Машинное обучение

Разве людям легче начать машинное обучение, используя scikit-learn, а не PyTorch или TensorFlow?

Любит | Нелюбов | Ответы | Вид | 5382


Майк Вест инструктор по машинному обучению Pluralsight   
@ | Обновлено Right Now


  1. Линейная регрессия с регуляризацией (например, хребет). Вы действительно понимаете, что происходит? Вы понимаете, что может пойти не так? Вы понимаете, что на самом деле означают коэффициенты? Вы понимаете, как оценить качество вашей подгонки? Вы понимаете, почему Регуляризация помогает или вредит вам? Вы понимаете, как выбрать свой гиперпараметр регуляризации?
  2. Логистическая регрессия . Один из самых мощных инструментов в вашем ящике для инструментов. Вы понимаете, как соответствие отличается от линейной регрессии? Понимаете ли вы показатели производительности, такие как точность, отзыв, специфичность и как выбрать порог? Вы понимаете опасности классового дисбаланса?
  3. Случайный Лес . Знаете ли вы, когда использовать это вместо регрессии? Вы понимаете, как деревья решений могут аппроксимировать нелинейные функции? Ты понимаешь опасности переоснащения? Можете ли вы интерпретировать модель и важность ее особенностей?

Я вроде как обманываю, смешивая все регуляризации с # 1. Но эти три алгоритма очень далеки. Если у вас есть глубокое понимание по всем из них и на самом деле есть опыт применения их к бизнес-задачам, то вы уже далеко впереди кривой.

PS Вам не следует «переходить к другим», пока у вас не возникнет реальная проблема, которую невозможно решить с помощью более простых моделей. Может быть, никогда не двигаться дальше. Я имею в виду, конечно, продолжайте учиться, но вышеперечисленные инструменты чрезвычайно мощны, и путь к истинному мастерству очень длинный. Так что наслаждайтесь ими.

| |



Онлайн-курс
«Квантовые технологии»
Один из самых трендовых курсов в сфере Цифровой экономики.