Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Ускоренный курс Scikit-learn — библиотека машинного обучения для Python
Ускоренный курс Scikit-learn — библиотека машинного обучения для Python
Видео «Ускоренный курс Scikit-learn» содержит обзор использования библиотеки Scikit-learn для машинного обучения в Python. Видео охватывает подготовку данных, создание и подбор модели, настройку гиперпараметров с помощью поиска по сетке и оценку модели. Подчеркивается важность предварительной обработки и преобразователей для повышения производительности модели с примерами стандартного скейлера и квантильного преобразователя. В видео также обсуждается важность оценки модели и выбора правильной метрики для проблемы, а также обработка несбалансированных наборов данных и неизвестных категорий в горячем кодировании. Докладчик акцентирует внимание на понимании набора данных и потенциальных погрешностей в прогнозах модели, а также приводит пример обнаружения мошенничества с кредитными картами.
Вторая часть видео охватывает несколько тем, включая поиск по сетке, метрики, конвейеры, настройку порогов, моделирование временных рядов и обработку выбросов. Преподаватель исследует использование настраиваемых метрик и важность баланса между точностью и полнотой при создании модели. Кроме того, классификатор голосования демонстрируется как метаоценщик, повышающий гибкость и выразительность модели. Видео завершается представлением инструмента Human Learn, который помогает создавать и тестировать системы на основе правил, которые можно комбинировать с алгоритмами машинного обучения. Кроме того, исследуется инструмент FunctionClassifier, который позволяет пользователям создавать настраиваемую логику в качестве модели классификатора и добавлять поведение, например обнаружение выбросов. В целом, видео предоставляет всесторонний обзор Scikit-learn и его гибкого API, подчеркивая важность понимания соответствующих показателей для создания и настройки модели.
PyTorch для глубокого обучения и машинного обучения — полный курс (описание частей 1–3)
PyTorch для глубокого обучения и машинного обучения — полный курс
00:00:00 - 01:00:00 Преподаватель онлайн-курса «PyTorch для глубокого обучения и машинного обучения» Дэниел Бурк знакомит зрителей с курсом, посвященным реализации концепций машинного обучения в PyTorch с использованием кода Python. Ключевые темы, затронутые в курсе, включают трансферное обучение, развертывание модели и отслеживание экспериментов. Видео представляет собой введение в машинное обучение и глубокое обучение, а также их различия, причем глубокое обучение лучше подходит для сложных задач, требующих больших объемов данных, и дает представление о неструктурированных данных. Объясняется анатомия нейронной сети, и курс охватывает различные парадигмы машинного обучения, такие как контролируемое обучение и трансферное обучение. Кроме того, в видео рассматриваются потенциальные приложения глубокого обучения, в частности, обнаружение объектов и обработка естественного языка. Наконец, объясняются преимущества PyTorch, такие как стандартизация методологий исследований и возможность запуска кода машинного обучения на графических процессорах для эффективного анализа числовых вычислений.
01:00:00 - 02:00:00 В этой части рассматриваются основы PyTorch, предварительная обработка данных, создание и использование предварительно обученных моделей глубокого обучения, подгонка модели к набору данных, прогнозирование и оценка прогнозов модели. Преподаватель подчеркивает важность экспериментов, визуализации и вопросов, а также использования ресурсов курса, включая GitHub, обсуждения и Learnpytorch.io. Учащиеся также знакомятся с Google Colab, который предоставляет возможность использовать ускорение GPU или TPU для ускорения вычислений, предустановленным PyTorch и другими пакетами обработки данных. Курс подробно рассказывает о тензорах как основных строительных блоках глубокого обучения, демонстрируя, как создавать тензоры с различными размерами и формами, включая скалярные, векторные и матричные тензоры. В курсе также рассказывается о создании случайных тензоров, тензоров нулей и единиц, а также о том, как указывать типы данных, устройства и требуемые параметры градиента при создании тензоров.
