Εξέλιξη Κομματιού
Εισαγωγή
Αυτή η ενότητα παρέχει μια γενική εισαγωγή για το πότε πρέπει να χρησιμοποιείται η «μηχανική μάθηση», τι πρέπει να λαμβάνεται υπόψη και τι σημαίνει όλο αυτό, συμπεριλαμβανομένων των πλεονεκτημάτων και των μειονεκτημάτων. Τύποι δεδομένων (δομημένα/αδόμητα/στατικά/σε ροή), εγκυρότητα/όγκος δεδομένων, αναλυτική με βάση τα δεδομένα έναντι αναλυτικής με βάση τον χρήστη, στατιστικά μοντέλα έναντι μοντέλων μηχανικής μάθησης/ προκλήσεις της μάθησης χωρίς επίβλεψη, αντιστάθμισμα μεροληψίας-διακύμανσης, επανάληψη/αξιολόγηση, προσεγγίσεις διασταυρούμενης επικύρωσης, επιβλεπόμενη/μη επιβλεπόμενη/ενισχυτική μάθηση.
ΚΥΡΙΑ ΘΕΜΑΤΑ
1. Κατανόηση του naive Bayes
- Βασικές έννοιες των Μπεϋζιανών μεθόδων
- Πιθανότητα
- Κοινή πιθανότητα
- Υπό συνθήκη πιθανότητα με το θεώρημα Bayes
- Ο αλγόριθμος naive Bayes
- Η ταξινόμηση naive Bayes
- Ο εκτιμητής Laplace
- Χρήση αριθμητικών χαρακτηριστικών με το naive Bayes
2. Κατανόηση των δέντρων απόφασης
- Διαίρει και κυρίευε
- Ο αλγόριθμος δέντρου απόφασης C5.0
- Επιλογή του καλύτερου διαχωρισμού
- Κλάδεμα του δέντρου απόφασης
3. Κατανόηση των νευρωνικών δικτύων
- Από τους βιολογικούς στους τεχνητούς νευρώνες
- Συναρτήσεις ενεργοποίησης
- Τοπολογία δικτύου
- Ο αριθμός των επιπέδων
- Η κατεύθυνση της ροής πληροφοριών
- Ο αριθμός των κόμβων σε κάθε επίπεδο
- Εκπαίδευση νευρωνικών δικτύων με οπισθοδιάδοση
- Βαθιά Μάθηση
4. Κατανόηση των Μηχανών Διανυσμάτων Υποστήριξης
- Ταξινόμηση με υπερεπίπεδα
- Εύρεση του μέγιστου περιθωρίου
- Η περίπτωση των γραμμικά διαχωρίσιμων δεδομένων
- Η περίπτωση των μη γραμμικά διαχωρίσιμων δεδομένων
- Χρήση πυρήνων για μη γραμμικούς χώρους
5. Κατανόηση της ομαδοποίησης
- Η ομαδοποίηση ως εργασία μηχανικής μάθησης
- Ο αλγόριθμος k-means για ομαδοποίηση
- Χρήση απόστασης για ανάθεση και ενημέρωση ομάδων
- Επιλογή του κατάλληλου αριθμού ομάδων
6. Μέτρηση απόδοσης για ταξινόμηση
- Εργασία με δεδομένα πρόβλεψης ταξινόμησης
- Μια πιο προσεκτική ματιά στους πίνακες σύγχυσης
- Χρήση πινάκων σύγχυσης για τη μέτρηση της απόδοσης
- Πέρα από την ακρίβεια – άλλα μέτρα απόδοσης
- Η στατιστική kappa
- Ευαισθησία και ειδικότητα
- Ακρίβεια και ανάκληση
- Το F-measure
- Οπτικοποίηση αντισταθμισμάτων απόδοσης
- Καμπύλες ROC
- Εκτίμηση μελλοντικής απόδοσης
- Η μέθοδος holdout
- Διασταυρούμενη επικύρωση
- Δειγματοληψία Bootstrap
7. Συντονισμός βασικών μοντέλων για καλύτερη απόδοση
- Χρήση του caret για αυτοματοποιημένο συντονισμό παραμέτρων
- Δημιουργία ενός απλού συντονισμένου μοντέλου
- Προσαρμογή της διαδικασίας συντονισμού
- Βελτίωση της απόδοσης μοντέλου με μετα-μάθηση
- Κατανόηση των συνόλων
- Bagging
- Boosting
- Τυχαία δάση
- Εκπαίδευση τυχαίων δασών
- Αξιολόγηση απόδοσης τυχαίου δάσους
ΔΕΥΤΕΡΕΥΟΝΤΑ ΘΕΜΑΤΑ
8. Κατανόηση της ταξινόμησης με χρήση των πλησιέστερων γειτόνων
- Ο αλγόριθμος kNN
- Υπολογισμός απόστασης
- Επιλογή κατάλληλου k
- Προετοιμασία δεδομένων για χρήση με το kNN
- Γιατί ο αλγόριθμος kNN είναι «τεμπέλης»;
9. Κατανόηση κανόνων ταξινόμησης
- Διαχώρισε και κυρίευσε
- Ο αλγόριθμος One Rule
- Ο αλγόριθμος RIPPER
- Κανόνες από δέντρα απόφασης
10. Κατανόηση της παλινδρόμησης
- Απλή γραμμική παλινδρόμηση
