Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Lezione 9. Comprensione dei dati sperimentali
9. Comprensione dei dati sperimentali
In questa conferenza, il professor Eric Grimson discute il processo di comprensione dei dati sperimentali, dalla raccolta dei dati all'utilizzo di modelli per fare previsioni. Usa l'esempio di una molla per dimostrare l'importanza della precisione della misurazione quando si prevedono relazioni lineari ed esplora diversi metodi per misurare la bontà dell'adattamento. Grimson introduce il concetto di regressione lineare e adattamenti polinomiali, sottolineando che un valore elevato di r-quadrato non significa necessariamente che un polinomio di ordine superiore sia la scelta migliore. Grimson utilizza il codice per ottimizzare su uno spazio a 16 dimensioni, lasciando la scelta se utilizzare o meno questo adattamento polinomiale per la lezione successiva.
Lezione 10. Comprensione dei dati sperimentali (continua)
10. Comprensione dei dati sperimentali (continua)
In questa sezione del video, il presentatore sottolinea l'importanza di trovare il modello giusto per adattare i dati sperimentali, evitando anche l'overfitting. Vengono discussi diversi metodi, come l'utilizzo della convalida incrociata per determinare il giusto equilibrio tra complessità del modello ed efficacia nella previsione di nuovi dati. Il relatore fornisce esempi di adattamento di modelli di ordini diversi a dati sperimentali e dimostra gli effetti dell'overfitting aggiungendo rumore ai set di dati. Il valore R-quadrato viene anche introdotto come strumento per determinare quanto bene un modello si adatta ai dati. Nel complesso, viene evidenziata l'importanza di bilanciare la complessità del modello e l'efficacia nella previsione di nuovi dati.
Lezione 11. Introduzione al Machine Learning
11. Introduzione all'apprendimento automatico
Il video discute il concetto di apprendimento automatico, come funziona e due modi comuni per farlo: apprendimento supervisionato e non supervisionato. Prosegue poi mostrando un esempio di apprendimento supervisionato: addestramento di una macchina per prevedere la posizione di nuovi giocatori di calcio in base alla loro altezza e peso.
Lezione 12. Raggruppamento
12. Raggruppamento
Questo video esamina il concetto di raggruppare i punti dati in gruppi. Spiega come eseguire il clustering utilizzando l'algoritmo k-mean e come ottimizzare l'algoritmo per la velocità. Discute anche come utilizzare il clustering per diagnosticare i problemi con i dati.
Lezione 13. Classificazione
13. Classificazione
Questo video copre diversi metodi di classificazione tra cui il vicino più vicino, i vicini K più vicini (KNN) e la regressione logistica. Il presentatore dimostra KNN utilizzando esempi di classificazione degli animali e riconoscimento della grafia e spiega come evita dati rumorosi per fornire risultati più affidabili. Introducono il set di dati Titanic e spiegano l'importanza di trovare il giusto equilibrio quando si utilizzano metriche come la sensibilità e la specificità per valutare le prestazioni di un modello di classificazione. Inoltre, il video illustra due metodi di test, il sottocampionamento casuale ripetuto e senza esclusione, e come applicarli alla classificazione KNN. Infine, il relatore spiega perché la regressione logistica è preferita alla regressione lineare per i problemi di classificazione, evidenziando la sua capacità di assegnare pesi diversi a variabili diverse e fornire approfondimenti sulle variabili attraverso i pesi delle caratteristiche.
Lezione 14. Classificazione e peccati statistici
14. Classificazione e peccati statistici
Questo video di YouTube discute varie classificazioni e peccati statistici che possono portare a conclusioni errate. Un punto chiave è l'importanza di comprendere le intuizioni che si possono ottenere dallo studio dei modelli di apprendimento automatico, poiché l'interpretazione dei pesi delle variabili nella regressione logistica può essere fuorviante, soprattutto quando le funzionalità sono correlate. Il video sottolinea inoltre l'importanza di valutare le prestazioni dei classificatori utilizzando l'area sotto la curva delle caratteristiche operative del ricevitore (AUROC) ed evitando la tentazione di abusare dei numeri. Inoltre, viene evidenziata l'importanza di esaminare i dati ed evitare il campionamento non rappresentativo, poiché questi possono portare a peccati statistici come Garbage In, Garbage Out (GIGO) e bias di sopravvivenza.
MIT 6.0002 Introduzione al pensiero computazionale e alla scienza dei dati, autunno 2016. Lezione 15. Statistical Sins and Wrap Up
15. Peccati statistici e conclusione
In questo video, John Guttag discute i tre principali tipi di errori statistici e fornisce un esempio di come ciascuno di essi possa portare a false conclusioni. Esorta gli studenti a essere consapevoli del tipo di dati che stanno guardando e ad utilizzare un intervallo appropriato per assicurarsi che le loro conclusioni siano accurate.