02:00:00 - 03:00:00 В этом учебном пособии по PyTorch инструктор охватывает различные аспекты тензорных операций, включая устранение неполадок, манипулирование, умножение матриц, транспонирование и агрегирование. Они объясняют важность сохранения правильной формы тензора и типа данных при работе с моделями глубокого обучения и демонстрируют, как проверять и изменять эти параметры с помощью команд PyTorch. Учебник включает в себя задачи для зрителей, такие как умножение матриц и нахождение позиционного минимума и максимума тензоров, а также дает полезные советы по предотвращению распространенных ошибок формы и повышению производительности, например, по использованию векторизации вместо циклов for. Кроме того, инструктор представляет несколько полезных функций PyTorch для изменения формы, укладки, сжатия и разжатия тензоров.
03:00:00 - 04:00:00 В этой части рассматриваются различные темы, связанные с PyTorch, включая методы манипулирования тензорами, такие как изменение формы, просмотр, наложение, сжатие, расжатие и перестановка. Преподаватель предоставляет примеры кода, подчеркивает важность манипулирования тензорными формами в машинном и глубоком обучении и предлагает зрителям попробовать индексировать тензоры для возврата конкретных значений. Курс также охватывает преобразование данных между тензорами PyTorch и массивами NumPy и типами данных по умолчанию для каждого из них, а также концепцию воспроизводимости в нейронных сетях и использование случайных начальных значений для уменьшения случайности в экспериментах. Инструктор объясняет, как получить доступ к графическим процессорам для более быстрых вычислений, и предлагает такие варианты, как Google Colab, Colab Pro, использование собственного графического процессора или использование служб облачных вычислений, таких как GCP, AWS или Azure.
04:00:00 - 05:00:00 Эта часть охватывает широкий круг тем для начинающих, в том числе настройку доступа к графическому процессору с помощью PyTorch, использование модуля nn в PyTorch, создание моделей линейной регрессии и многое другое. Преподаватель подчеркивает важность того, чтобы код, не зависящий от устройства, выполнялся на разных устройствах и учитывал тип устройства, на котором хранятся тензоры и модели. Курс также включает в себя упражнения и дополнительную учебную программу для отработки того, что было изучено, а инструктор дает советы о том, как подходить к упражнениям в Colab. Курс охватывает обучение и оценку моделей машинного обучения, разбиение данных на обучающие и тестовые наборы для обобщения и визуализацию данных. Инструктор объясняет, как создать модель линейной регрессии с использованием чистого PyTorch, что включает в себя создание конструктора с функцией инициализации, создание параметра весов с помощью nn.parameter и установку случайных параметров с помощью torch.rand.
05:00:00 - 06:00:00 В этой части рассматриваются такие темы, как создание модели линейной регрессии с использованием PyTorch, реализация алгоритмов оптимизации, таких как градиентный спуск и обратное распространение через PyTorch, а также понимание того, как проверить прогностическую способность модели PyTorch. Также обсуждается важность использования менеджера контекста torch.inference_mode при прогнозировании, инициализации параметров модели, использовании функций потерь для измерения точности прогнозов модели и оптимизации параметров модели для повышения точности модели. Кроме того, представлены основные модули PyTorch, включая torch.nn, torch.nn.module, torch.optim и torch.utils.dataset.
06:00:00 - 07:00:00 В этой части рассматриваются различные аспекты PyTorch и машинного обучения. Один раздел был посвящен шагам, необходимым для создания цикла обучения в PyTorch, включая циклическое прохождение данных, вычисление потерь и выполнение обратного распространения. Инструктор подчеркнул важность выбора подходящей функции потерь и оптимизатора и представил концепцию градиентного спуска. В другом разделе обсуждались оптимизатор и скорость обучения, а также их влияние на параметры модели. В видео также подчеркивается важность тестирования и представлен обзор создания прогнозов тестов и расчета потерь при тестировании. Курс предоставляет дополнительные ресурсы для тех, кто интересуется математическими основами обратного распространения ошибки и градиентного спуска.
