Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/03 Logistic Regression at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
00:05:00 このセクションでは、可能性のあるすべてのリーフ ノードを分析する前に決定木を停止する方法について説明します。これには、ノードの最大深度またはサンプルの最小数の設定が含まれます。次にスピーカーは、決定木の実装に使用される 2 つのクラス (Node クラスと DecisionTree クラス) を提示します。 Node クラスには、ノードが分割された特徴とノードの値に関する情報が含まれます。 DecisionTree クラスには、ツリーを x 値と y 値でフィッティングし、新しいデータを予測し、最小サンプル数や最大深度などの停止基準を設定するためのメソッドが含まれています。全体として、講演者は、Python でゼロからデシジョン ツリーの実装を概説するための段階的なアプローチを採用しています。
00:10:00 このセクションでは、スピーカーは決定木を再帰的に構築する主要な機能である成長ツリー機能の実装について説明します。この関数は x 値と y 値を受け取り、フィーチャの数が実際のフィーチャの数を超えていないことを確認します。この関数は、最初に停止基準をチェックしてから、最適な分割を見つけ、子ノードを作成し、ツリーの成長関数を再度呼び出します。停止基準が満たされた場合、関数は新しいリーフ ノードを作成し、それを value パラメーターと共に返します。スピーカーは、「最も一般的なラベル」と呼ばれるヘルパー関数についても説明します。これは、カウンター データ構造を利用し、データセット内で最も一般的なラベルを返します。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/04 Decision Trees at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/05 Random Forests at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/06 NaiveBayes at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/07 PCA at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
00:10:00このセクションでは、発表者が Python を使用したパーセプトロンの実装をゼロから説明します。パーセプトロンの更新ルールは、デルタ w = アルファ x y マイナス y ハット x x であり、デルタ バイアスはアルファ x y マイナス y ハットです。次に、プレゼンターはこのルールを使用して、更新部分に基づいて重みとバイアスを更新します。 Fit メソッドを説明した後、発表者は予測メソッドに進みます。そこでは線形出力が計算され、活性化関数に渡されて y が予測されます。最後に、発表者はヘルパー関数を使用してこの実装の精度をテストし、データ セットは 150 個のサンプルと 2 つの特徴を含むブロブを作成し、学習率と反復回数を使用してパーセプトロンを作成し、トレーニング データと適合させ、テスト データで予測します。精度は 100% であることが判明し、決定境界の学習が成功したことを示します。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/09 SVM at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
このビデオでは、Python を使用して K-Means クラスタリング アルゴリズムを最初から実装する方法を示します。 K 平均法は、変化がなくなるまで平均値または重心を繰り返し更新することで、ラベルのないデータを k 個の異なるクラスターにクラスター化する教師なし学習アルゴリズムです。このビデオでは、空のクラスターの初期化、クラスターと反復数のパラメーターの設定、クラスターのラベルと重心の更新、変化がなくなった場合の最適化ループの停止について説明します。講演者は、最も近い重心を計算するためにユークリッド距離を測定することの重要性についても説明し、クラスタリング プロセスを視覚化するために Matplotlib から事前に作成されたプロット関数を提供します。
00:00:00このセクションでは、講演者が k 平均法教師なし学習手法について説明します。これには、データセットを k 個の異なるクラスターにクラスタリングし、変化がなくなるまで反復的な最適化プロセス中に平均値または重心を更新することが含まれます。クラスターのラベルと中心を更新するプロセスが繰り返され、最も近い重心の公式を使用して 2 つの特徴ベクトル間のユークリッド距離が計算されます。次に講演者は、ラベルなしデータで 3 つのクラスターを見つける例を示し、空のクラスターの初期化やクラスターと反復の数のパラメーターの設定など、Python で K 平均法を最初から実装する方法を示します。ビデオは、K-means アルゴリズムと Python でのその実装の概要で終わります。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/10 KMeans at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
OpenAI has finally released the most anticipated ChatGPT model today, called "gpt-3.5-turbo". Unlike the GPT 3.0 models that work like a search engine, Cha...
