Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Comment fonctionne réellement ChatGPT
Comment fonctionne réellement ChatGPT
ChatGPT est un modèle d'apprentissage automatique capable d'identifier correctement le contenu préjudiciable dans les conversations de chat. Son architecture est basée sur l'apport humain, et ses lacunes sont soulignées. Des lectures recommandées sont également fournies.
Apprentissage automatique à partir de zéro Cours complet
Apprentissage automatique à partir de zéro Cours complet
Implémenter vous-même des modèles d'apprentissage automatique est l'un des meilleurs moyens de les maîtriser. Bien que cela semble être une tâche difficile, c'est souvent plus facile que vous ne l'imaginez pour la plupart des algorithmes. Au cours des 10 prochains jours, nous utiliserons Python et occasionnellement Numpy pour des calculs spécifiques afin de mettre en œuvre un algorithme d'apprentissage automatique chaque jour.
Vous pouvez trouver le code dans notre dépôt GitHub : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch
Comment implémenter KNN à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/01%20KNN
Comment implémenter KNN à partir de zéro avec Python
Dans la vidéo intitulée "Comment implémenter KNN à partir de zéro avec Python", l'orateur explique comment créer un classificateur KNN à partir de zéro en utilisant Python. Ils couvrent les étapes impliquées dans la mise en œuvre de l'algorithme, telles que le calcul de la distance entre le nouveau point de données et d'autres points de l'ensemble de données, la sélection des k points les plus proches et la détermination de l'étiquette de classification ou de la moyenne de régression. L'orateur implémente l'algorithme à l'aide d'une classe en Python et démontre son implémentation réussie sur l'ensemble de données iris avec un taux de précision de 96 %. Ils invitent également les téléspectateurs à consulter le code sur leur référentiel Github et à poser des questions dans la section des commentaires.
Comment implémenter la régression linéaire à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/02%20Linear%20Regression
Comment implémenter la régression linéaire à partir de zéro avec Python
Cette vidéo couvre le processus de mise en œuvre de la régression linéaire à partir de zéro à l'aide de Python. L'orateur explique comment trouver la meilleure ligne d'ajustement en utilisant l'erreur quadratique moyenne et comment calculer les poids et les biais avec la descente de gradient. L'orateur explique également comment le taux d'apprentissage affecte la convergence et montre comment tester le modèle à l'aide de la fonction d'ensemble de données de scikit-learn. Ils corrigent également une faute de frappe dans le code et ajustent le taux d'apprentissage pour améliorer l'ajustement de la ligne de prédiction. Le code est partagé sur GitHub et les spectateurs sont invités à poser des questions.
le résultat et l'erreur de l'équation sont calculés, ce qui facilite l'utilisation de la multiplication matricielle avec tous les points de données pour calculer les gradients. Pendant les tests, un modèle entraîné prédit les résultats à l'aide de l'équation.
Comment implémenter la régression logistique à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/03%20Logistic%20Regression
Comment implémenter la régression logistique à partir de zéro avec Python
La vidéo explique comment implémenter la régression logistique à partir de zéro avec Python, en utilisant la fonction sigmoïde pour créer des probabilités et une entropie croisée comme fonction d'erreur. L'instructeur partage des instructions étape par étape pour calculer les prédictions, les gradients et mettre à jour les biais par itérations. Ils montrent également comment charger un ensemble de données sur le cancer du sein et former le classificateur de régression logistique pour prédire si une tumeur est maligne ou bénigne. La vidéo se termine par l'évaluation de la précision du modèle à l'aide d'une fonction personnalisée. Dans l'ensemble, l'implémentation est réussie et prouve que l'algorithme de régression logistique fonctionne bien.
Comment implémenter Random Forest à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/05%20Random%20Forests
Comment implémenter Random Forest à partir de zéro avec Python
Ce didacticiel vidéo explique comment implémenter des forêts aléatoires à partir de zéro avec Python. Pendant la formation, un sous-ensemble aléatoire de l'ensemble de données est sélectionné et un arbre de décision est créé avec ce sous-ensemble. Ce processus est répété pour le nombre d'arbres déterminé avant de commencer l'algorithme. Lors de l'inférence, la prédiction est obtenue à partir de chaque arbre, et s'il s'agit d'une classification, le vote majoritaire de l'étiquette de classe est pris. L'orateur montre comment l'implémenter en créant une liste en y répartissant les arbres de décision et en l'ajoutant à un tableau Numpy. La précision peut être calculée en utilisant le nombre de valeurs vraies correctement prédites divisé par le nombre total de valeurs vraies. L'orateur parle également du nombre d'arbres, de la profondeur maximale et de la répartition minimale de l'échantillon pouvant être modifiés pour obtenir une plus grande précision.