07:00:00 - 08:00:00 Эта часть охватывает несколько тем, связанных с PyTorch. В курсе обсуждается важность отслеживания хода модели путем записи значений потерь и построения кривых потерь, которые должны показывать тенденцию к снижению. Преподаватель также объясняет методы сохранения и загрузки моделей PyTorch, в том числе сохранение словаря состояния, загрузку модели с помощью метода torch.nn.module.loadStateDict или метода torch.load и тестирование загруженной модели. В последующих разделах курса рассматривается создание моделей линейной регрессии и использование уже существующих моделей в PyTorch, таких как линейный слой, путем создания подкласса nn.module.
08:00:00 - 09:00:00 Часть охватывает широкий круг тем в области глубокого обучения и машинного обучения. В первом разделе рассматриваются различные уровни, доступные в torch.nn, предварительно созданные реализации этих слоев и способы обучения моделей PyTorch с использованием функций потерь и оптимизатора. В последующих разделах инструктор объясняет важность независимого от устройства кода, сохранения и загрузки моделей PyTorch, а также подход к проблемам классификации. Преподаватель приводит примеры и подчеркивает важность числового кодирования входных данных, создания пользовательских данных и сложностей проектирования, связанных с моделью классификации, таких как количество скрытых слоев, нейронов, функция потерь и оптимизатор. Наконец, инструктор подчеркивает, что начинать любую задачу машинного обучения с данными — это самый важный шаг.
09:00:00 - 10:00:00 В этой части представлен обзор того, как создать и обучить нейронную сеть с помощью PyTorch для двоичной классификации. Видео охватывает широкий круг тем, включая создание пользовательского набора данных, проверку входных и выходных форм, подготовку данных для обучения, создание и отправку модели в графический процессор, выбор оптимизатора и функции потерь для модели, а также прогнозирование. Курс включает в себя практические демонстрации этих концепций и направлен на предоставление всестороннего понимания использования PyTorch для проектов машинного обучения.
10:00:00 - 11:00:00 Эта часть охватывает несколько тем, включая функции потерь, оптимизаторы, функции активации, цикл обучения и метрики оценки. Преподаватель объясняет, как настроить функцию потерь и оптимизатор, создать функцию точности и преобразовать необработанные логиты в вероятности прогнозирования и метки. В курсе также рассматривается разница между потерями BCE и BCE с потерей логитов, а также способы расчета потерь при тестировании и точности для модели классификации. Кроме того, инструктор дает советы по повышению производительности модели, например по увеличению глубины нейронной сети, настройке гиперпараметров, а также по импорту и использованию вспомогательных функций из внешних скриптов Python.
11:00:00 - 12:00:00 В этой части инструктор объясняет, как улучшить модель, изменяя гиперпараметры, такие как количество скрытых единиц, количество слоев и количество эпох, и подчеркивает важность тестирования изменения по одному для выявления улучшений или ухудшений. Они также обсуждают различия между параметрами и гиперпараметрами и почему важно проводить это различие. Кроме того, инструктор рассказывает о методах устранения неполадок, когда модель не работает, и рассказывает о важности нелинейности в моделях машинного обучения и глубокого обучения. Преподаватель демонстрирует эти концепции на различных примерах, включая задачи линейной и нелинейной регрессии, и показывает, как обучать и оценивать модели при тестировании различных гиперпараметров и функций потерь.
12:00:00 - 13:00:00 Этот курс PyTorch для глубокого обучения и машинного обучения охватывает базовые и продвинутые концепции PyTorch для построения моделей. Преподаватель знакомит с концепцией нелинейности и демонстрирует, как создавать модели классификации с использованием нелинейности с помощью PyTorch. Они также обсуждают оптимизаторы построения, функции потерь и пользовательские функции активации. Подчеркивается важность сочетания линейных и нелинейных функций для поиска закономерностей в данных путем наложения слоев этих функций для создания модели. Курс охватывает как бинарные, так и многоклассовые модели классификации и объясняет, как их настроить в PyTorch. Раздел завершается демонстрацией того, как инициализировать модели классификации с несколькими классами с входными и выходными функциями.
