100 Days Of ML Code
1.0.0
100 дней программирования с помощью машинного обучения, предложенное Сираджем Равалем
Получите наборы данных отсюда
Посмотрите код отсюда.
Проверьте код отсюда.
Проверьте код отсюда.
Переходя к #100DaysOfMLCode сегодня, я углубился в то, что на самом деле представляет собой логистическая регрессия и какие математические вычисления стоят за ней. Изучили, как рассчитывается функция стоимости, а затем как применять алгоритм градиентного спуска к функции стоимости, чтобы минимизировать ошибку прогнозирования.
Из-за меньшего количества времени я теперь буду публиковать инфографику через день. Также, если кто-то хочет помочь мне с документацией кода и уже имеет некоторый опыт в этой области и знает Markdown для GitHub, свяжитесь со мной в LinkedIn :).
Ознакомьтесь с кодом здесь
#100DaysOfMLCode Чтобы прояснить свои представления о логистической регрессии, я искал в Интернете какой-нибудь ресурс или статью и наткнулся на эту статью (https://towardsdatascience.com/logistic-reгрессия-detailed-overview-46c4da4303bc) Саишрути Сваминатана.
Он дает подробное описание логистической регрессии. Проверьте это.
Получил представление о том, что такое SVM и как он используется для решения проблемы классификации.
Узнайте больше о том, как работает SVM и о реализации алгоритма K-NN.
Реализован алгоритм классификации K-NN. #100DaysOfMLCode Инфографика машины опорных векторов наполовину завершена. Завтра обновлю.
Продолжая сегодня #100DaysOfMLCode, я рассмотрел наивный байесовский классификатор. Я также реализую SVM в Python, используя scikit-learn. Скоро обновлю код.
Сегодня я реализовал SVM на линейно связанных данных. Использована библиотека Scikit-Learn. В Scikit-Learn у нас есть классификатор SVC, который мы используем для решения этой задачи. В следующей реализации мы будем использовать трюк с ядром. Проверьте код здесь.
Изучили различные типы наивных байесовских классификаторов. Также начались лекции Bloomberg. Первым в плейлисте было «Машинное обучение черного ящика». Он дает полный обзор функций прогнозирования, извлечения признаков, алгоритмов обучения, оценки производительности, перекрестной проверки, систематической ошибки выборки, нестационарности, переобучения и настройки гиперпараметров.
С использованием библиотеки Scikit-Learn реализован алгоритм SVM вместе с функцией ядра, которая отображает точки наших данных в более высоком измерении для поиска оптимальной гиперплоскости.
Пройдена вся неделя 1 и неделя 2 за один день. Изучил логистическую регрессию как нейронную сеть.
Закончил 1 курс по специализации глубокого обучения. Реализовал нейросеть на питоне.
Начата лекция 1 из 18 курса машинного обучения Калифорнийского технологического института — CS 156 профессора Ясера Абу-Мостафы. По сути, это было введение к предстоящим лекциям. Он также объяснил алгоритм перцептрона.
Завершена первая неделя улучшения глубоких нейронных сетей: настройка гиперпараметров, регуляризация и оптимизация.
Просмотрел несколько руководств о том, как выполнять парсинг веб-страниц с помощью Beautiful Soup, чтобы собрать данные для построения модели.
Лекция 2 из 18 курса машинного обучения Калифорнийского технологического института — CS 156 профессора Ясера Абу-Мостафы. Узнал о неравенстве Хёффдинга.
В лекции 3 курса Bloomberg ML были представлены некоторые основные понятия, такие как пространство ввода, пространство действий, пространство результатов, функции прогнозирования, функции потерь и пространства гипотез.
Проверьте код здесь.
Нашёл на YouTube потрясающий канал 3Blue1Brown. В нем есть плейлист под названием «Сущность линейной алгебры». Начал с создания 4 видеороликов, которые дали полный обзор векторов, линейных комбинаций, интервалов, базисных векторов, линейных преобразований и умножения матриц.
Ссылка на плейлист здесь.
В продолжение плейлиста завершены следующие 4 видеоролика, посвященные темам: 3D-преобразования, определители, обратная матрица, пространство столбцов, нулевое пространство и неквадратные матрицы.
Ссылка на плейлист здесь.
В плейлисте 3Blue1Brown пополнились еще 3 видео из сути линейной алгебры. Темами обсуждения были скалярное произведение и перекрестное произведение.
Ссылка на плейлист здесь.
Доделал сегодня весь плейлист, видео 12-14. Действительно потрясающий плейлист, чтобы освежить понятия линейной алгебры. Рассматриваемые темы включали изменение базиса, собственные векторы и собственные значения, а также абстрактные векторные пространства.
Ссылка на плейлист здесь.
