糖心vlog官网观看

Lineare Klassifikatoren geh枚ren zu den praktischsten Klassifizierungsmethoden. In unserer Fallstudie zur Stimmungsanalyse assoziiert ein linearer Klassifikator zum Beispiel einen Koeffizienten mit der Anzahl der einzelnen W枚rter im Satz. In diesem Modul werden Sie mit dieser Art der Darstellung vertraut gemacht. Sie werden sich auf einen besonders n眉tzlichen Typ von linearem Klassifikator, die logistische Regression, konzentrieren, die Ihnen nicht nur die Vorhersage einer Klasse erm枚glicht, sondern auch eine mit der Vorhersage verbundene Wahrscheinlichkeit liefert. Diese Wahrscheinlichkeiten sind 盲u脽erst n眉tzlich, da sie ein gewisses Ma脽 an Vertrauen in die Vorhersagen vermitteln. In diesem Modul werden Sie auch in der Lage sein, Merkmale aus kategorialen Eingaben zu konstruieren und Klassifizierungsprobleme mit mehr als zwei Klassen (Multiklassenprobleme) zu bew盲ltigen. Sie werden die Ergebnisse dieser Techniken anhand einer realen Aufgabe zur Stimmungsanalyse von Produkten untersuchen.

Nachdem Sie sich mit linearen Klassifikatoren und logistischer Regression vertraut gemacht haben, k枚nnen Sie jetzt eintauchen und Ihren ersten Lernalgorithmus 蹿眉谤 die Klassifizierung schreiben. Insbesondere werden Sie Gradient Ascent verwenden, um die Koeffizienten Ihres Klassifikators aus den Daten zu lernen. Zun盲chst m眉ssen Sie die Qualit盲tsmetrik 蹿眉谤 diese Aufgaben mithilfe eines Ansatzes namens Maximum Likelihood Estimation (MLE) definieren. Sie werden auch mit einer einfachen Technik zur Auswahl der Schrittgr枚脽e 蹿眉谤 den Gradientenanstieg vertraut gemacht. Ein optionaler, fortgeschrittener Teil dieses Moduls behandelt die Ableitung des Gradienten 蹿眉谤 die logistische Regression. Sie werden Ihren eigenen Lernalgorithmus 蹿眉谤 die logistische Regression von Grund auf implementieren und ihn verwenden, um einen Klassifikator 蹿眉谤 die Stimmungsanalyse zu lernen.

Wie wir im Regressionskurs gesehen haben, ist die 脺beranpassung vielleicht die gr枚脽te Herausforderung, mit der Sie konfrontiert werden, wenn Sie Ans盲tze des maschinellen Lernens in der Praxis anwenden. Diese Herausforderung kann bei der logistischen Regression besonders gro脽 sein, wie Sie in diesem Modul feststellen werden, da wir nicht nur riskieren, eine zu komplexe Entscheidungsgrenze zu erhalten, sondern Ihr Klassifikator auch zu viel Vertrauen in die von ihm vorhergesagten Wahrscheinlichkeiten gewinnen kann. In diesem Modul werden Sie sich eingehend mit der 脺beranpassung bei der Klassifizierung befassen und anhand einiger interessanter Visualisierungen der Ergebnisse der Klassifizierer umfassende praktische Erkenntnisse gewinnen. Anschlie脽end werden Sie einen Regularisierungsterm zu Ihrer Optimierung hinzuf眉gen, um das Overfitting zu verringern. Sie werden sowohl die L2-Regularisierung untersuchen, um gro脽e Koeffizientenwerte zu bestrafen, als auch die L1-Regularisierung, um zus盲tzliche Sparsamkeit in den Koeffizienten zu erreichen. Schlie脽lich werden Sie Ihren Gradientenanstiegsalgorithmus modifizieren, um regularisierte logistische Regressionsklassifikatoren zu lernen. Sie werden Ihren eigenen regularisierten logistischen Regressionsklassifikator von Grund auf implementieren und die Auswirkungen der L2-Strafe auf reale Stimmungsanalysedaten untersuchen.

Zusammen mit linearen Klassifizierern geh枚ren 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别 zu den am h盲ufigsten verwendeten Klassifizierungstechniken in der realen Welt. Diese Methode ist 盲u脽erst intuitiv, einfach zu implementieren und liefert interpretierbare Vorhersagen. In diesem Modul machen Sie sich mit der zentralen Darstellung von 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别n vertraut. Anschlie脽end werden Sie einen einfachen, rekursiven Greedy-Algorithmus entwerfen, um 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别 aus Daten zu lernen. Schlie脽lich werden Sie diesen Ansatz erweitern, um mit kontinuierlichen Eingaben umgehen zu k枚nnen, eine grundlegende Voraussetzung 蹿眉谤 praktische Probleme. In diesem Modul werden Sie eine brandneue Fallstudie aus dem Finanzsektor untersuchen: die Vorhersage des mit einem Bankkredit verbundenen Risikos. Sie werden Ihren eigenen Entscheidungsbaum-Lernalgorithmus auf realen Kreditdaten implementieren.

Von allen Techniken des maschinellen Lernens sind 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别 mit am anf盲lligsten 蹿眉谤 Overfitting. Keine praktische Implementierung ist m枚glich, ohne Ans盲tze einzubeziehen, die diese Herausforderung abmildern. In diesem Modul werden Sie anhand verschiedener Visualisierungen und Untersuchungen untersuchen, warum 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别 unter erheblichen Overfitting-Problemen leiden. Unter Anwendung des Prinzips von Occams Rasiermesser werden Sie die 脺beranpassung durch das Lernen einfacherer B盲ume abmildern. Zun盲chst werden Sie Algorithmen entwerfen, die den Lernprozess stoppen, bevor die 贰苍迟蝉肠丑别颈诲耻苍驳蝉产盲耻尘别 眉berm盲脽ig komplex werden. In einem optionalen Abschnitt werden Sie einen sehr praktischen Ansatz entwerfen, der einen 眉berm盲脽ig komplexen Baum lernt und ihn dann durch Beschneidung vereinfacht. Ihre Implementierung wird die Auswirkungen dieser Techniken auf die Abschw盲chung von Overfitting an unserem realen Darlehensdatensatz untersuchen.

