Bloc-notes de ressources d'étude d'apprentissage automatique

Mémo d'étude ML d'un amateur. Mises à jour irrégulières.

Ressource Python pour ML

• Awesome Pysci by bafoo
• https://github.com/bakfoo/awesome-pysci
• Une version d'apprentissage automatique de ce python génial. Avec une explication japonaise polie.

webinar

• Machine Learning by Stanford Univ.
• https://www.coursera.org/learn/machine-learning/
• Un gars célèbre. Gratuit, facile à comprendre, avec japonais (sous-titres).
• En gros, juste parler de mathématiques. Il est plus efficace de toucher numpy / scikit-learn / tensorflow etc. après avoir vu cela et compris la partie mathématique.
• prendre du temps. Cela prend 1 à 2 heures par jour. Vous devez faire le test sérieusement.
• [Impression article de ceux qui ont terminé] A terminé le cours d'apprentissage automatique de Coursera

Livre

• Théorie et pratique de la programmation d'apprentissage automatique Python par des scientifiques experts en données
• https://www.amazon.co.jp/dp/4844380605

base de données

• UCI Machine Learning Repository
• http://archive.ics.uci.edu/ml/
• Divers, y compris Iris
• Kaggle Datasets
• https://www.kaggle.com/datasets
• Cela a l'air amusant avec un ensemble de données intéressant comme la base de données européenne sur le football (https://www.kaggle.com/hugomathien/soccer)

Article Web

• Machine Learning in a Week
• https://medium.com/learning-new-stuff/machine-learning-in-a-week-a0da25d59850#.y88amjan7

# 1: Régression linéaire

• scikit-learn video #6: Linear regression (plus pandas & seaborn)

• http://blog.kaggle.com/2015/05/28/scikit-learn-video-6-linear-regression-plus-pandas-seaborn/

• Vous devez vous abonner au blog de kaggle. (Http://blog.kaggle.com/)

• A friendly introduction to linear regression (using python)

• http://www.dataschool.io/linear-regression-in-python/

• Pratique: demande de partage de vélos (kaggle)

• https://www.kaggle.com/c/bike-sharing-demand

• La date limite étant fermée, je n'obtiendrai pas de classement officiel, mais il sera évalué

• Cela semble facile mais pas

• Si vous écrivez et soumettez le code facilement, ce sera environ 3000/3200 (nombre total de participants pendant la date limite)

• Après avoir regroupé par saison, vacances, jour ouvrable, météo, entraînez-vous chacun et prédisez les données de test en utilisant les résultats d'entraînement du même groupe

• Utilisez la température, l'atemp, la vitesse du vent, l'humidité pour apprendre

• Explication: https://www.analyticsvidhya.com/blog/2015/06/solution-kaggle-competition-bike-sharing-demand/

• Remarque

• Comment choisir le taux d'apprentissage: (trop petit: convergence lente) ..., 0,001, 0,003, 0,01, 0,03, 0,1, 0,3, 1, ... (trop grand: la fonction de coût ne devient pas petite ou ne converge pas) → 3 fois chacun

• Fonctionnalité Scailing: normalized_value = (original_value --average) / (max --min)

application

Mesures de triche de jeu en ligne

• Probabilistic Approaches to Cheating Detection in Online Games
• http://www.hamilton.ie/dwmalone/CIG2010.pdf