, пож-ста, без штрафа. Если нет - отправляйте в штрафбат.

 

Здравствуйте. Постарайтесь оплатить курс так как я вам помогу с вашими проектами.

Например работа нашей нейронки с прогнозированием сростание суставов колен
Прогнозные кадры - это кадры с пурпурными надписями. Исходные даные кадры с индексами меньше чем у кадров с пурпурными надписями. Изолинии взяты с исходных кадров до и после прогнозирования, и наложены для сравнения с прогнозом.

ДО ВСТРЕЧИ В ПРИВАТКЕ

 

Оплатил.