このビデオでは、ChatGPT 公式 API を使用して Python で OpenAI GPT-4 API を使用する方法を説明します。 API キーを生成し、OpenAI Python パッケージをインストールした後、ユーザーは関数を作成し、モデル ID と会話ログを使用して OpenAI のエンドポイントを呼び出すことで、GPT-4 モデルを使用できるようになります。講演者は、会話ログを構成ログ引数に追加する方法、コマンド ライン ツールを作成する方法、および ChatGPT API を使用して応答を生成する方法をデモンストレーションします。視聴者は API を試し、今後のビデオのためにチャンネル登録することをお勧めします。
00:00:00このセクションでは、Python で ChatGPT 公式 API を使用する方法をビデオで説明します。 API は GPT-4 モデルに基づいており、4 つの異なるバージョンが利用可能です。通常の GPT-4 モデルは最大 8192 トークンを受け入れることができますが、GPT-4 32k モデルは最大 32768 トークンを受け入れることができます。 API を使用するには、まず platform.openai.com でアカウントにサインアップして API キーを生成する必要があります。次に、OpenAI Python パッケージをインストールし、API キーを OpenAI モジュールにアタッチする必要があります。最後に、関数を作成して OpenAI のエンドポイントへの API 呼び出しを行い、モデル ID と会話ログのリストをメソッドに渡すことで、Python で GPT-4 モデルを使用できます。
00:05:00このセクションでは、講演者が Python で OpenAI GPT-4 API を使用する方法をデモンストレーションします。まず会話のリストを作成し、API がそのリストにアクセスして応答を提供する方法を説明します。 API にリクエストを送信するには、ユーザーは、会話が AI に属するかユーザーに属するかを識別するための行 ID と、会話の内容を指定する必要があります。講演者は、リストに会話を追加するコード ブロックの例を共有し、チャット GPT 会話関数を使用して API を呼び出す方法を示します。また、タイムスタンプや API 呼び出しのコストなどの応答形式、および選択キー内の GPT-4 応答にアクセスする方法についても説明します。
00:10:00このセクションでは、講演者が、OpenAI GPT-4 API で Python を使用して、会話ログを構成ログ引数に追加する方法を説明します。これらは、最新のレコードを含む構成ロックを参照し、選択キーからの応答レコードを構成ログ引数に追加します。次に、コード ブロックを実行して構成リストを出力することにより、出力がテストされます。また、講演者は、ユーザーが入力を提供できるようにするコマンド ライン ツールの作成方法も実演し、その入力はユーザーの目的に基づいて構成ログに追加できます。全体として、このセクションは、Python で OpenAI GPT-4 API を使用しようとしている開発者に役立つガイドを提供します。
00:15:00このセクションでは、プレゼンターが ChatGPT API を使用して Python を使用して応答を生成する方法を示します。彼は、ユーザー入力を取得して API に送信し、応答を出力する関数をコーディングしました。彼は、API にジョークを言うよう依頼してこれを実証し、ユーザー入力と API 応答の両方を含む出力を示します。プレゼンターは最後に、視聴者に ChatGPT API を試し、チャンネルに「いいね!」を押して購読するよう勧めました。
In this video, we will learn 1) how to use OpenAI GPT-4 API, and 2) how to build a simple ChatGPT command line tool in Python.📑 Source Code: https://wp.me/p...