Bei Problemen des maschinellen Lernens in der realen Welt gibt es viele fehlende Daten. Das hei脽t, sehr oft werden einige der Eingaben nicht 蹿眉谤 alle Datenpunkte beobachtet. Dies ist eine sehr gro脽e Herausforderung, die in den meisten F盲llen auftritt und sorgf盲ltig behandelt werden muss, um eine gute Leistung zu erzielen. Dieses Thema wird in Kursen zum maschinellen Lernen nur selten behandelt. In diesem Modul werden Sie das Problem der fehlenden Daten direkt angehen. Sie beginnen mit den beiden grundlegendsten Techniken zur Umwandlung eines Datensatzes mit fehlenden Daten in einen sauberen Datensatz, n盲mlich dem 脺berspringen fehlender Werte und der Eingabe fehlender Werte. In einem fortgeschrittenen Abschnitt werden Sie au脽erdem eine Modifikation des Entscheidungsbaum-Lernalgorithmus entwerfen, die Entscheidungen 眉ber fehlende Daten direkt in das Modell einbaut. Sie werden diese Techniken auch in Ihrer Implementierung mit echten Daten erproben.

Eine der spannendsten theoretischen Fragen im Bereich des maschinellen Lernens ist, ob einfache Klassifikatoren zu einem hochpr盲zisen Ensemble kombiniert werden k枚nnen. Diese Frage f眉hrte zur Entwicklung von Boosting, einer der wichtigsten und praktischsten Techniken des maschinellen Lernens heute. Dieser einfache Ansatz kann die Genauigkeit eines beliebigen Klassifizierers erh枚hen und wird in der Praxis h盲ufig verwendet, z.B. von mehr als der H盲lfte der Teams, die die Kaggle-Wettbewerbe 蹿眉谤 maschinelles Lernen gewinnen. In diesem Modul werden Sie zun盲chst den Ensemble-Klassifikator definieren, bei dem mehrere Modelle 眉ber die beste Vorhersage abstimmen. Anschlie脽end werden Sie einen Boosting-Algorithmus namens AdaBoost kennenlernen, der einen hervorragenden Ansatz 蹿眉谤 das Boosten von Klassifikatoren bietet. Anhand von Visualisierungen werden Sie viele der praktischen Aspekte dieser Technik kennenlernen. Sie werden Ihre eigene Implementierung von AdaBoost von Grund auf neu erstellen und damit die Leistung Ihres Kreditrisikopr盲diktors auf realen Daten steigern.

In vielen realen Situationen sind Genauigkeit oder Fehler nicht die besten Qualit盲tsma脽st盲be 蹿眉谤 die Klassifizierung. Sie werden eine Fallstudie untersuchen, die dieses Problem deutlich macht: die Verwendung der Stimmungsanalyse zur Anzeige positiver Bewertungen auf einer Restaurant-Website. Anstelle von Genauigkeit werden Sie zwei Metriken definieren: Pr盲zision und Recall, die in der Praxis h盲ufig verwendet werden, um die Qualit盲t von Klassifizierern zu messen. Sie werden untersuchen, wie die von Ihrem Klassifikator ausgegebenen Wahrscheinlichkeiten verwendet werden k枚nnen, um Pr盲zision und Recall gegeneinander abzuw盲gen, und Sie werden dieses Spektrum anhand von Pr盲zisions-Recall-Kurven untersuchen. In Ihrer praktischen Implementierung werden Sie diese Metriken mit Ihrem gelernten Klassifikator auf realen Sentimentanalyse-Daten berechnen.

Mit dem Aufkommen des Internets, dem Wachstum der sozialen Medien und der Einbettung von Sensoren in der Welt sind die Datenmengen, die unsere Algorithmen 蹿眉谤 maschinelles Lernen verarbeiten m眉ssen, im letzten Jahrzehnt enorm gewachsen. Dieser Effekt wird manchmal als "Big Data" bezeichnet. Daher m眉ssen unsere Lernalgorithmen auf immer gr枚脽ere Datens盲tze skalieren. In diesem Modul werden Sie eine kleine Abwandlung des Gradientenaufstiegs, den stochastischen Gradienten, entwickeln, der die Laufzeit unserer Algorithmen erheblich beschleunigt. Diese einfache 脛nderung kann die Skalierung drastisch verbessern, macht den Algorithmus aber weniger stabil und schwieriger in der Praxis zu verwenden. In diesem Modul werden Sie die praktischen Techniken untersuchen, die erforderlich sind, um den stochastischen Gradienten praktikabel zu machen und so Lernalgorithmen zu erhalten, die auf gro脽e Datens盲tze skalieren. Sie werden sich auch mit einer neuen Art von maschinellem Lernproblem befassen, dem Online-Lernen, bei dem die Daten im Laufe der Zeit einstr枚men und wir die Koeffizienten lernen m眉ssen, w盲hrend die Daten eintreffen. Diese Aufgabe kann auch mit stochastischen Gradienten gel枚st werden. Sie werden Ihren eigenen stochastischen Gradientenaufstiegsalgorithmus 蹿眉谤 die logistische Regression von Grund auf implementieren und ihn anhand von Sentiment-Analysedaten bewerten.