scikit learn videos

Введение в машинное обучение с помощью scikit-learn

В этой серии видеороликов вы узнаете, как решать задачи машинного обучения с помощью популярной библиотеки Python scikit-learn. Есть 10 видеоуроков общей продолжительностью 4,5 часа, каждому из которых соответствует блокнот Jupyter .

Вы можете посмотреть всю серию на YouTube и просмотреть все блокноты с помощью nbviewer.

Серия также доступна в виде бесплатного онлайн-курса, который включает обновленный контент, тесты и сертификат об окончании.

Примечание. Записные книжки в этом репозитории были обновлены для использования Python 3.9.1 и scikit-learn 0.23.2. В оригинальных блокнотах (показанных на видео) использовались Python 2.7 и scikit-learn 0.16, их можно скачать из ветки архива. Вы можете прочитать о том, как я обновил код, в этом сообщении блога.

Оглавление

1. Что такое машинное обучение и как оно работает? (видео, блокнот)

   • Что такое машинное обучение?
   • Каковы две основные категории машинного обучения?
   • Каковы примеры машинного обучения?
   • Как «работает» машинное обучение?

2. Настройка Python для машинного обучения: scikit-learn и Jupyter Notebook (видео, блокнот)

   • Каковы преимущества и недостатки scikit-learn?
   • Как мне установить scikit-learn?
   • Как использовать блокнот Jupyter?
   • Какие есть хорошие ресурсы для изучения Python?

3. Начало работы в scikit-learn со знаменитым набором данных радужной оболочки глаза (видео, блокнот)

   • Что представляет собой знаменитый набор данных радужной оболочки глаза и как он связан с машинным обучением?
   • Как загрузить набор данных радужной оболочки глаза в scikit-learn?
   • Как мы описываем набор данных, используя терминологию машинного обучения?
   • Каковы четыре ключевых требования scikit-learn для работы с данными?

4. Обучение модели машинного обучения с помощью scikit-learn (видео, блокнот)

   • Что такое модель классификации K-ближайших соседей?
   • Каковы четыре шага обучения модели и прогнозирования в scikit-learn?
   • Как применить этот шаблон к другим моделям машинного обучения?

5. Сравнение моделей машинного обучения в scikit-learn (видео, блокнот)

   • Как мне выбрать, какую модель использовать для задачи контролируемого обучения?
   • Как выбрать лучшие параметры настройки для этой модели?
   • Как оценить вероятную эффективность моей модели на данных за пределами выборки?

6. Конвейер обработки данных: pandas, seaborn, scikit-learn (видео, блокнот)

   • Как использовать библиотеку pandas для чтения данных в Python?
   • Как использовать библиотеку seaborn для визуализации данных?
   • Что такое линейная регрессия и как она работает?
   • Как мне обучить и интерпретировать модель линейной регрессии в scikit-learn?
   • Каковы некоторые показатели оценки задач регрессии?
   • Как мне выбрать, какие функции включить в мою модель?

7. Перекрестная проверка для настройки параметров, выбора модели и выбора функций (видео, ноутбук)

   • В чем недостаток использования процедуры разделения обучения/теста для оценки модели?
   • Как K-кратная перекрестная проверка преодолевает это ограничение?
   • Как можно использовать перекрестную проверку для выбора параметров настройки, выбора между моделями и выбора функций?
   • Каковы возможные улучшения перекрестной проверки?

8. Эффективный поиск оптимальных параметров настройки (видео, блокнот)

   • Как можно использовать K-кратную перекрестную проверку для поиска оптимального параметра настройки?
   • Как можно сделать этот процесс более эффективным?
   • Как искать несколько параметров настройки одновременно?
   • Что вы делаете с этими параметрами настройки, прежде чем делать реальные прогнозы?
   • Как можно уменьшить вычислительные затраты на этот процесс?

9. Оценка модели классификации (видео, блокнот)

   • Какова цель оценки модели и каковы некоторые общие процедуры оценки?
   • Каково использование точности классификации и каковы ее ограничения?
   • Как матрица путаницы описывает производительность классификатора?
   • Какие показатели можно вычислить из матрицы путаницы?
   • Как можно настроить производительность классификатора, изменив порог классификации?
   • Какова цель ROC-кривой?
   • Чем площадь под кривой (AUC) отличается от точности классификации?

10. Построение рабочего процесса машинного обучения (видео, блокнот)

    • Почему вам следует использовать конвейер?
    • Как вы кодируете категориальные функции с помощью OneHotEncoder?
    • Как применить OneHotEncoder к выбранным столбцам с помощью ColumnTransformer?
    • Как построить и перекрестно проверить конвейер?
    • Как вы делаете прогнозы по новым данным с помощью конвейера?
    • Почему для предварительной обработки следует использовать scikit-learn (а не pandas)?

Бонусное видео

На конференции PyCon 2016 я преподавал трехчасовое руководство , основанное на этой серии видео и посвященное текстовым данным . Вы можете посмотреть обучающее видео на YouTube.

Вот темы, которые я затронул:

1. Построение модели в scikit-learn (повторное обучение)
2. Представление текста в виде числовых данных
3. Чтение текстового набора данных в pandas
4. Векторизация нашего набора данных
5. Построение и оценка модели
6. Сравнение моделей
7. Изучение модели для дальнейшего понимания
8. Практика этого рабочего процесса на другом наборе данных
9. Настройка векторизатора (обсуждение)

Посетите этот репозиторий GitHub, чтобы получить доступ к учебным записным книжкам и многим другим рекомендуемым ресурсам.