Python でゼロからロジスティック回帰を実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/03%20Logistic%20Regression
Python でゼロからロジスティック回帰を実装する方法
このビデオでは、シグモイド関数を使用して確率と交差エントロピーを誤差関数として作成し、Python でゼロからロジスティック回帰を実装する方法を説明しています。インストラクターは、予測、勾配を計算し、反復によってバイアスを更新するための段階的な指示を共有します。また、乳がんのデータセットを読み込み、ロジスティック回帰分類器をトレーニングして、腫瘍が悪性か良性かを予測する方法も示しています。このビデオは、カスタム関数を使用してモデルの精度を評価することで締めくくられています。全体として、実装は成功しており、ロジスティック回帰アルゴリズムがうまく機能することが証明されています。
Python でデシジョン ツリーをゼロから実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/04%20Decision%20Trees
Python でデシジョン ツリーをゼロから実装する方法
このビデオでは、Python を使用してゼロからデシジョン ツリーを構築するためのステップバイステップ ガイドを提供します。スピーカーは、デシジョン ツリーの概念、機能、構築方法について説明します。彼らは、停止基準、成長ツリー関数、ヘルパー関数の「最も一般的なラベル」、「情報獲得」、「エントロピー」、「分割」、および予測関数について説明しています。スピーカーは、情報ゲイン、加重エントロピー、および精度を計算する方法も示します。さらに、デシジョン ツリー モデルをテストし、視聴者にコードが利用可能な GitHub リポジトリへのリンクを提供します。
Python でゼロからランダム フォレストを実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/05%20Random%20Forests
Python でゼロからランダム フォレストを実装する方法
このビデオ チュートリアルでは、Python を使用してゼロからランダム フォレストを実装する方法を説明します。トレーニング中に、データセットのランダムなサブセットが選択され、このサブセットを使用して決定木が作成されます。このプロセスは、アルゴリズムを開始する前に決定されたツリーの数に対して繰り返されます。推論中、各ツリーから予測が取得され、分類の場合は、クラス ラベルの多数決が取られます。スピーカーは、決定木を展開するリストを作成し、それを Numpy 配列に追加することによって、それを実装する方法を示します。精度は、正しく予測された真の値の数を真の値の総数で割ることで計算できます。講演者は、木の数、最大深度、および最小サンプル分割を変更して、より高い精度を達成できることについても話します。
Python でゼロから Naive Bayes を実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/06%20NaiveBayes
Python でゼロから Naive Bayes を実装する方法
このビデオ チュートリアルでは、Python を使用してゼロから Naive Bayes を実装することに焦点を当てています。インストラクターは、ベイズの定理と独立性の仮定の概要を説明します。アルゴリズムのトレーニングに必要な事前確率とクラス条件付き確率を計算する方法を説明しています。スピーカーは、確率をモデル化する方法としてガウス分布も紹介します。ビデオは、コードを使用したアルゴリズムのトレーニングと予測の手順を示しています。インストラクターは、2 つのクラスを持つおもちゃのデータセットでアルゴリズムをテストし、96.5% の精度を達成しました。全体として、このチュートリアルは、Naive Bayes の学習と Python での実装に関心のあるユーザーにとって有用なリソースです。
PCA (主成分分析) を Python でゼロから実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/07%20PCA
PCA (主成分分析) を Python でゼロから実装する方法
ビデオでは、Python と Numpy を使用してゼロから主成分分析 (PCA) を実装するプロセスを説明しています。 PCA は、ほとんどの情報を保持しながらデータセットの次元を削減する手法です。インストラクターは、データセットで PCA を実行するための fit メソッドと transform メソッドを使用して Python クラスを作成する手順を順を追って説明します。 fit メソッドは、最初にデータの平均と共分散を計算し、固有ベクトルと固有値を抽出します。次に、変換メソッドがデータを主成分に射影します。講演者は、その過程で平均を減算し、固有ベクトルをソートすることの重要性を強調しています。最後に、Iris データセットで実装がテストされ、4 次元から 2 次元への次元削減に成功しました。
