[PYTHON] Amener l'apprentissage automatique à un niveau pratique en un mois # 1 (édition de départ)
introduction
J'ai reçu une période de recherche gratuite d'un mois de Company, alors j'ai commencé à étudier l'apprentissage automatique, ce qui m'intéressait depuis un certain temps. Comme c'est un gros problème, je garderai une trace de mon apprentissage. Aujourd'hui, le premier jour, il est devenu une référence désorganisée à la littérature et aux méthodes d'apprentissage pour l'apprentissage automatique.
Liste des articles précédents
Fixation d'objectifs
Nous avons fixé les objectifs pour un mois comme suit.
- Vous serez en mesure de proposer des solutions à de nouveaux problèmes en utilisant une approche d'apprentissage automatique.
- Vous pourrez faire des propositions pour remplacer le travail que les gens ont fait manuellement par un travail informatique.
- Mettez en pratique ce que vous avez proposé ou créez un projet qui peut être mis en pratique.
- Résolvez des problèmes simples qui sont réellement présents et utilisez-les comme résultat de recherches gratuites.
Préparation préalable
Tout d'abord, afin de passer ce court mois de manière significative, j'ai préparé des livres au lieu de la préparation avant la période de recherche gratuite.
Le livre que j'ai acheté (pas lu)
Le livre que j'ai acheté et lu
- Introduction à la science des données stratégiques
- Qu'est-ce que la science des données?
- Ce qui peut et ne peut pas être fait
- Utilité de la science des données
- Si vous le lisez en premier, vous vous sentirez plus excité avant d'étudier!
- (Si vous ne lisez pas ceci et êtes excité, cela ne convient pas.)
- Il est bon de le lire dans le sens de le juger.
- Programmation des connaissances agrégées
- Je l'ai lu il y a 8 ans, j'aimerais donc le revoir.
- À ce moment-là, j'ai même commencé Python pour lire ceci.
- Cette fois, je n'ai reconfirmé que la table des matières.
- Introduction à la théorie de l'apprentissage automatique pour les ingénieurs informatiques
- Laissez le titre. J'ai appris la théorie de l'apprentissage automatique de manière large et superficielle.
- Le mémo de lecture est devenu une liste de liens pour un apprentissage futur.
- De nombreux outils sont introduits, il est donc facile à pratiquer.
- Je résumerai les notes de lecture à la fin en annexe de cet article.
La recherche gratuite a enfin commencé
Et aujourd'hui, qui est le premier jour, je suis passé par divers sites et diapositives au hasard pour décider du type de cours à étudier.
La diapositive que j'ai vue
Le site que j'ai vu
Cours en ligne d'apprentissage automatique de l'Université de Stanford
Machine Learning - Stanford University | Coursera
Fini SEMAINE 1
- Le domaine de l'apprentissage automatique est de toute façon en demande!
- L'apprentissage automatique peut être globalement divisé en «apprentissage supervisé et apprentissage non supervisé».
- (Je suis intéressé à apprendre avec un enseignant pour le moment)
- L'apprentissage supervisé signifie que la bonne réponse est donnée.
- La liste des fonctionnalités peut être infiniment longue, mais il existe des algorithmes qui peuvent la gérer.
- Problème de régression => Prédiction de la sortie de valeur continue
- Problème de classification => Prédiction de la sortie de valeur discrète
- Choisissez Octave comme langue à utiliser lors de l'apprentissage de l'apprentissage automatique!
- Apprentissage le plus rapide de l'apprentissage automatique avec Octave dans les réalisations passées
- Que Python.
- Python J'essayais de préparer diverses choses ...
- Impressions après avoir terminé la SEMAINE 1
- Environ 3 heures par SEMAINE.
- Si vous le faites selon le calendrier, cela prendra jusqu'à environ mars
- Si vous faites de votre mieux, vous pourrez avancer 1 SEMAINE le matin et une autre SEMAINE l'après-midi.
- Le contenu est similaire à "Introduction à la théorie de l'apprentissage automatique pour les ingénieurs informatiques"
- Cependant, il est facile à comprendre car il explique plus lentement et en détail.
A partir de demain, nous organiserons ce cours d'apprentissage automatique à Stanford. Il semble qu'il y ait jusqu'à SEMAINE 11, et même si vous en faites une le matin et une l'après-midi, cela se terminera dans une semaine, alors j'aimerais terminer ce cours avant Noël et en avoir une idée.
Ensuite, lorsque j'essaie de bouger ma main, je ne veux pas changer de contexte parce que je tombe sur quelque chose qui n'est pas essentiel, alors je vais passer en revue l'environnement d'apprentissage automatique en Python et créer l'environnement le plus solide demain. J'ai pensé, mais je dois aussi créer un environnement Octave.
Que faire demain
appendice
Introduction à la théorie de l'apprentissage automatique
Aperçu
Introduction à la théorie de l'apprentissage automatique pour les ingénieurs informatiques
Société d'examen technique
Etsuji Nakai
Classification des algorithmes d'apprentissage automatique
- Classification: algorithme qui produit un jugement de classe
- Analyse de régression: algorithme de prédiction des valeurs numériques
- Clustering: un algorithme de regroupement non supervisé
- Autre (non traité)
- Correspondance similaire
- Analyse de co-occurrence
- Prédiction de lien
Examiner les termes
- Méthode du carré minimum
- Ensemble de formation, variables de fonctionnalités, variables d'objectifs
- Approximation polygonale, fonction d'erreur
- Problème de surajustement
- Méthode d'estimation la plus probable
- Définition de la probabilité de génération de données
- Évaluation des paramètres (paramètre qui maximise la probabilité)
- Évaluation de la quantité estimée (correspondance positive et universalité)
- Perceptron
- Équation de ligne droite qui divise le plan
- Évaluation des résultats de classification par fonction d'erreur
- Méthode de descente de gradient probabiliste -> Modification des paramètres par vecteur de gradient
- Interprétation géométrique
- Arbitraire du terme de biais et vitesse de convergence de l'algorithme
- Interprétation géométrique / Signification géométrique du terme de biais
- Régression logistique
- Définition de la probabilité d'occurrence des données
- Détermination des paramètres par la méthode d'estimation la plus probable
- Courbe ROC
- Application de la régression logistique à des problèmes réels
- Évaluation des performances par courbe ROC
- Méthode IRLS
- k signifie?
- Bases du modèle d'apprentissage non supervisé
- Algorithme EM
- Modèle d'apprentissage non supervisé par la méthode d'estimation la plus probable
- Distribution Bernui
- Distribution mixte Bernui
- Clustering avec algorithme EM
- Estimation bayésienne
- Théorème de Bayes
- Application de l'estimation bayésienne à l'analyse de régression
Outil d'analyse des revues
Autres ouvrages de référence