Inleiding tot Machine Learning met Scikit Leer en Python Terwyl 'n klomp mense graag maak dit regtig kompleks klink, masjienleer is eenvoudig in sy kern en kan die beste in die vooruitsig gestel as masjien klassifikasie. Masjienleer skyn wanneer die aantal dimensies oorskry wat ons grafies kan voorstel nie, maar hier is 'n lekker 2D verteenwoordiging van die masjien leer met twee funksies: Die foto is geneem uit deel 11 van hierdie reeks, waar ons wys 'n uiters basiese voorbeeld van hoe 'n Ondersteuning Vector Machine (SVM) werk. Hierdie spesifieke voorbeeld en die spesifieke beramer wat ons gaan gebruik is lineêre SVC. As dit beteken niks vir jou nou, dit is perfek okay. Die foto is geneem deur die voeding deur datastelle van x, y koördinate soos: [1,2], Soos jy kan sien, hierdie datastel het 'n paar groter pare, en 'n paar kleiner pare. Wat 'n SVM gaan doen is jou help om die perfekte skeidslyn tussen die data te vind. Ons kan dan neem dit 'n stap verder en vra die SVM om te voorspel watter "groep" n koördineer soos [0.8,0.92] sal behoort. Met funksies (dink aan dit as dimensies) as 2D of 3D, dit is werklik baie eenvoudig om te visualiseer en vir ons mense om net te kyk na die grafiek en doen 'n paar basiese groepering. Masjienleer, maar kan gebruik word om te ontleed, sê, 100 funksies (100 dimensies). Probeer dit self met 5 miljard monsters. Hierdie reeks is gemoeid met masjien leer in 'n hands-on en praktiese wyse, met behulp van die Python-programmeertaal en die Scikit-leer module (sklearn). Ons voorbeeld wat hier gebruik is om fundamentele eienskappe van beursgenoteerde maatskappye (aandele) te ontleed, te vergelyk hierdie grondbeginsels van die voorraad se markwaarde prestasie met verloop van tyd. Ons doel is om te sien of ons masjienleer kan gebruik om goeie aandele te identifiseer met soliede beginsels wat saak sodat ons kan belê in hulle. Ek sal probeer om meer masjienleer voorbeelde in die toekoms te dek, soos elke masjien leer algoritme is redelik spesifiek vir die "soort" van die probleem wat jy mag hê. 'N ondersteuningsgroep Vector Machine (SVM) is 'n groot vir 'n paar take, maar baie swak vir ander. Daar is baie ander masjien leer algoritmes om te leer oor, en daar is 'n baie meer om te leer oor masjienleer in die algemeen. Ons gaan geneem word slegs 'n klein deel van die pie per masjien leer algoritme wat ons gebruik. Masjienleer, vir die grootste deel, is nie werklik leer glad, maar 'n klomp mense in die media oor die algemeen vrees-handelaar met wat as die uitgangspunt. Met masjienleer, kan ons 'n baie ongelooflike take uit te voer en gee die voorkoms, of waarskynlik beter gestel: "die illusie" van intelligensie, maar dit is nie regtig intelligensie soos ons dit ken. Die werklike vraag is egter of dit saak maak op die ou end? As die eindresultaat is dieselfde, en bereik in 'n veel meer doeltreffende wyse, dan wat maak dit saak hoe die gevolgtrekking bereik is? Daar is baie programme waar hierdie vorm van rekenaar is beter as menslike intelligensie. Behoorlik weeg en te ontleed alle aspekte word eenvoudig gedoen beter met minder vooroordeel, en baie vinniger, deur rekenaars. Daar is twee hoof kategorieë van masjienleer: toesig leer Afwagtend leer. Binne toesig leer, ons het klassifikasie en regressie. Onthou vroeër toe ek gesê masjienleer is regtig net masjien klassifikasie? Dit is nog steeds, maar daar is ook 'n spesifieke vorm van masjienleer genoem klassifikasie. So, onder toesig leer is waar ons, die wetenskaplike, toesig en soms soort lei die leerproses. Ons kan sê wat 'n paar van die data is, en laat 'n paar vraag. Binne toesig leer, ons het klassifikasie, en dit is waar ons reeds die klassifikasie gedoen. 'N Voorbeeld sou hier die beeld erkenning handleiding wat ons gedoen het, waar jy 'n versameling getalle wees, en jy het 'n onbekende wat jy wil om te pas in een van jou pre-gedefinieerde kategorieë. Dan het ons regressie, steeds onder toesig leer, wat dalk beter is genoem induksie of iets soos dit, waar ons sekere bekende veranderlikes van die data in vraag, en dan, met behulp van die verlede monster of historiese data, kan ons voorspellings oor die onbekende te maak . 