Python を使用してパーセプトロンを最初から実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/08%20Perceptron
Python を使用してパーセプトロンを最初から実装する方法
ビデオ チュートリアルでは、活性化関数、重み、および入力を使用してバイナリ分類の線形分離可能なパターンのみを学習できるパーセプトロン アルゴリズムの背後にある理論を説明します。次に、発表者は、最適化アルゴリズムの学習率と反復回数を選択し、活性化関数を単位ステップ関数として定義することにより、Python でパーセプトロン モデルを最初から実装するために必要な手順の概要を説明します。重みとバイアスを初期化した後、モデルはパーセプトロン更新ルールに従って重みとバイアスを更新することでトレーニング データから学習します。最後に、発表者はテスト データのクラス ラベルを予測することでモデルの精度を評価します。精度は 100% であることが判明し、決定境界の学習が成功したことを示します。
Python で SVM (サポート ベクター マシン) をゼロから実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/09%20SVM
Python で SVM (サポート ベクター マシン) をゼロから実装する方法
サポート ベクター マシン (SVM) は、トレーニング中に学習される重みを使用して、クラス間の分離を最大化する線形決定境界を見つけることを目的としています。コスト関数には、決定境界の正しい側からどれだけ離れているかを決定するヒンジ損失が含まれます。損失を最小限に抑え、距離を最大にするトレードオフに正則化項が追加されます。予測関数が線形関数の出力である一方で、勾配が計算され、更新ルールが導出され、重みが初期化されます。 NumPy および Scikit-learn ライブラリを使用して Python で SVM を最初から実装するためのコードが提供されています。これには、トレーニング テストと分割、データ セットのインポート、決定境界のプロット、および正確な実装を確認する 2 つの超平面が含まれます。
Python を使用して K 平均法を最初から実装する方法
コード: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/10%20KMeans
Python を使用して K 平均法を最初から実装する方法
このビデオでは、Python を使用して K-Means クラスタリング アルゴリズムを最初から実装する方法を示します。 K 平均法は、変化がなくなるまで平均値または重心を繰り返し更新することで、ラベルのないデータを k 個の異なるクラスターにクラスター化する教師なし学習アルゴリズムです。このビデオでは、空のクラスターの初期化、クラスターと反復数のパラメーターの設定、クラスターのラベルと重心の更新、変化がなくなった場合の最適化ループの停止について説明します。講演者は、最も近い重心を計算するためにユークリッド距離を測定することの重要性についても説明し、クラスタリング プロセスを視覚化するために Matplotlib から事前に作成されたプロット関数を提供します。
Python で OpenAI ChatGPT (GPT-3.5) API を使い始める |初心者向けチュートリアル
Python で OpenAI ChatGPT (GPT-3.5) API を使い始める |初心者向けチュートリアル
このビデオ チュートリアルでは、Python で OpenAI ChatGPT (GPT-3.5) API を使用する方法を初心者向けに説明しています。発表者は、DaVinci の安価な代替品として GPT 3.5 Turbo モデルを紹介します。これは、自然言語とコードの両方を生成でき、トークンや合計制限のない合成モデルです。次に、このチュートリアルでは、OpenAI アカウントにサインアップし、API キーを取得し、chat_gpt-completion 関数を使用してユーザーとシステムの入力による会話ログを保存する方法を示します。このビデオでは、応答を取得し、フォローアップの質問を追加し、会話をノンストップで継続するためにコードを変更する方法についても説明しています。
Python で OpenAI GPT-4 API (ChatGPT 公式 API) を始める
Python で OpenAI GPT-4 API (ChatGPT 公式 API) を始める
このビデオでは、ChatGPT 公式 API を使用して Python で OpenAI GPT-4 API を使用する方法を説明します。 API キーを生成し、OpenAI Python パッケージをインストールした後、ユーザーは関数を作成し、モデル ID と会話ログを使用して OpenAI のエンドポイントを呼び出すことで、GPT-4 モデルを使用できるようになります。講演者は、会話ログを構成ログ引数に追加する方法、コマンド ライン ツールを作成する方法、および ChatGPT API を使用して応答を生成する方法をデモンストレーションします。視聴者は API を試し、今後のビデオのためにチャンネル登録することをお勧めします。