Python · Strojové učení
Od regrese napsané ručně po validované modely.
Co je strojové učeníJak se program učí z příkladů místo z pravidel, co je model, vlastnost a cíl, jaké úlohy existují a kdy se strojové učení nevyplatí.Otevřít tahák →Trénovací a testovací dataProč model nesmíš hodnotit na datech, ze kterých se učil, jak data správně rozdělit a jak nenápadně uniká informace z testu.Otevřít tahák →Lineární regrese od nulyProložíš data přímkou ručně, odvodíš vzorec, rozšíříš ho na více vlastností v NumPy a výsledek porovnáš se scikit-learn.Otevřít tahák →Gradientní sestupAlgoritmus, který stojí za tréninkem většiny modelů i neuronových sítí. Pochopíš ho na kopci v mlze a napíšeš ho v NumPy.Otevřít tahák →Logistická regreseModel, který odpovídá ano, nebo ne a přidá k tomu pravděpodobnost. Sigmoida, log loss, trénink v NumPy a hotové řešení ve scikit-learn.Otevřít tahák →Metriky: přesnost nestačíMatice záměn, precision, recall, F1, volba prahu, ROC a PR křivky. Jak poznat, že model s vysokou přesností je ve skutečnosti k ničemu.Otevřít tahák →Rozhodovací stromy a náhodné lesyModel z otázek typu ano, nebo ne. Postavíš strom v NumPy, uvidíš, proč se přeučuje, a spojíš stovky stromů do náhodného lesa.Otevřít tahák →Gradient boostingStovky malých stromů, z nichž každý opravuje chyby těch předchozích. Postavíš boosting v NumPy a naučíš se ho ladit ve scikit-learn.Otevřít tahák →Přeučení, bias a variance, regularizaceProč model, který umí data nazpaměť, selhává na nových. Naučíš se přeučení rozpoznat, změřit a zkrotit regularizací.Otevřít tahák →Křížová validace a laděníJak spolehlivě změřit kvalitu modelu, vybrat hyperparametry a nenaletět na výsledek, který vypadá lépe, než ve skutečnosti je.Otevřít tahák →Pipelines a únik datProč model s fantastickým skóre často podvádí, jak únik dat odhalit a jak mu předejít pomocí pipeline ve scikit-learn.Otevřít tahák →Shlukování a PCAJak najít skupiny a směry v datech, ke kterým nikdo nepřipsal správnou odpověď. K-means ručně, výběr počtu shluků, DBSCAN a PCA od dvou rozměrů po číslice.Otevřít tahák →Mise: model od dat po vyhodnoceníProjdeš celý projekt: od zadání přes výběr modelu a nastavení prahu až po poctivý test a zprávu, které se dá věřit.Otevřít tahák →
Nic takového tu není. Zkus kratší slovo.