Comment implémenter Naive Bayes à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/06%20NaiveBayes
Comment implémenter Naive Bayes à partir de zéro avec Python
Ce didacticiel vidéo se concentre sur la mise en œuvre de Naive Bayes à partir de zéro à l'aide de Python. L'instructeur donne un aperçu du théorème de Bayes et de l'hypothèse d'indépendance. Ils expliquent comment calculer la probabilité a priori et la probabilité conditionnelle de classe, nécessaires à l'apprentissage de l'algorithme. L'orateur introduit également la distribution gaussienne comme moyen de modéliser les probabilités. La vidéo montre les étapes d'entraînement et de prédiction de l'algorithme avec code. L'instructeur teste l'algorithme sur un ensemble de données de jouet avec deux classes, obtenant une précision de 96,5 %. Dans l'ensemble, ce didacticiel est une ressource utile pour ceux qui souhaitent apprendre Naive Bayes et l'implémenter en Python.
Comment implémenter PCA (Principal Component Analysis) à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/07%20PCA
Comment implémenter PCA (Principal Component Analysis) à partir de zéro avec Python
La vidéo explique le processus de mise en œuvre de l'analyse en composantes principales (ACP) à partir de zéro en utilisant Python et Numpy. L'ACP est une technique qui réduit la dimensionnalité d'un ensemble de données tout en conservant la plupart des informations. L'instructeur parcourt les étapes de création d'une classe Python avec des méthodes d'ajustement et de transformation pour effectuer une ACP sur un ensemble de données. La méthode d'ajustement calcule d'abord la moyenne et la covariance des données et extrait les vecteurs propres et les valeurs propres. La méthode de transformation projette ensuite les données sur les composantes principales. L'orateur souligne l'importance de soustraire les moyennes et de trier les vecteurs propres dans le processus. Enfin, la mise en œuvre est testée sur l'ensemble de données Iris, ce qui aboutit à une réduction réussie de la dimensionnalité de quatre à deux dimensions.
Comment implémenter Perceptron à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/08%20Perceptron
Comment implémenter Perceptron à partir de zéro avec Python
Le didacticiel vidéo explique la théorie derrière l'algorithme Perceptron, qui ne peut apprendre que des modèles linéairement séparables pour la classification binaire à l'aide d'une fonction d'activation, de pondérations et d'une entrée. Le présentateur décrit ensuite les étapes nécessaires pour implémenter le modèle Perceptron à partir de zéro en Python en sélectionnant le taux d'apprentissage et le nombre d'itérations pour l'algorithme d'optimisation et en définissant la fonction d'activation comme fonction d'étape unitaire. Après avoir initialisé les poids et les biais, le modèle apprend à partir des données d'apprentissage en mettant à jour les poids et les biais selon la règle de mise à jour Perceptron. Enfin, le présentateur évalue la précision du modèle en prédisant les étiquettes de classe pour les données de test, et la précision s'avère être de 100 %, indiquant un apprentissage réussi de la limite de décision.
Comment implémenter SVM (Support Vector Machine) à partir de zéro avec Python
Code : https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/09%20SVM
Comment implémenter SVM (Support Vector Machine) à partir de zéro avec Python
Les machines à vecteurs de support (SVM) visent à trouver une frontière de décision linéaire qui maximise la séparation entre les classes, le poids étant appris pendant la formation. La fonction de coût implique une perte charnière déterminant à quelle distance nous sommes du bon côté de la frontière de décision, avec un terme de régularisation ajouté au compromis minimisant la perte et maximisant la distance. Les gradients sont calculés, les règles de mise à jour dérivées et les poids initialisés, tandis que la fonction de prédiction est la sortie de la fonction linéaire. Le code pour implémenter SVM à partir de zéro en Python à l'aide des bibliothèques NumPy et Scikit-learn est fourni, y compris le test et la division du train d'importation, les ensembles de données et le traçage de la limite de décision et des deux hyperplans confirmant une implémentation précise.