- 21
- 97 237
Машинное обучение
Russia
Registrace 14. 10. 2011
Занятие 20. Временные ряды
www.dmitrymakarov.ru/intro/time-series-20/
Временной ряд - это данные, последовательно собранные в регулярные промежутки времени.
На сегодняшнем занятии мы:
- подробно разберем понятие временного ряда и его отличие от обычных данных
- посмотрим на возможности библиотеки Pandas по работе с временными рядами
- разложим временной ряд на компоненты
- научимся определять стационарность данных и строить графики автокорреляции
- начнем прогнозировать временные ряды с помощью модели экспоненциального сглаживания и моделей семейства ARMA
Код к этому занятию вы найдете по ссылке: colab.research.google.com/drive/1ldk-Edy1UDv3-SZAr42rRzK6bQ6aLnGJ?usp=sharing
Временной ряд - это данные, последовательно собранные в регулярные промежутки времени.
На сегодняшнем занятии мы:
- подробно разберем понятие временного ряда и его отличие от обычных данных
- посмотрим на возможности библиотеки Pandas по работе с временными рядами
- разложим временной ряд на компоненты
- научимся определять стационарность данных и строить графики автокорреляции
- начнем прогнозировать временные ряды с помощью модели экспоненциального сглаживания и моделей семейства ARMA
Код к этому занятию вы найдете по ссылке: colab.research.google.com/drive/1ldk-Edy1UDv3-SZAr42rRzK6bQ6aLnGJ?usp=sharing
zhlédnutí: 9 946
Video
Занятие 21. Основы нейронных сетей
zhlédnutí 3KPřed 2 lety
www.dmitrymakarov.ru/intro/neural-21/ На завершающем занятии вводного курса мы разберем основы нейронных сетей. На занятии мы: - Рассмотрим структуру и принцип работы нейронной сети - Построим простую нейросеть, предсказывающую пол человека по его росту и весу - Узнаем, что такое прямое и обратное распространение и как происходит обучение нейронной сети - Создадим полноценную модель нейронной с...
Занятие 19. Обработка естественного языка
zhlédnutí 2,1KPřed 2 lety
www.dmitrymakarov.ru/intro/topic-identification-19/ Обработка естественного языка позволяет, в частности, решать задачи выявления содержания текста, определения схожести двух документов, а также разделения документов по темам. Именно этим мы и займемся на сегодняшнем занятии. Темы занятия: - предварительная обработка текста - метод мешка слов (bag of words) - метод tf-idf - расчет косинусного р...
Занятие 18. Компьютерное зрение
zhlédnutí 2,2KPřed 2 lety
www.dmitrymakarov.ru/intro/cv-18/ Компьютерное зрение позволяет анализировать цифровые фото и видео изображения и строить модели на основе этого анализа. На занятии мы обсудим как устроено цифровое изображение, посмотрим на способы его обработки в Питоне, а также создадим модель классификации изображений написанных от руки цифр из датасета MNIST. Код к этому занятию вы найдете по ссылке: colab....
Занятие 17. Рекомендательная система
zhlédnutí 7KPřed 3 lety
www.dmitrymakarov.ru/intro/recommender-17/ Рекомендательные системы позволяют подобрать наиболее подходящий потребителю товар, услугу или контент. Сегодня мы рассмотрим три типа таких систем: основанную на популярности, содержании и, наиболее продвинутую, коллаборативную систему. На практической части занятия мы создадим коллаборативную рекомендательную систему для онлайн кинотеатра. Код к этом...
Занятие 16. Кластерный анализ в Scikit-learn
zhlédnutí 4,4KPřed 3 lety
www.dmitrymakarov.ru/intro/clustering-16/ Кластерный анализ позволяет разбить на группы изначально неструктурированные или неразмеченные данные. Этот тип алгоритмов относится к машинному обучению без учителя. Сегодня мы с помощью метода k-средних (k-means) выясним сколько видов цветов ириса содержится в классическом датасете iris библиотеки sklearn. Код и упражнения к занятию вы найдете по ссыл...
Занятие 15. Классификация в Scikit-learn
zhlédnutí 7KPřed 3 lety
www.dmitrymakarov.ru/intro/classification-15/ Задачи классификации позволяют отнести объекты к определенному заранее известному классу. На этом занятии мы продолжим пользоваться библиотекой Scikit-learn и обучим алгоритм распознавать злокачественные и доброкачественные опухоли. Соответствующий медицинский набор данных взят из модуля datasets этой же библиотеки. Код и упражнения к занятию вы най...
