| ← Ноябрь 2024 | ||||||
|
1
|
2
|
3
|
||||
|---|---|---|---|---|---|---|
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
|
11
|
12
|
13
|
14
|
15
|
16
|
17
|
|
18
|
19
|
20
|
21
|
22
|
23
|
24
|
|
25
|
26
|
27
|
28
|
29
|
30
|
|
За последние 60 дней ни разу не выходила
Сайт рассылки:
http://thiord.com/notes/index.php?show=541
Открыта:
31-12-2011
Рассылка посвящена практическому введению в "Машинное обучение", т.е. алгоритмам, которые обучаются на наборе данных, после чего могут уже сами делать полезные выводы.
- Например:
- Какая средняя цена данного автомобиля, сколько времени уйдёт на его
продажу при этой цене? А сколько времени уйдёт, если цену поднять на 5%, а
если опустить на 5%?
- Какие типы интересов есть у посетителей вашего сайта, как выделить
этих посетителей, и что лучше предложить каждому из них?
- Похоже ли сообщение на форуме на спам или флуд или на полезное
сообщение?
- На сколько вырастит посещаемость за 3 месяца, если будет расти в таком
же темпе, как в последнее время?
- Является ли пришедшее СМС спамом?
- И многие-многие другие...
В нашей жизни становится всё больше данных, и умение обрабатывать их и извлекать практическую пользу становится полезно, как никогда. При этом базовые алгоритмы довольно просты. Именно поэтому нам кажется полезным освоить базовые принципы, ведь они могут пригодиться вам в очень многих задачах.
Самое главное в данной рассылке: мы будем ориентироваться на практическую реализацию алгоритмов. Соответственно для полной вовлечённости вам потребуется умение программировать. Результат, уверен, вас порадует: вы найдёте немало возможностей применять обучающие алгоритмы, а главное, у вас уже будут работающие модели и отличное практическое понимание, как она работает, и соответственно, как её "допилить" под свои нужды. Это действительно очень увлекательно!
Так же будем рады вашим примерам, задачам и исходным данным, на которых мы сможем разобрать работу алгоритмов. Живой пример, позволит гораздо глубже понять все подводные камни, а их в данной теме немало.
Итак, приглашаем вас в увлекательный, удивительно простой внешне и многогранный внутри мир компьютерного обучения!
Статистика
0 за неделю
Машинное обучение на практике (пишем обучающиеся алгормы)
Введение в Python Осваиваем Python Для реализации алгоритмов мы будем использовать Python 2.7 и математическую библиотеку SciPy. Почему именно они? И почему стоит их изучить? Python - это один из наиболее современных языков, как пишут его авторы: с акцентом на читаемость кода и удобство разработки. Таким образом все конструкции предельно просты и понятны, и если вы знаете любой другой язык программирования, то легко освоите Python. Код получается компактным и понятным. При этом Python портирован на все осн...
Машинное обучение на практике (пишем обучающиеся алгормы)
Ищем минимум функции ошибки С прошлого выпуска у нас осталась задача: найти минимум функции Q(a0,a1. Мы будем использовать итерационный метод, т.е. шаг за шагом перебирать параметры a0 и a1, приближаясь к минимуму (примерно так, как я это делал вручную в предыдущем выпуске. Основной вопрос в том, как именно подбирать значения a0 и a1, чтобы они приближали нас к минимуму функции Q. Рассмотрим один из наиболее простых и универсальных методов. Метод градиентного спуска (gradient desent. Для простоты рассмотри...
Машинное обучение на практике (пишем обучающиеся алгормы)
Ну что ж, поехали. Начнём с самой простого алгоритма. Линейная регрессия. Пусть нам нужно вычислить ориентировочную стоимость аренды квартиры в зависимости от её площади (в определённом городе или районе, где цены более-менее однородны. Как решать задачу? Подход машинного обучения таков: нам нужны примеры обучающих данных о площади квартиры x и стоимости её аренды y, т.е. пары , где i - номер пары данных (например, при площади 30 м2 стоимость 20000, тогда x=30, y=20000. Взяв реальные данные из объявлений в...
Машинное обучение на практике (пишем обучающиеся алгормы)
Добрый день! В первом выпуске хочется подробнее рассказать про конкретные примеры машинного обучения. Начну с наиболее простых и понятных примеров. Пример 1. Предположим у нас есть данные о росте и весе большого числа различных людей. Исходя из этого можно построить модель: какой вес обычно соответствует данному росту. Пример 2. Предположим у нас есть база данных о продажах квартир: число комнат, площадь, район города, цена. Исходя из этих данных можно построить модель для предсказания средней цены на квар...