13:00:00 - 14:00:00 Преподаватель в этой части обсуждает создание линейной модели стека слоев с использованием метода PyTorch nn.Sequential для выполнения многоклассовой классификации. Они объясняют создание функции потерь и оптимизатора с использованием кросс-энтропийных потерь и стохастического градиентного спуска (SGD). Преподаватель также обсуждает выпадающие слои и важность устранения неполадок в коде машинного обучения для устранения ошибок. Они демонстрируют оценку обученной модели с использованием различных методов оценки классификации, таких как точность, прецизионность, полнота, оценка F1, матрица путаницы и отчет о классификации с использованием torchmetrics и библиотек scikit-learn. Наконец, инструктор показывает, как импортировать и использовать предварительно созданные функции метрик в PyTorch с помощью пакета torchmetrics, и предоставляет ссылки на модуль torchmetrics и внеклассные статьи для дальнейшего изучения.
14:00:00 - 15:00:00 В этой части рассматриваются различные темы, связанные с PyTorch и компьютерным зрением с использованием машинного обучения. Это включает в себя понимание проблем компьютерного зрения, таких как проблемы бинарной или многоклассовой классификации, и изучение того, как модель машинного обучения изучает шаблоны из различных примеров изображений. В видео также рассказывается о библиотеках PyTorch, таких как TorchVision, и о том, как они содержат наборы данных, предварительно обученные модели и преобразовывают для манипулирования данными зрения в числа, используемые моделями машинного обучения. Кроме того, инструктор рассказывает о входных и выходных формах набора данных FashionMNIST, о важности визуализации и изучения наборов данных для выявления потенциальных проблем, а также демонстрирует, как строить и визуализировать данные изображения с помощью PyTorch и Matplotlib.
15:00:00 - 16:00:00 Этот видеокурс по PyTorch для глубокого обучения и машинного обучения рассказывает о важности подготовки данных и использования наборов данных PyTorch и загрузчиков данных. Особое внимание уделяется концепции мини-пакетов в глубоком обучении, а процесс создания загрузчиков обучающих и тестовых данных объясняется с использованием PyTorch с гиперпараметром размера пакета, установленным на 32. Обсуждается важность визуализации изображений в пакете, и концепция выравнивания введено для преобразования многомерных данных в единый вектор для использования в модели PyTorch. Описывается процесс создания простой модели нейронной сети с плоским слоем и двумя линейными слоями, а также объясняется концепция использования вспомогательных функций в проектах машинного обучения Python. Наконец, демонстрируется важность функций синхронизации для измерения времени обучения модели и использования TQDM для индикатора выполнения.
16:00:00 - 17:00:00 Эта часть курса охватывает различные темы, связанные с PyTorch, начиная с настройки циклов обучения и тестирования, устранения распространенных ошибок, оценки моделей и прогнозирования. Преподаватель подчеркивает важность экспериментов, чтобы найти лучшую модель нейронной сети для заданного набора данных, и обсуждает преимущества нелинейности для моделирования нелинейных данных. Они также демонстрируют, как создавать вспомогательные функции в PyTorch, оптимизировать и оценивать циклы, а также выполнять этапы обучения и тестирования. Курс также исследует код, не зависящий от устройства, и преимущества моделей обучения на ЦП и ГП, завершаясь демонстрацией того, как измерять время обучения на обоих устройствах.
17:00:00 - 18:00:00 Эта часть охватывает многие темы глубокого обучения и машинного обучения. Преподаватель демонстрирует, как создавать и тестировать модель глубокого обучения, строить сверточные нейронные сети (CNN) с помощью PyTorch и создавать блоки в PyTorch. Кроме того, в руководстве рассматривается состав модели PyTorch и то, как свертки работают на практике, изменения значений шага и заполнения в сверточном слое, а также сверточный и максимальный слои объединения в PyTorch. На протяжении всего видео инструктор делится ресурсами, предоставляет код PyTorch и пошаговые объяснения, а также предлагает рекомендации по созданию эффективного и многократно используемого кода.
