Εξέλιξη Κομματιού
Εισαγωγή
Αυτή η ενότητα παρέχει μια γενική εισαγωγή για το πότε χρησιμοποιείται η «μηχανική μάθηση», τι πρέπει να λαμβάνεται υπόψη και τι σημαίνουν όλα αυτά, συμπεριλαμβανομένων των πλεονεκτημάτων και των μειονεκτημάτων. Τύποι δεδομένων (δομημένα/μη δομημένα/στατικά/ροής), εγκυρότητα/όγκος δεδομένων, ανάλυση βασισμένη στα δεδομένα έναντι ανάλυσης βασισμένης στον χρήστη, στατιστικά μοντέλα έναντι μοντέλων μηχανικής μάθησης, προκλήσεις της μη επιβλεπόμενης μάθησης, αντιστάθμιση μεροληψίας-διακύμανσης, επανάληψη/αξιολόγηση, προσεγγίσεις διασταυρούμενης επικύρωσης, επιβλεπόμενη/μη επιβλεπόμενη/ενισχυτική μάθηση.
ΚΥΡΙΑ ΘΕΜΑΤΑ
1. Κατανοώντας τον αφελή Bayes
- Βασικές έννοιες των μεθόδων Bayes
- Πιθανότητα
- Από κοινού πιθανότητα
- Υπό συνθήκη πιθανότητα με το θεώρημα του Bayes
- Ο αλγόριθμος του αφελούς Bayes
- Η ταξινόμηση με τον αφελή Bayes
- Ο εκτιμητής Laplace
- Χρήση αριθμητικών χαρακτηριστικών με τον αφελή Bayes
2. Κατανοώντας τα δέντρα απόφασης
- Διαίρει και βασίλευε
- Ο αλγόριθμος δέντρων απόφασης C5.0
- Επιλέγοντας τον καλύτερο διαχωρισμό
- Κλάδεμα του δέντρου απόφασης
3. Κατανοώντας τα νευρωνικά δίκτυα
- Από τους βιολογικούς στους τεχνητούς νευρώνες
- Συναρτήσεις ενεργοποίησης
- Τοπολογία δικτύου
- Ο αριθμός των επιπέδων
- Η κατεύθυνση της ροής πληροφορίας
- Ο αριθμός των κόμβων σε κάθε επίπεδο
- Εκπαίδευση νευρωνικών δικτύων με οπισθοδιάδοση
- Βαθιά Μάθηση
4. Κατανοώντας τις Μηχανές Διανυσμάτων Υποστήριξης
- Ταξινόμηση με υπερεπίπεδα
- Εύρεση του μέγιστου περιθωρίου
- Η περίπτωση των γραμμικά διαχωρίσιμων δεδομένων
- Η περίπτωση των μη γραμμικά διαχωρίσιμων δεδομένων
- Χρήση συναρτήσεων πυρήνα για μη γραμμικούς χώρους
5. Κατανοώντας τη συσταδοποίηση
- Η συσταδοποίηση ως έργο μηχανικής μάθησης
- Ο αλγόριθμος k-means για συσταδοποίηση
- Χρήση απόστασης για ανάθεση και ενημέρωση συστάδων
- Επιλογή του κατάλληλου αριθμού συστάδων
6. Μέτρηση απόδοσης για ταξινόμηση
- Εργασία με δεδομένα πρόβλεψης ταξινόμησης
- Μια προσεκτικότερη ματιά στους πίνακες σύγχυσης
- Χρήση πινάκων σύγχυσης για μέτρηση απόδοσης
- Πέρα από την ακρίβεια – άλλα μέτρα απόδοσης
- Η στατιστική kappa
- Ευαισθησία και ειδικότητα
- Ακρίβεια και ανάκληση
- Το μέτρο F
- Οπτικοποίηση αντισταθμίσεων απόδοσης
- Καμπύλες ROC
- Εκτίμηση μελλοντικής απόδοσης
- Η μέθοδος holdout
- Διασταυρούμενη επικύρωση
- Δειγματοληψία Bootstrap
7. Βελτιστοποίηση έτοιμων μοντέλων για καλύτερη απόδοση
- Χρήση του caret για αυτοματοποιημένη ρύθμιση παραμέτρων
- Δημιουργία ενός απλού βελτιστοποιημένου μοντέλου
- Προσαρμογή της διαδικασίας ρύθμισης
- Βελτίωση της απόδοσης μοντέλου με μετα-μάθηση
- Κατανοώντας τους συνδυασμούς μοντέλων (ensembles)
- Bagging
- Boosting
- Τυχαία δάση
- Εκπαίδευση τυχαίων δασών
- Αξιολόγηση απόδοσης τυχαίου δάσους
ΔΕΥΤΕΡΕΥΟΝΤΑ ΘΕΜΑΤΑ
8. Κατανοώντας την ταξινόμηση με τους κοντινότερους γείτονες
- Ο αλγόριθμος kNN
- Υπολογισμός απόστασης
- Επιλογή του κατάλληλου k
- Προετοιμασία δεδομένων για χρήση με τον kNN
- Γιατί ο αλγόριθμος kNN είναι «τεμπέλης»;
9. Κατανοώντας τους κανόνες ταξινόμησης
- Διαίρει και βασίλευε
- Ο αλγόριθμος One Rule
- Ο αλγόριθμος RIPPER
- Κανόνες από δέντρα απόφασης
10. Κατανοώντας την παλινδρόμηση
- Απλή γραμμική παλινδρόμηση
- Εκτίμηση με τη μέθοδο των ελαχίστων τετραγώνων
- Συσχετίσεις
- Πολλαπλή γραμμική παλινδρόμηση
11. Κατανοώντας τα δέντρα παλινδρόμησης και τα μοντέλα δέντρων
- Προσθήκη παλινδρόμησης στα δέντρα
12. Κατανοώντας τους κανόνες συσχέτισης
- Ο αλγόριθμος Apriori για εκμάθηση κανόνων συσχέτισης
- Μέτρηση του ενδιαφέροντος ενός κανόνα – υποστήριξη και εμπιστοσύνη
- Δημιουργία ενός συνόλου κανόνων με την αρχή Apriori
Πρόσθετα
- Spark/PySpark/MLlib και πολυμελή 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