Corso accelerato di deep learning per principianti
Corso accelerato di deep learning per principianti
Questo video offre un corso accelerato sull'apprendimento approfondito, incentrato sugli algoritmi di apprendimento supervisionato e non supervisionato. Copre i concetti chiave di ciascun approccio, inclusi modello, stato, ricompensa, politica e valore. Il principale svantaggio dei modelli di deep learning è che possono essere adattati eccessivamente ai dati di addestramento, con conseguente scarsa generalizzazione. Vengono discusse le tecniche per combattere l'overfitting, tra cui l'abbandono e l'aumento del set di dati. Questo corso introduttivo sul deep learning fornisce una panoramica generale dell'argomento, evidenziando l'importanza delle reti neurali e del Dropout. Spiega anche come ridurre l'overfitting comprendendo le basi del deep learning.
Come funzionano le reti neurali profonde - Corso completo per principianti
Come funzionano le reti neurali profonde - Corso completo per principianti
00:00:00 - 01:00:00 Il video "How Deep Neural Networks Work - Full Course for Beginners" offre una spiegazione completa del funzionamento delle reti neurali, dalle equazioni di regressione lineare di base alle complesse reti neurali convoluzionali utilizzate nel riconoscimento delle immagini. L'istruttore utilizza esempi e ausili visivi per spiegare il funzionamento delle reti neurali, incluso il modo in cui gli strati di nodi eseguono somme ponderate e schiacciamenti per produrre output, il processo di backpropagation per regolare i pesi e ridurre al minimo gli errori e il concetto di reti neurali convoluzionali per riconoscere i modelli nelle immagini. Il video copre anche argomenti come funzioni logistiche, perceptron multistrato e l'uso di più funzioni di output per creare classificatori.
01:00:00 - 02:00:00 Il corso su come funzionano le reti neurali profonde per principianti copre diversi argomenti relativi al funzionamento delle reti neurali. L'istruttore del corso discute la convoluzione, il raggruppamento e la normalizzazione e come sono impilati insieme per formare una rete neurale profonda. La backpropagation è anche spiegata come un processo utilizzato per regolare i pesi della rete per la riduzione degli errori. Il corso copre anche l'uso di vettori, gating, funzioni di schiacciamento e reti neurali ricorrenti nella traduzione da sequenza a sequenza. L'istruttore fornisce esempi di come le reti LSTM prevedono la parola successiva in una frase e come sono utili nei sistemi robotici identificando i modelli nel tempo. Infine, il video spiega come le reti neurali vengono addestrate utilizzando la discesa del gradiente con backpropagation per regolare i pesi e ridurre l'errore.
02:00:00 - 03:00:00 Il video "How Deep Neural Networks Work - Full Course for Beginners" discute le prestazioni delle reti neurali in vari scenari, confrontandole con l'intelligenza a livello umano. Il docente introduce una definizione scientifica di intelligenza come la capacità di fare bene molte cose e confronta le prestazioni e la generalità delle macchine e degli esseri umani su scala logaritmica. Il video copre argomenti come i limiti delle reti neurali convoluzionali nella classificazione delle immagini, il successo del deep learning nei giochi da tavolo e nella traduzione delle lingue, i limiti di generalità dei consiglieri e delle auto a guida autonoma e la crescente complessità dei robot umanoidi. Il video evidenzia l'impressionante aumento di intelligenza, generalità e prestazioni di AlphaZero e sostiene la necessità di concentrarsi sull'interazione fisica per creare algoritmi in grado di soddisfare una serie più generale di attività, avvicinandoci all'intelligenza a livello umano. Infine, l'istruttore spiega il processo di convoluzione, raggruppamento e normalizzazione nelle reti neurali convoluzionali per riconoscere schemi e fare previsioni accurate.
03:00:00 - 03:50:00 Questo video su come funzionano le reti neurali profonde guida un principiante attraverso il processo di categorizzazione delle immagini costruendo neuroni e strati che riconoscono i modelli nei valori di luminosità delle immagini. Il video copre il processo di ottimizzazione utilizzando la discesa del gradiente e diversi metodi di ottimizzazione come algoritmi genetici e ricottura simulata. L'istruttore spiega come ridurre al minimo l'errore e regolare i pesi attraverso la backpropagation e come ottimizzare gli iperparametri nelle reti neurali convoluzionali. Sebbene siano disponibili molti strumenti per la creazione di reti neurali, rimane importante una conoscenza approfondita della preparazione dei dati, dell'interpretazione e della scelta degli iperparametri.
