Цель заброшена
Автор не отписывался в цели 8 лет 10 месяцев 11 дней
Пройти курс "Введение в машинное обучение"
курс находится на курсере https://www.coursera.org/learn/vvedenie-mashinnoe...
Адапритировать под RUBY задачи описанные в курсе на PYTONe. Исследовать библиотеки ruby для машинного обучения.
Я пока еще не очень понимаю зачем мне это нужно, но сама мысль - заставить компьютер думать в разных плоскостях, а не просто занимать мое время, не дает мне вариантов на отступление.
Ах да, вспомнил, я же хотел познакомится с ИИ. Что бы в не очень далеком будущем, допустим его (ии) к тому времени будут звать ВАЛЕРА ( Валидный Асинхронный Латеральный чегото там Разум) . Я мог без дрожи в голосе сказать - "Слышишь Валера, а нука давай напрягись ка!"
Критерий завершения
Пройден 7ми недельный курс за 9 недель :) Исчез или подразмылся вопрос - "Как это работает?"
Личные ресурсы
Небольшой опыт с Ruby Js, неструктурированное свободное время
Экологичность цели
Ясность понимания определенных процессов связанных с ИИ
-
Первая неделя - Формальная постановка задачи машинного обучения
Знакомство с анализом данных и машинным обучением
Добро пожаловать! В первом модуле курса мы расскажем о задачах, которые решает машинное обучение, определим базовый набор понятий и введем необходимые обозначения. Также мы расскажем про основные библиотеки языка
Python для работы с данными (NumPy, Pandas, Scikit-Learn), Долой змею, будем пилить на RUBY которые понадобятся для выполнения практических заданий на протяжении всего курса.-
Формальная постановка задачи машинного обучения
-
Примеры применения машинного обучения 1
-
Примеры применения машинного обучения 2
-
Проблема переобучения. Методология решения задач машинного обучения.
-
Вопросы: Основные понятия машинного обучения
-
Python для анализа данных
-
Работа с векторами и матрицами в NumPy
-
Задание: Предобработка данных в Pandas
-
Решающие деревья
-
Алгоритм построения решающего дерева
-
Обработка пропусков. Достоинства и недостатки решающих деревьев.
-
Способы устранения недостатков решающих деревьев
-
Задание: Важность признаков
-
Вопросы: Решающие деревья
-
-
Вторя неделя Метрические методы классификации
Метрические методы проводят классификацию на основе сходства, благодаря чему могут работать на данных со сложной структурой — главное, чтобы между объектами можно было измерить расстояние. Мы изучим метод k ближайших соседей, а также способ его обобщения на задачи регрессии с помощью ядерного сглаживания.
-
Метод ближайших соседей
-
Метод окна Парзена
-
Метрические методы классификации в задаче восстановления регрессии
-
Обнаружение выбросов
-
Вопросы: Метрические методы
-
Задание: Выбор числа соседей
-
Задание: Выбор метрики
-
-
Третяя неделя Метод опорных векторов и логистическая регрессия
Линейные методы имеют несколько очень важных подвидов, о которых пойдет речь в этом модуле. Метод опорных векторов максимизирует отступы объектов, что тесно связано с минимизацией вероятности переобучения. При этом он позволяет очень легко перейти к построению нелинейной разделяющей поверхности благодаря ядровому переходу. Логистическая регрессия позволяет оценивать вероятности принадлежености классам, что оказывается полезным во многих прикладных задачах.
-
Метод опорных векторов
-
Метод опорных векторов. Обобщение для нелинейного случая
-
Вопросы: Особенности метода опорных векторов
-
Задание: Опорные объекты
-
Задание: Анализ текстов
-
Логистическая регрессия
-
Пример применения логистической регрессии
-
Регуляризованная логистическая регрессия
-
Задание: Логистическая регрессия
-
Вопросы: Логистическая регрессия
-
-
Еще 4 недели лекций и задач, опишу чуть позже
Не пропустите новые записи!
Подпишитесь на цель и следите за ее достижением