19:00:00 - 20:00:00 Эта часть охватывает различные темы, такие как визуализация прогнозов модели машинного обучения, оценка модели классификации с несколькими классами с использованием матрицы путаницы в PyTorch, установка и обновление пакетов в Google Colab, сохранение и загрузка PyTorch. модель и работа с пользовательскими наборами данных. Курс также демонстрирует процесс построения модели компьютерного зрения с использованием PyTorch. Преподаватель подчеркивает важность использования доменных библиотек для функций загрузки данных и настраиваемых функций загрузки данных и предоставляет примеры для различных категорий, таких как изображение, текст, звук и рекомендации. Они также предоставляют полезные ресурсы, такие как веб-сайт Learn pytorch.io и репозиторий глубокого обучения PyTorch.
20:00:00 - 21:00:00 Преподаватель этого курса PyTorch для глубокого обучения и машинного обучения начинает с представления набора данных Food 101, но предоставляет меньший подмножество с тремя категориями продуктов питания и только 10% изображений для практики. ПиТорч. Преподаватель подчеркивает важность наличия отдельного каталога для данных, а затем показывает, как открывать, визуализировать и преобразовывать изображения с помощью методов библиотеки изображений Python Pillow и PyTorch. В этом разделе также рассматриваются преобразования данных с помощью PyTorch, такие как изменение размера и отражение изображений, а инструктор демонстрирует, как загружать и преобразовывать изображения в виде тензоров для моделей машинного обучения с помощью PyTorch. Раздел заканчивается предложением изучить различные варианты преобразования изображений, доступные в PyTorch.
21:00:00 — 22:00:00 В этом курсе PyTorch инструктор объясняет, как загружать и преобразовывать данные изображения в тензоры, создавать и настраивать загрузчики данных для обучения и тестирования, а также создавать пользовательский класс загрузки данных. Они демонстрируют функциональность функции готовых наборов данных, папки изображений, которую можно использовать для настройки преобразований для всех изображений. Они также проходят шаги, необходимые для создания пользовательского загрузчика данных, включая создание функции для получения имен классов и сопоставлений из каталогов, создание подкласса torch.utils.data.Dataset и перезапись методов get item и len. Хотя возможности настройки загрузчиков данных полезны, существует риск написания кода с ошибками.
22:00:00 - 23:00:00 В этой части курса рассказывается, как создавать и использовать пользовательские наборы данных и пользовательские загрузчики в PyTorch, а также как применять методы увеличения данных. Инструктор демонстрирует, как построить свёрточную нейронную сеть с помощью библиотеки PyTorch, и дает советы по экспериментам, включая такие гиперпараметры, как размер ядра и шаг. В курсе также рассказывается, как протестировать конвейер дополнений и использовать тривиальные методы дополнений для повышения точности модели. Выводы из курса включают гибкость PyTorch и возможность наследования от базового класса набора данных для создания пользовательских функций загрузки набора данных.
23:00:00 - 24:00:00 Преподаватель охватывает различные аспекты PyTorch для глубокого обучения и машинного обучения, включая устранение ошибок формы в моделях, использование Torch Info для печати сводок моделей PyTorch, создание обучающих и тестовых пошаговых функций для оценки производительность наборов данных и объединение этих функций в функцию обучения для упрощения обучения модели. Преподаватель также обсуждает синхронизацию процесса обучения модели глубокого обучения, построение кривых потерь для отслеживания прогресса модели с течением времени и оценку производительности модели путем экспериментов с различными настройками, такими как добавление слоев или настройка скорости обучения. В конечном итоге эти навыки обеспечат прочную основу для создания и оценки продвинутых моделей с использованием PyTorch.