Parte 1
Parte 2
Parte 3
Parte 4
Corso di Machine Learning per principianti (parti 1-4)
Corso di apprendimento automatico per principianti
00:00:00 - 01:00:00 In questo video di YouTube su un corso per principianti sull'apprendimento automatico, l'istruttore spiega le basi degli algoritmi di apprendimento automatico e le loro applicazioni nel mondo reale, coprendo sia gli aspetti teorici che quelli pratici. Il corso porta gli studenti dalle basi dell'apprendimento automatico ad algoritmi come la regressione lineare, la regressione logistica, l'analisi dei componenti principali e l'apprendimento senza supervisione. Il video discute anche di set di dati di overfitting, underfitting e addestramento/test. L'istruttore sottolinea l'importanza di comprendere come sviluppare funzioni che consentano agli algoritmi di apprendimento automatico di analizzare i dati per creare previsioni. Infine introduce il Gradient Descent Algorithm per l'ottimizzazione delle funzioni di costo utilizzate per valutare le prestazioni.
01:00:00 - 02:00:00 Questo corso di machine learning per principianti copre una gamma di argomenti essenziali nell'apprendimento automatico per i nuovi studenti. L'istruttore spiega la vettorizzazione della derivata parziale di theta nella regressione lineare, l'equazione normale, le ipotesi di regressione lineare e la differenza tra caratteristiche indipendenti e dipendenti. Il corso include anche attività di regressione logistica e classificazione, insegnando l'ipotesi per la regressione logistica, la funzione di costo e la discesa del gradiente, nonché il codice di vettorizzazione per la funzione di costo e la discesa del gradiente. Inoltre, il corso introduce le librerie Python, le tecniche di analisi dei dati, la costruzione di modelli e il controllo dell'accuratezza utilizzando la regressione lineare. L'istruttore copre anche le tecniche di regolarizzazione e la loro importanza nell'apprendimento automatico per evitare l'overfitting. Il corso copre la regressione di cresta e lazo, che penalizza i pesi delle caratteristiche meno importanti, avvicinandoli allo zero o eliminandoli del tutto
. 02:00:00 - 03:00:00 Il "Machine Learning Course for Beginners" copre vari argomenti come le tecniche di regolarizzazione, le macchine vettoriali di supporto (SVM), la classificazione non lineare e l'esplorazione dei dati. Il corso fornisce un'introduzione agli SVM e spiega come costruiscono iperpiani con margini massimi per fare previsioni durante la classificazione dei punti dati. Viene trattato anche il concetto di classificazione hard margin e soft margin in SVM insieme alle loro differenze. Il corso include anche un progetto di previsione del prezzo delle azioni utilizzando le librerie Python ed esplora metriche di valutazione come l'errore quadratico medio, l'errore quadratico medio radice e il quadrato R2 per il modello di regressione lineare. Anche i modelli lineari regolarizzati come Ridge e Lasso vengono spiegati in dettaglio, insieme alla dimostrazione della creazione di una semplice app utilizzando Flask.
03:00:00 - 04:00:00 Il video "Machine Learning Course for Beginners" copre vari argomenti relativi all'apprendimento automatico, come la configurazione di un server e di un sito Web utilizzando Flask, l'analisi dei componenti principali (PCA), il commercio di bias e varianza -off, modelli di regressione e istruzioni if-else nidificate. Gli istruttori sottolineano l'importanza di comprendere i concetti di apprendimento automatico e pre-elaborazione dei dati per dati di testo e immagini in scenari del mondo reale e forniscono esempi pratici su come lavorare sui dati Iris e creare semplici alberi decisionali. Il video copre anche argomenti come trasformazioni lineari, autovettori e autovalori e spiega come PCA può ridurre le dimensioni dei dati preservando le informazioni. Nel complesso, il video fornisce un'introduzione completa ai principianti per conoscere l'apprendimento automatico e le sue applicazioni.
04:00:00 - 05:00:00 Questo video offre un'introduzione a livello principiante agli alberi decisionali, inclusa la terminologia di base, come costruire alberi decisionali utilizzando misure di selezione degli attributi come entropia, guadagno di informazioni e impurità di Gini e come gli alberi decisionali può essere utilizzato sia per problemi di classificazione che di regressione. Il video sottolinea anche l'importanza degli iperparametri e la comprensione degli alberi decisionali come concetto cruciale nell'apprendimento automatico. La sezione successiva discute l'apprendimento dell'ensemble e le sue tre tecniche: bagging, boosting e stacking, che sono comunemente usate nelle competizioni Kaggle.