Занятие 14. Линейная регрессия в Scikit-learn
zhlédnutí 10KPřed 3 lety
www.dmitrymakarov.ru/intro/regression-14/ Сегодня мы наконец-то перейдем к практике и построим нашу первую полноценную модель - модель линейной регрессии. Для этого мы воспользуемся алгоритмом регрессии популярной библиотеки Scikit-learn. Мы будем использовать классический набор данных о недвижимости в Бостоне, который также содержится в упомянутой библиотеке в модуле datasets и попросим модель...
Занятие 11. Оптимизация: поиск весов
zhlédnutí 3KPřed 3 lety
www.dmitrymakarov.ru/intro/optimization-11/ Оптимальные веса модели машинного обучения подбираются с помощью функции потерь, а точнее через минимизацию ее значения. На этом занятии мы посмотрим как компьютер минимизирует функцию потерь и познакомимся с библиотекой Scikit-learn. Код и упражнения к занятию вы найдете по ссылке: colab.research.google.com/drive/1hJhEvJMoGIWFRGs9G8OKKXPlvmk7mluv?usp...
Занятие 13. На каких данных обучать модель
zhlédnutí 2,6KPřed 3 lety
www.dmitrymakarov.ru/intro/train-test-13/ На тринадцатом занятии мы поговорим с вами о том, почему не стоит обучать и проверять качество модели на одних и тех же данных. Затем мы научимся разделять выборку на обучающую и тестовую части с помощью функции train_test_split библиотеки sklearn. В конце занятия мы повторим первые два раздела курса и подготовимся к решению практических задач. Код и уп...
Занятие 12. Векторы и матрицы
zhlédnutí 2,8KPřed 3 lety
www.dmitrymakarov.ru/intro/vectors-12/ Сегодня мы поговорим о том, что данные удобно представить в форме векторов и матриц. Это позволяет, среди прочего, находить скалярное произведение двух векторов и вычислять их косинусное сходство. Код и упражнения к занятию вы найдете по ссылке: colab.research.google.com/drive/1qSKivfZTW_v5UHZG5I5VRNjFi9gTVT03?usp=sharing
Занятие 10. Взаимосвязь переменных
zhlédnutí 3KPřed 3 lety
www.dmitrymakarov.ru/intro/relationship-10/ На этом занятии мы узнаем, что между переменными может существовать взаимосвязь. Эту взаимосвязь можно увидеть на графике, а также измерить с помощью коэффициента корреляции. Кроме того, взаимосвязь переменных позволяет построить модель, в частности, модель линейной регрессии. Воспользовавшись такой моделью, можно спрогнозировать значение для нового д...
Занятие 8. Описательная статистика
zhlédnutí 4,5KPřed 3 lety
www.dmitrymakarov.ru/intro/stats-08/ На восьмом занятии мы узнаем, что такое описательная статистика и статистический вывод, познакомимся с категорийными и количественными данными, изучим столбчатую диаграмму и гистограмму как способы визуализации этих переменных, а также рассчитаем среднее арифметическое, медиану, моду и среднее квадратическое отклонение. Кроме того, я расскажу вам, почему не ...
Занятие 9. Статистический вывод
zhlédnutí 3,8KPřed 3 lety
www.dmitrymakarov.ru/intro/inference-09/ Сегодня мы познакомимся с понятиями выборки и генеральной совокупности, узнаем о теоретическом обосновании, позволяющем сделать статистически значимый вывод о параметре генеральной совокупности, а также рассмотрим два практических инструмента: доверительный интервал и статистическую проверку гипотезы. Код и упражнения к занятию вы найдете по ссылке: cola...
Занятие 7. Анализируем данные и строим графики
zhlédnutí 3,8KPřed 3 lety
www.dmitrymakarov.ru/intro/data-and-plots-07/ Мы наконец-то начинаем анализ данных с помощью Питона. На седьмом занятии мы изучим две ключевые библиотеки для анализа данных, Pandas и Matplotlib. На следующем, восьмом занятии мы приступим к изучению описательной статистики и наполним полученные технические знания математическим смыслом. Код и упражнения к занятию вы найдете по ссылке: colab.rese...
Занятие 4. Основы программирования на Питоне
zhlédnutí 3KPřed 3 lety
Занятие 4. Основы программирования на Питоне