24:00:00 - 25:00:00 В этом разделе курса PyTorch для глубокого обучения и машинного обучения инструктор обсуждает концепции переоснащения и недообучения в моделях, а также способы борьбы с ними, такие как увеличение данных, ранняя остановка и упрощение модели. Они подчеркивают важность оценки производительности модели с течением времени с использованием кривых потерь и предоставляют инструменты для сравнения производительности различных моделей. В этом разделе также рассказывается, как подготовить пользовательские изображения для прогнозирования, и демонстрируется, как загрузить изображение в PyTorch с помощью torch vision.io и преобразовать его в тензор. Преподаватель отмечает, что перед передачей изображения через модель может потребоваться изменить его размер, преобразовать в формат float32 и поместить на нужное устройство.
25:00:00 - 26:35:00 Эта часть курса PyTorch охватывает различные темы, такие как типы и формы данных, преобразование данных изображения с помощью пакета преобразования PyTorch и прогнозирование пользовательских данных с использованием предварительно обученной модели. Чтобы убедиться, что данные находятся в правильном формате перед подачей в модель, важно предварительно обработать их, масштабируя их в диапазоне от 0 до 1, при необходимости преобразовать их и проверить, что они имеют правильное устройство, тип данных и форму. . Преподаватель также призывает учащихся практиковаться, выполняя упражнения с пользовательским набором данных PyTorch, и предлагает решения в качестве справочных материалов. Преподаватель также упоминает, что в Learnpytorch.io есть пять дополнительных глав для изучения, охватывающих такие темы, как трансферное обучение, отслеживание экспериментов с моделью pytorch, репликация бумаги pytorch и развертывание модели pytorch.
Часть 1
Часть 2
Часть 3
PyTorch для глубокого обучения и машинного обучения — полный курс (описание частей 4-9)
PyTorch для глубокого обучения и машинного обучения — полный курс
Часть 4
Часть 5
Часть 6
Часть 7
Часть 8
Часть 9
PyTorch для глубокого обучения и машинного обучения — полный курс (описание частей 10–15)
PyTorch для глубокого обучения и машинного обучения — полный курс
Часть 10
Часть 11
Часть 12
Часть 13
Часть 14
Часть 15
PyTorch для глубокого обучения и машинного обучения — полный курс (описание частей 16–21)
PyTorch для глубокого обучения и машинного обучения — полный курс
Часть 16
Часть 17
Часть 18
учащимся присоединиться к репликации нейронной сети в коде PyTorch. Затем инструктор приступает к созданию крошечной сверточной нейронной сети VGG в PyTorch и объясняет, что авторы исследовательских работ могут называть новые архитектуры моделей, чтобы упростить их использование в будущем. Код инициализируется входной формой, скрытыми единицами и выходной формой, которые являются типичными параметрами при построении модели PyTorch.
Часть 19
Часть 20
Часть 21
PyTorch для глубокого обучения и машинного обучения — полный курс (описание частей 22–26)
PyTorch для глубокого обучения и машинного обучения — полный курс
Часть 22
Часть 23
Часть 24
Часть 25
Часть 26
Курс машинного обучения «Нет черному ящику» — учитесь без библиотек
Курс машинного обучения «Нет черному ящику» — учитесь без библиотек
00:00:00 - 01:00:00 В этом видео на YouTube инструктор представляет курс машинного обучения без черного ящика, который учит, как кодировать в машинном обучении, не полагаясь на библиотеки. Курс охватывает темы, связанные с созданием веб-приложения, которое распознает рисунки, включая сбор данных, извлечение признаков и визуализацию, а также реализацию классификаторов, таких как ближайший сосед и K ближайший сосед. Преподаватель подчеркивает важность понимания данных в машинном обучении и предлагает ресурсы для тех, кому нужно освежить знания математики и программирования в средней школе. Видео демонстрирует процесс создания веб-страницы, выступающей в роли генератора данных, с использованием JavaScript без каких-либо внешних библиотек. Докладчик также включает инструкции о том, как создать кнопку отмены и поле ввода имени, сохранить рисунки в объекте данных и сохранить пути на компьютере пользователя. Наконец, в видео показано, как создать генератор набора данных в node.js и сгенерировать данные, связанные с каждым образцом, с помощью JavaScript.