Завершаем плейлист - Сущность линейной алгебры от 3blue1brown. На YouTube появилось предложение снова сделать серию видеороликов на том же канале 3Blue1Brown. Будучи уже впечатленным предыдущей серией по линейной алгебре, я сразу же погрузился в нее. Снял около 5 видеороликов по таким темам, как производные, правило цепочки, правило произведения и производная экспоненты.
Ссылка на плейлист здесь.
Посмотрел 2 видео по теме Implicit Diffrentiation and Limits из плейлиста Essence of Calculus.
Ссылка на плейлист здесь.
Просмотрел оставшиеся 4 видеоролика, посвященные таким темам, как интеграция и производные более высокого порядка.
Ссылка на плейлист здесь.
Проверьте код здесь.
Удивительное видео о нейронных сетях от YouTube-канала 3Blue1Brown. Это видео дает хорошее представление о нейронных сетях и использует набор рукописных цифр для объяснения этой концепции. Ссылка на видео.
Вторая часть нейросетей от youtube-канала 3Blue1Brown. В этом видео интересно объясняются концепции градиентного спуска. 169 обязательно посмотрите и настоятельно рекомендую. Ссылка на видео.
Третья часть нейросетей от youtube-канала 3Blue1Brown. В этом видео в основном обсуждаются частные производные и обратное распространение ошибки. Ссылка на видео.
Четвертая часть нейронных сетей от YouTube-канала 3Blue1Brown. Целью здесь является представление, в несколько более формальных терминах, интуитивного понимания того, как работает обратное распространение ошибки, и в видео в основном обсуждаются частные производные и обратное распространение ошибки. Ссылка на видео.
Ссылка на видео.
Ссылка на видео.
Ссылка на видео.
Ссылка на видео.
Перешел на обучение без учителя и изучил кластеризацию. Работаю над своим сайтом, загляните на avikjain.me. Также нашел замечательную анимацию, которая поможет легко понять кластеризацию K - Means.
Реализована кластеризация K означает. Проверьте код здесь.
Получил новую книгу Дж. К. ВандерПласа «Python Data Science Handbook». Проверьте блокноты Jupyter здесь.
Начал с главы 2: Введение в Numpy. Охвачены такие темы, как типы данных, массивы Numpy и вычисления на массивах Numpy.
Проверьте код -
Введение в NumPy
Понимание типов данных в Python
Основы массивов NumPy
Вычисления на массивах NumPy: универсальные функции
Глава 2: Агрегации, сравнения и трансляция
Ссылка на блокнот:
Агрегации: мин, макс и все, что между ними
Вычисления на массивах: вещание
Сравнения, маски и булева логика
Глава 2: Необычное индексирование, сортировка массивов, структурированные данные
Ссылка на блокнот:
Необычное индексирование
Сортировка массивов
Структурированные данные: структурированные массивы NumPy
Глава 3: Манипулирование данными с помощью Pandas
Охвачены различные темы, такие как объекты Pandas, индексирование и выбор данных, работа с данными, обработка отсутствующих данных, иерархическое индексирование, ConCat и добавление.
Ссылка на блокноты:
Манипулирование данными с помощью Pandas
Знакомство с объектами Pandas
Индексирование и выбор данных
Работа с данными в Pandas
Обработка недостающих данных
Иерархическое индексирование
Объединение наборов данных: объединение и добавление
Глава 3: Выполнены следующие темы: «Слияние и объединение», «Агрегация и группировка» и «Сводные таблицы».
Объединение наборов данных: объединить и объединить
Агрегация и группировка
Сводные таблицы
Глава 3. Операции с векторизованными строками, работа с временными рядами
Ссылки на блокноты:
Векторизованные строковые операции
Работа с временными рядами
Высокопроизводительные Pandas: eval() и query()
Глава 4. Визуализация с помощью Matplotlib. Изучены простые линейные графики, простые диаграммы рассеяния, а также графики плотности и контурные графики.
Ссылки на блокноты:
Визуализация с помощью Matplotlib
Простые линейные графики
Простые диаграммы рассеяния
Визуализация ошибок
Графики плотности и контуров
Глава 4. Визуализация с помощью Matplotlib. Узнайте о гистограммах, о том, как настраивать легенды графиков, цветные полосы и создавать несколько подграфиков.
Ссылки на блокноты:
Гистограммы, биннинги и плотность
Настройка легенды графика
Настройка цветовых полос
Несколько подзаголовков
Текст и аннотации
Глава 4. Описано построение трехмерных графиков в Mathplotlib.
Ссылки на блокноты:
Трехмерное построение в Matplotlib
Изучал иерархическую кластеризацию. Взгляните на эту удивительную визуализацию.
