Title: Uczenie maszynowe w Python. Wprowadzenie, perceptron, regresja cz. 3 - Optymalizacja i wykorzystanie perceptronu
Description:
Wymagania
- umiejętność programowania w Python, przetwarzania danych, mile wiedziana znajomość PANDAS, numpy, matplotlib
- znajomość pojęć związanych z: operacjami na macierzach, prawdopodobieństwem, pochodną, statystyką
Dla kogo ten kurs
- Programiści chcący poznać machine learning
- Analitycy danych poszerzający kompetencje do uczenia maszynowego
- Studenci kierunku IT poznający machine learning
- Osoby techniczne zainteresowane sztuczną inteligencją
Czego się nauczysz
- pojęcia data science, machine learning, artificial intelligence, prediction
- modele statystyczne, matematyczne, danych, typy uczenia
- intuicja i matematyka stojąca za uczeniem maszynowym
- perceptron Rosenblata - implementacja i wykorzystanie
- modele regresji liniowej: Adaline, RANSAC, Lasso, Ridge, ElasticNet
- przygotowanie danych do analizy
- uzupenianie brakujcych danych, eliminacja wartosci odstających
- korzystanie z metod i modeli modulu Scikit-Learn
Wprowadzenie
Jeśli zastanawiasz się czy kupić akcje, czy zainwestować w złoto, to Ci nie pomogę. Nie wiem, co lepiej zrobić. Ale jeśli zapytasz, czy warto uczyć się o Machine Learning i sztucznej inteligencji, to nie mam wątpliwości co powiedzieć. WARTO! Machine Learning już się dzieje i będzie się dziać dalej. A Ty masz wybór – albo patrzysz na to z boku, albo zostajesz liderem w tej dziedzinie.
Ten kurs jest stworzony dla tych, którzy już mają wiedzę programistyczną i pracowali z danymi. Wiedza na temat samego machine learning nie jest wymagana. Pod tym względem zaczynamy od zera tłumacząc nawet co to model, predykcja, uczenie maszynowe itp.
Ale uwaga. Nie kończymy na teorii. To tylko początek. Przygotuj się na dużo programowania. Na kursie nabędziesz intuicji stojącej za algorytmami, ale poznasz też matematykę, która tą intuicję uzasadnia. Bez obaw. Moim celem nie jest nauczanie tutaj liczenia pochodnej ani operacji na macierzach. Wystarczy, że kojarzysz mniej więcej co to jest, ale oczywiście im więcej pamiętasz z matematyki tym lepiej.
Zazwyczaj algorytm implementujemy od zera w Pythonie, a potem pokazujemy, jak korzystać z gotowych klas przygotowanych w module Scikit-Learn. Dzięki temu nie jesteś programistą, który jak małpka uruchamia funkcję nie wiedząc co dzieje się pod spodem. Pracujemy na prawdziwych danych: ceny diamentów, domów, jakość wina, wielkość mózgu, zachorowalność na choroby, rozpoznawanie kształtów i cyfr no i legendarne kwiaty Iris. Chciałbym, żeby studenci kończący ten kurs byli w stanie samodzielnie budować własne modele.
Machine Learning to olbrzymi temat, mnóstwo algorytmów, bibliotek, technik obróbki danych. Po prostu ogrom. My z tego wielkiego obszaru wybieramy tylko dwa tematy – budowę pojedynczego perceptronu, który jest ważny, bo to przecież podstawa głębokich sieci neuronowych, oraz algorytmy z rodziny regresji liniowej. Jest ich kilka i mają swoje specyficzne zastosowania i co by tu dużo mówić – nie można ich nie znać. Ale jak się przekonasz to i tak bardzo dużo, bo te tematy omówimy bardzo dokładnie: intuicja matematyka, przykłady, – komplet, jak na siłowni, tylko dla mózgu, a nie dla mięśni. Jeśli szukasz kursu pod tytułem „wszystkie algorytmy w jeden dzień” to szukaj dalej. Jeśli szukasz rzetelnego omówienia neuronu i regresji, to to jest to!
Przekwalifikowanie się do zawodu programisty machine learning to co najmniej kilkanaście miesięcy pracy. Jednak nos do góry. Ten kurs może być Twoim krokiem we właściwym kierunku. Wszystko w Twoich rękach. Jeśli interesuje Cię temat machine learning, nie chcesz być biernym obserwatorem rosnących zastosowań sztucznej inteligencji i chmury, zapisz się na kurs. Nic nie ryzykujesz.
Teraz jest dobry czas na Machine Learning. Nie czekaj - dołącz! Zapraszam!
Po zakończeniu tego kursu powinieneś:
- bez problemu umieć własnymi słowami opowiedzieć o co chodzi w Machine Learning,
- opisać jakie mamy do dyspozycji algorytmy, co to jest uczenie nadzorowane i nienadzorowane
- znać szczegółowe zasady działania pojedycznego neuronu i umieć go zastosować do rozwiązywania problemów
- skorzystać z różnych odmian regresji liniowej: Adaline, RANSAC, Lasso, Ridge, Elastic Net
- przeanalizować, oczyścić dane i uzupełnić brakujące dane
- przygotować dane do uczenia maszynowego, dzielić je na dane uczące i testowe oraz skalować
- znać szczegóły operacji stojących za skalowaniem i dzieleniem danych na uczące i testowe
Podsumowując. Jeśli masz podstawową wiedzę z programowania, jeśli nie przeraża cię odrobina matematyki i jeśli jesteś ciekawy o co chodzi z tym machine learning i sztuczną inteligencją, jeśli chcesz wystartować od zera w tym temacie, to ten kurs powinien ci to umożliwić.
Do zobaczenia na kursie!
Moduły szkolenia:
Poprzedni 1 2 3 4 5 NastępnyPresenter: Mobilo Rafał
Agenda:
- Matematyka za neuronem ADALINE 0:12:25 hd
- Implementacja neuronu ADALINE 0:13:18 hd
- Optymalizacja uczenia przez standaryzację danych uczących 0:11:15 hd
- Model perceptronu z scikit-learn 0:14:50 hd
- PROJEKT - Perceptron w akcji - rozpoznawanie ręcznie pisanych cyfr 0:08:29 hd