Зарезервирован [Udemy] Data Science: Supervised Machine Learning in Python [ENG-RUS]

Наука о Данных: Машинное обучение с учителем на Python
"Udemy" на русском


​

Автор: Lazy Programmer Inc.

Студия: Udemy

Год: 2018

Продолжительность: 6 часов

Язык: Английский

Описание:

В последние годы мы наблюдали становление ИИ и машинного обучения.

Машинное обучение привело к некоторым удивительным результатам, таким как способность анализировать медицинские изображения и предсказывать заболевания наравне с докторами-людьми.

Программа Google AlphaGo, использовавшая Глубокое Обучение с Подкреплением, смогла победить чемпиона мира в стратегической игре.

Машинное обучение используется даже для программирования автопилотов автомобилей, что навсегда изменит автомобильную индустрию. Вообразите мир где стало намного меньше аварий, из-за устранения человеческого фактора.

Представители компании Google объявили, что теперь они ставят Машинное обучение на первый план, что означает, что машинному обучению будет уделено гораздо больше внимания, что приведет к инновациям в этой области, в ближайшие годы. Результаты будут использоваться во всех видах различных продуктов.

Машинное обучение используется во многих отраслях, таких как финансы, интернет-реклама, медицина и робототехника.

Это широко применяемый инструмент, который принесет вам пользу независимо от того, в какой отрасли вы работаете, а также откроет массу возможностей для карьерного роста, когда вы разберетесь с ним.

Машинное обучение также поднимает некоторые философские вопросы. Мы строим машину, которая может думать? Что значит быть сознательным? Захватят ли компьютеры мир?

В этом курсе мы сначала обсудим алгоритм k-ближайших соседей. Он чрезвычайно прост и интуитивно понятен, и это отличный алгоритм классификации, для изучения первым. После того, как мы обсудим концепции и реализуем их в коде, мы рассмотрим некоторые способы, которые могут привести KNN (алгоритм k-ближайших соседей) к сбою.

Важно знать как преимущества, так и недостатки каждого алгоритма.

Далее мы рассмотрим наивный байесовский классификатор и общий байесовский классификатор. Это очень интересный алгоритм, потому что он основан на теории вероятностей.

Мы увидим, как можно преобразовать байесовский классификатор в линейный классификатор и квадратичный классификатор, чтобы ускорить наши вычисления.

Далее мы рассмотрим знаменитый алгоритм дерева решений. Это самый сложный из алгоритмов, которые мы изучим и он не разбирается в большинстве других курсов. Мы же разберем его, потому что я думаю, что практика это хорошо.

Последний алгоритм, который мы рассмотрим, это алгоритм Перцептрон. Перцептроны являются прародителями нейронных сетей и глубокого обучения, поэтому их важно изучать в контексте машинного обучения.

Как только мы изучим эти алгоритмы, мы перейдем к более практичным темам машинного обучения. Гиперпараметры, перекрестная проверка, извлечение признаков, выбор признаков и многоклассовая классификация.

Мы проведем сравнение с глубоким обучением, чтобы вы поняли все за и против каждого подхода.

Мы обсудим библиотеку Sci-Kit Learn, потому что реализация собственных алгоритмов - это весело и познавательно, но вы должны уметь использовать оптимизированный и хорошо проверенный код в своей работе.

Мы закончим сделав очень практичный, реальный пример, написав веб-сервис, который запускает модель машинного обучения и делает прогнозы. Это то, что делают реальные компании, чтобы зарабатывать деньги.

Все материалы для этого курса бесплатны. Вы можете загрузить и установить Python, Numpy и Scipy с помощью простых команд в Windows, Linux или Mac.

Этот курс фокусируется на «как сделать и понять», а не на том, «как использовать». Любой может понять, как использовать API (интерфейс программирования приложений), за пятнадцать минут, прочитав некоторую документацию. Курс фокусируется не на «запоминании фактов», а на «усвоении для себя» посредством экспериментов. Он научит вас, как визуализировать то, что происходит внутри модели. Если вы хотите получить больше, чем просто поверхностный взгляд на модели машинного обучения, этот курс для вас.

Спойлер: Оригинальное описание

In recent years, we've seen a resurgence in AI, or artificial intelligence, and machine learning.

Machine learning has led to some amazing results, like being able to analyze medical images and predict diseases on-par with human experts.

Google's AlphaGo program was able to beat a world champion in the strategy game go using deep reinforcement learning.

Machine learning is even being used to program self driving cars, which is going to change the automotive industry forever. Imagine a world with drastically reduced car accidents, simply by removing the element of human error.

Google famously announced that they are now "machine learning first", meaning that machine learning is going to get a lot more attention now, and this is what's going to drive innovation in the coming years. It's embedded into all sorts of different products.

Machine learning is used in many industries, like finance, online advertising, medicine, and robotics.

It is a widely applicable tool that will benefit you no matter what industry you're in, and it will also open up a ton of career opportunities once you get good.

Machine learning also raises some philosophical questions. Are we building a machine that can think? What does it mean to be conscious? Will computers one day take over the world?

In this course, we are first going to discuss the K-Nearest Neighbor algorithm. It’s extremely simple and intuitive, and it’s a great first classification algorithm to learn. After we discuss the concepts and implement it in code, we’ll look at some ways in which KNN can fail.

It’s important to know both the advantages and disadvantages of each algorithm we look at.

Next we’ll look at the Naive Bayes Classifier and the General Bayes Classifier. This is a very interesting algorithm to look at because it is grounded in probability.

We’ll see how we can transform the Bayes Classifier into a linear and quadratic classifier to speed up our calculations.

Next we’ll look at the famous Decision Tree algorithm. This is the most complex of the algorithms we’ll study, and most courses you’ll look at won’t implement them. We will, since I believe implementation is good practice.

The last algorithm we’ll look at is the Perceptron algorithm. Perceptrons are the ancestor of neural networks and deep learning, so they are important to study in the context of machine learning.

One we’ve studied these algorithms, we’ll move to more practical machine learning topics. Hyperparameters, cross-validation, feature extraction, feature selection, and multiclass classification.

We’ll do a comparison with deep learning so you understand the pros and cons of each approach.

We’ll discuss the Sci-Kit Learn library, because even though implementing your own algorithms is fun and educational, you should use optimized and well-tested code in your actual work.

We’ll cap things off with a very practical, real-world example by writing a web service that runs a machine learning model and makes predictions. This is something that real companies do and make money from.

All the materials for this course are FREE. You can download and install Python, Numpy, and Scipy with simple commands on Windows, Linux, or Mac.

This course focuses on "how to build and understand", not just "how to use". Anyone can learn to use an API in 15 minutes after reading some documentation. It's not about "remembering facts", it's about "seeing for yourself" via experimentation. It will teach you how to visualize what's happening in the model internally. If you want more than just a superficial look at machine learning models, this course is for you.

Страница курса:

Пример перевода:

Курс зарезервировал squal, начнет переводить, когда запишутся минимум 50-55 человек

 

Добавлен пример перевода