05:00:00 - 06:00:00 Questo video di YouTube spiega varie tecniche di ensemble learning per migliorare la precisione del modello di machine learning. Una delle tecniche più diffuse è il bagging o l'aggregazione bootstrap, in cui più modelli vengono addestrati su sottoinsiemi di dati di addestramento e combinati per prestazioni migliori con il campionamento delle righe utilizzato per l'addestramento. Il video copre anche foreste casuali che utilizzano alberi decisionali, bagging e campionamento di colonne per creare potenti modelli. Inoltre, il video copre il potenziamento, che viene utilizzato per ridurre i bias e migliorare l'accuratezza del modello, fatto combinando in modo additivo studenti deboli in un modello forte. L'istruttore fornisce una panoramica di vari tipi di potenziamento come Gradient Boosting e Adaptive Boosting, solo per citarne alcuni. Il video si conclude fornendo un set di problemi su GitHub che gli spettatori possono provare e incoraggia gli spettatori a iscriversi al proprio canale per ricevere più contenuti gratuiti.
06:00:00 - 07:00:00 Il video "Machine Learning Course for Beginners" copre diversi argomenti relativi al potenziamento, come l'idea alla base del potenziamento, diverse tecniche di potenziamento (ad esempio, potenziamento del gradiente, potenziamento adattivo e potenziamento estremo ), l'algoritmo per addestrare un modello utilizzando il potenziamento e come il potenziamento può essere utilizzato per ridurre la distorsione elevata nei modelli di machine learning. Inoltre, il video discute l'implementazione di algoritmi di potenziamento in Python utilizzando librerie come scikit-learn e mlx10. Il video tocca anche il concetto di impilamento, un metodo per combinare più modelli per creare un nuovo modello con prestazioni migliori. L'istruttore dimostra come creare un modello di classificazione in pila utilizzando la regressione logistica, i vicini k-più vicini, Bayes ingenuo gaussiano e modelli di foresta casuale in Python utilizzando la libreria sklearn.
07:00:00 - 08:00:00 L'istruttore copre vari argomenti in questo video, a partire dall'apprendimento dell'ensemble e dall'impilamento dei classificatori. Quindi, l'attenzione si sposta sull'apprendimento non supervisionato e sulle sue applicazioni nel clustering di punti dati. Il relatore spiega diversi tipi di algoritmi di clustering, inclusi quelli basati sul centro e sulla densità, e fornisce una panoramica delle tecniche di valutazione come l'indice di Dunn e l'indice di Davies-Bouldin per valutare la qualità del modello di clustering. Infine, il relatore approfondisce il clustering k-mean, inclusa l'inizializzazione, i centroidi, gli iperparametri e le limitazioni, fornendo al contempo una visualizzazione dell'algoritmo con due centroidi. Nel complesso, il video copre una gamma di concetti e tecniche di apprendimento automatico, fornendo un'introduzione completa all'argomento.
08:00:00 - 09:00:00 Questo video di YouTube intitolato "Machine Learning Course for Beginners" copre vari argomenti relativi al machine learning. Una sezione si concentra sul clustering k-means e spiega l'algoritmo in dettaglio, coprendo l'inizializzazione dei centroidi, l'assegnazione dei cluster e l'aggiornamento dei cluster fino alla convergenza. Il video introduce anche K-means++ e il metodo del gomito come soluzioni ai problemi affrontati nell'inizializzazione casuale. Inoltre, un'altra sezione approfondisce il clustering gerarchico, spiegando la creazione di una gerarchia di cluster utilizzando metodi di clustering agglomerativi e divisivi. Il video si conclude discutendo il progetto del modello di previsione dell'insufficienza cardiaca, che mira a costruire un sistema di intelligenza artificiale sanitaria che aiuterà con la diagnosi precoce dei problemi di salute per salvare vite umane.
09:00:00 - 09:50:00 Il video "Machine Learning Course for Beginners" copre vari argomenti relativi all'apprendimento automatico, come dati sbilanciati, correlazione, ingegneria delle caratteristiche, creazione e valutazione di modelli e classificazione del testo utilizzando tecniche di PNL. L'istruttore sottolinea l'importanza di dati equilibrati e di visualizzare i dati per comprenderli meglio. Il presentatore segue un processo dettagliato per creare un sistema di rilevamento di spam e ham, analizzando e comprendendo i dati e implementando tecniche di PNL per classificare i messaggi come spam o ham. Il corso offre una panoramica dei concetti essenziali su cui possono basarsi gli appassionati di machine learning principianti.
Parte 1
Parte 2
Parte 3
Parte 4