01:00:00 - 02:00:00 В этом видео на YouTube инструктор учит зрителей, как создать набор данных для машинного обучения и извлечь функции без использования библиотек. Они демонстрируют, как хранить набор данных в папке, которая может взаимодействовать между сценариями узлов и веб-приложениями, и создавать приложение для просмотра данных. Преподаватель также покажет, как визуализировать собранные данные с помощью диаграмм Google и как идентифицировать и выделять выбранные элементы на диаграмме и в списке. В целом, видео представляет собой исчерпывающее руководство для учащихся по созданию наборов данных для машинного обучения и извлечению функций с использованием только JavaScript. 02:00:00 - 03:00:00 Видео «Курс машинного обучения без черного ящика — учитесь без библиотек» демонстрирует, как классифицировать рисунки на основе их функций без использования библиотек машинного обучения. Создатель видео подчеркивает важность наличия быстрой и отзывчивой системы для проверки данных, чтобы избежать ручных ошибок. Они демонстрируют, как добавлять функции на диаграмму, как скрыть фон и как отображать прогнозируемые метки на экране с помощью динамических контейнеров с HTML и CSS. В видео также рассматриваются методы масштабирования данных, такие как нормализация и стандартизация. Наконец, в видео показано, как реализовать классификатор K ближайших соседей и подсчитать количество каждой метки в пределах K ближайших соседей.
03:00:00 — 03:50:00 Видео на YouTube «Курс машинного обучения без черного ящика — учитесь без библиотек» охватывает различные темы, связанные с классификацией K-ближайших соседей без использования библиотек машинного обучения, таких как JavaScript и Python. В видео объясняется, как разделить наборы данных на наборы для обучения и тестирования, обрабатывать выборки для обучения и тестирования по отдельности и нормализовать данные. Преподаватель также обсуждает важность границ решений для понимания того, как работает классификатор, демонстрирует, как реализовать классификатор K-ближайших соседей (KNN) в JavaScript и генерировать график на основе пикселей без использования библиотек машинного обучения. Наконец, видео заканчивается призывом к зрителям изучить дополнительные возможности Python и поразмышлять над тем, что они уже узнали.
Часть 1
Часть 2
Часть 3
Часть 4
MIT 6.034 «Искусственный интеллект». Осень 2010 г. Лекция 1. Введение и сфера применения
1. Введение и сфера применения
Это видео представляет собой введение в курс MIT 6.034 «Искусственный интеллект». Профессор объясняет определение искусственного интеллекта и его важность, а затем продолжает обсуждение моделей мышления и представлений, которые важны для понимания предмета. Наконец, в видео представлен краткий обзор курса, в том числе о том, как рассчитывается оценка и что повлечет за собой викторина и финал.
Лекция 2. Рассуждения: деревья целей и решение проблем
2. Рассуждение: деревья целей и решение проблем
В этом видео обсуждается, как рассуждать, деревья целей и решение проблем. Он знакомит с техникой, называемой «уменьшение проблемы», и объясняет, как ее можно использовать для решения математических задач. Также обсуждается, как использовать эвристические преобразования для решения проблем и как можно использовать знания для решения проблем в сложных областях.
Лекция 3. Рассуждения: деревья целей и экспертные системы на основе правил
3. Рассуждение: деревья целей и экспертные системы на основе правил
В этом видео объясняется, как работает экспертная система на основе правил. Система предназначена для решения задач, которые сложно решить более традиционными методами. Система состоит из нескольких правил, которые связаны воротами и , что позволяет системе с уверенностью распознавать конкретное животное.