- Εκτίμηση με συνήθη ελάχιστα τετράγωνα
- Συσχετίσεις
- Πολλαπλή γραμμική παλινδρόμηση
11. Κατανόηση δέντρων παλινδρόμησης και δέντρων μοντέλων
- Προσθήκη παλινδρόμησης στα δέντρα
12. Κατανόηση κανόνων συσχέτισης
- Ο αλγόριθμος Apriori για εκμάθηση κανόνων συσχέτισης
- Μέτρηση ενδιαφέροντος κανόνων – υποστήριξη και εμπιστοσύνη
- Δημιουργία συνόλου κανόνων με την αρχή Apriori
Πρόσθετα
- Spark/PySpark/MLlib και Multi-armed bandits
Απαιτήσεις
Γνώση Python
Σχόλια (7)
Απολάβα το εκπαιδευτικό πρόγραμμα και η χαρά μου ήταν μεγάλη για τη βαθύτερη ανάλυση στο θέμα της Μηχανικής Μάθησης. Εκτιμήθηκα η ισορροπία μεταξύ θεωρίας και πρακτικών εφαρμογών, ειδικά τα συνεδρία με χειροντική κώδικα. Ο εκπαιδευτής παρέσχε απολαυστικά παραδείγματα και καλά σχεδιασμένα άσκημα που ενισχύσαν την εμπειρία μάθησης. Το μάθημα κάλυψε μια ευρεία γama θεμάτων, και ο Abhi απέδειξε άριστη εκπεριότητα απαντώντας σε όλες τις ερωτήσεις με σαφήνεια και ευκολία.
Valentina
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Εκτιμήθηκα το άσκημα που με βοήθησε να κατανοήσω τη θεωρία και να τη εφαρμόσω βήμα σε βήμα. Επίσης, η τρόπος με τον οποίο ο εκπαιδευτικός εξήγησε πάντα με απλή και σαφή τρόπο. Ήταν εύκολο να ακολουθήσω, ακόμη και όμως δεν είμαι πολύ εμπειρογνώμων με το Python. Ωστόσο, δεν ήθελα να χάσω την ευκαιρία να μάθω κάτι που με ενδιέφερε πραγματικά. Εκτιμήθηκα επίσης την ποικιλία πληροφοριών που παροχθήκαν και τη διαθεσιμότητα του εκπαιδευτικού να μας εξηγήσει και υποστηρίξει στην κατανόηση των θεμάτων. Μετά από αυτό το μάθημα, οι εννοιές του μηχανικού μάθησης είναι πολύ σαφείς για μένα και νιώθω ότι έχω μια κατεύθυνση και καλύτερη κατανόηση του θέματος.
Cristina
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Στο τέλος της κατάρτισης, μπόρεσα να δω την πρακτική εφαρμογή των θεμάτων που παρουσιάστηκαν.
Daniel
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Μου άρεσε το ρυθμός, μου άρεσε η ισορροπία μεταξύ θεωρίας και πράξης, τα βασικά θέματα που καλύφθηκαν και ο τρόπος με τον οποίο ο εκπαιδευτής ήταν σε θέση να ισορροπήσει όλα. Μου αρέσει επίσης πολύ η εκπαιδευτική υποδομή σας, πολύ πρακτική για την εργασία με VMs.
Andrei
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Κρατώντας το σύντομο και απλό. Δημιουργία ιδιαίτερης προσαίθησης και οπτικών μοντέλων γύρω από τις έννοιες (διάγραμμα δέντρου αποφάσεων, γραμμικές εξισώσεις, υπολογισμός y_pred χειροκίνητα για να δείξουμε πώς λειτουργεί το μοντέλο).
Nicolae - DB Global Technology
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Με βοήθησε να επιτύχω τον στόχο μου να καταλάβω την ML. Πολύ αξία για τον Πάβλο που παρέσχε εγκυρή εισαγωγή σε αυτό το θέμα, καθώς γίνεται φανερό μετά από 3 ημέρες εκπαίδευσης πόσο εκτεταμένο είναι. Επιλαβήκα επίσης και σε μεγάλο βαθμό της ιδέας των εικονικών μηχανών που προσέφερες, οι οποίες είχαν πολύ καλή χρονοβάθμιση! Διευκόλυνε κάθε συμμετέχοντα να διεξάγει πειράματα με το δικό του ρυθμό.
Silviu - DB Global Technology
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Η πρακτική πλευρά, δηλαδή το να βλέπεις τη θεωρία να γίνεται κάτι πρακτικό, είναι μεγάλη.
Lisa Fekade - Vodacom
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
