Saltear al contenido principal

Modelos ocultos de Markov de aprendizaje automático no supervisado en Python

Tomar Curso

Descripción

El Modelo de Markov oculto o MMM se trata de aprender secuencias.

Muchos de los datos que nos sería muy útil modelar están en secuencias. Precios de las acciones son secuencias de precios. El lenguaje es una secuencia de palabras. Puntuacion de credito implica secuencias de pedir prestado y devolver dinero, y podemos usar esas secuencias para predecir si va a incumplir o no. En resumen, las secuencias están en todas partes, y poder analizarlas es una habilidad importante en su Ciencia de los datos caja de herramientas.

La forma más fácil de apreciar el tipo de información que obtiene de una secuencia es considerar lo que está leyendo en este momento. Si hubiera escrito la oración anterior al revés, no tendría mucho sentido para usted, aunque contuviera todas las mismas palabras. Entonces el orden es importante.

Mientras que la moda actual en aprendizaje profundo es usar redes neuronales recurrentes para modelar secuencias, primero quiero presentarles un algoritmo de aprendizaje automático que ha existido durante varias décadas: el modelo oculto de Markov.

Este curso sigue directamente de mi primer curso en Aprendizaje automático no supervisado para análisis de clústeres, donde aprendiste a medir el Distribución de probabilidad de un variable aleatoria. En este curso, aprenderá a medir la distribución de probabilidad de una secuencia de variables aleatorias.

Ustedes saben cuanto amo aprendizaje profundo, por lo que hay un pequeño giro en este curso. Ya hemos cubierto descenso de gradiente y sabe lo fundamental que es para resolver problemas de aprendizaje profundo. Afirmé que el descenso de gradiente podría usarse para optimizar cualquier función objetivo. En este curso, le mostraré cómo puede usar el descenso de gradiente para resolver los parámetros óptimos de un HMM, como alternativa a maximización de expectativas algoritmo.

Lo vamos a hacer en Theano y Tensorflow, que son bibliotecas populares para el aprendizaje profundo. Esto también te enseñará cómo trabajar con secuencias en Theano y Tensorflow, lo cual será muy útil cuando cubramos redes neuronales recurrentes y LSTM.

Este curso también analizará las muchas aplicaciones prácticas de los modelos de Markov y los modelos ocultos de Markov. Veremos un modelo de enfermedad y salud, y calcularemos cómo predecir cuánto tiempo permanecerá enfermo si se enferma. Vamos a hablar sobre cómo se pueden usar los modelos de Markov para analizar cómo las personas interactúan con su sitio web y solucionar áreas problemáticas como alta Porcentaje de rebote, lo que podría estar afectando tu SEO. Construiremos modelos de lenguaje que se pueden usar para identificar a un escritor e incluso generar texto; imagine una máquina que escribe por usted. Los HMM han tenido mucho éxito en procesamiento natural del lenguaje o PNL.

Veremos cuál es posiblemente la aplicación más reciente y prolífica de los modelos de Markov: PageRank de Google algoritmo. Y finalmente discutiremos aplicaciones aún más prácticas de los modelos de Markov, incluida la generación de imágenes, smartphone autosugestionesy el uso de HMM para responder una de las preguntas más fundamentales en biología – como es ADN, el código de vida, traducido en atributos físicos o de comportamiento de un organismo?

Todos los materiales de este curso se pueden descargar e instalar GRATIS. Haremos la mayor parte de nuestro trabajo en Numpy y Matplotlib, junto con un poco de Theano. Siempre estoy disponible para responder sus preguntas y ayudarlo en su viaje por la ciencia de datos.

Este curso se centra en «como construir y entender“, No solo“ cómo usarlo ”. Cualquiera puede aprender a usar una API en 15 minutos después de leer alguna documentación. No se trata de «recordar hechos», se trata de «Ver por ti mismo» a través de la experimentación. Le enseñará cómo visualizar lo que está sucediendo en el modelo internamente. Si tu quieres más que una simple mirada superficial a los modelos de aprendizaje automático, este curso es para usted.

¡Te veo en clases!

«Si no puedes implementarlo, no lo entiendes»

  • O como dijo el gran físico Richard Feynman: “Lo que no puedo crear, no lo entiendo”.

  • Mis cursos son los ÚNICOS cursos en los que aprenderá a implementar algoritmos de aprendizaje automático desde cero.

  • Otros cursos le enseñarán cómo conectar sus datos a una biblioteca, pero ¿realmente necesita ayuda con 3 líneas de código?

  • Después de hacer lo mismo con 10 conjuntos de datos, se da cuenta de que no aprendió 10 cosas. Aprendió 1 cosa y simplemente repitió las mismas 3 líneas de código 10 veces …

Requisitos previos sugeridos:

  • cálculo

  • álgebra lineal

  • probabilidad

  • Siéntete cómodo con la distribución gaussiana multivariante

  • Codificación Python: if / else, bucles, listas, dictados, conjuntos

  • Codificación Numpy: operaciones matriciales y vectoriales, carga de un archivo CSV

¿EN QUÉ ORDEN DEBO TOMAR TUS CURSOS ?:

Ver Comentarios del Curso

Volver arriba