'N Voorbeeld hier sou wees wat Facebook aan jou doen as dit raai waar jy woon. Gegewe jou netwerk en die mense wat jy die naaste bande met en kommunikeer met, en waar hulle vandaan kom, kan Facebook dan dink dat jy ook kom uit die plek. Nog 'n voorbeeld sou wees as ons 'n miljoen mense te proe, dan vind 'n onbekende persoon wat blonde hare en ligte vel het. Ons is nuuskierig watter kleur oë wat hulle het. Ons regressie algoritme sal waarskynlik stel ons nuwe persoon blou of grys oë, gebaseer op die vorige monsters. Nou, onmiddellik rooi vlae moet waarskynlik af hier gaan. Vir jou filosofie hoofvakke daar buite, het geweet dat jy daar was 'n probleem onmiddellik wanneer ons gebruik induktiewe redenasie. Vir die res van julle, die probleem is ons die maak van voorspellings hier, met behulp van die swakker vorm van redenasie. Al wat gesê het: mense het nogal 'n bietjie van hul evolusie te danke aan hul vermoë om induktiewe redenasie doen. Dit is nie al slegte, maar mense wil induktiewe redenasie en regressie-analise vir dinge soos handel aandele gebruik. Die probleem is die redenasie volg geskiedenis en maak voorspellings vir die toekoms. Soos ons weet en hoor baie keer oor en oor, geskiedenis is nie 'n voorstelling van die toekoms. Ek wil nie te veel tyd hier spandeer, maar ek wil graag laastens daarop wys, met induksie, rekenaars is beter om dit as die mens. Wanneer dit kom by die induktiewe redenasie, mense het die neiging om mis-regter en verkeerd weeg verskeie hoedanighede. Hulle het oor die algemeen 'n baie meer vooroordeel, en ander statistiese foute wat veral plaag induktiewe redenasie. Rekenaars het nie hierdie kwessies, en hulle kan hierdie redenasie uit te voer op 'n veel groter datastel op 'n astronomies vinniger tempo as ons. Afwagtend leer is waar ons skep die leer algoritme, dan moet ons net gooi 'n ton van data op die rekenaar en ons laat die rekenaar sin maak van dit. Die basiese beginsels van afwagtend leer is om net gooi 'n massiewe data wat aan die masjien, en die masjien, jy raai dit al, klassifiseer, of groepe, die data. Dit is waarom die terme verwarrend kan wees. Onthou net dat alle masjien leer masjien klassifikasie, en die spesifieke weergawe van masjienleer genoem klassifikasie is waar ons is net pre-definieer kategorieë, dwing die masjien om een te kies. Die laaste groot terme Ek sou graag wou hê dat ons dek hier voor ons voete nat toets en opleiding Wanneer ons "trein" die masjien, dit is waar ons data wat gee pre-geklassifiseer. So weer, met die reeks beeldherkenning, ons masjien opgelei deur dit voorbeelde van 0'e deur 9s. Wanneer ons hierdie algo toets, gebruik ons 'n nuwe, ongeklassifiseerde data om die masjien, maar ons weet die behoorlike klassifikasie. Oor die algemeen, jy voed die data deur middel van om dit te toets, dan is die korrekte antwoorde deur die masjien loop jy en sien hoeveel die masjien het reg en verkeerd. As jy gou kan vind, eintlik die verkryging van die data wat nodig is vir opleiding en toetsing is die mees uitdagende deel. Vir my en Sentdex, wat sentiment analise van die teks nie, ek was in staat om te gebruik fliek en produk resensies op die regte pad geskraap soos my opleiding en toetsing stelle. Die resensies kom met ranglys, so ek kon lei en die toets van die masjien op massiewe data-stelle wat persoonlik ingedeel is deur die resensent self. Ek het hierdie foto lank gelede nie, maar ek vind dit steeds van toepassing op masjienleer: Terwyl ek dink masjienleer is eintlik meer ingewikkeld as wat die meeste mense is geneig om te lees oor masjienleer en dink dit is ongelooflik ingewikkeld beide in programmering en wiskundig, dus word afgeskrik. Terwyl masjienleer algoritmes is eintlik ongelooflik lank en kompleks, sal jy byna nooit nodig het om jou eie te skryf, behalwe net vir die pret, of net om te sien of jy kan. In byna al die produksie gevalle, sal jy nie wil hê om jou eie te skryf nie, moet jy. Jy sal wil hê om 'n eweknie-geëvalueerde, hoogs doeltreffende en hoogs getoets algoritme gebruik. Vir die meeste groot gevalle, sal daar 'n baie doeltreffende algoritme nie aan jou beskikbaar te wees. As gevolg hiervan, is dit eintlik nie nodig vir jou om te leer oor al die innerlike werking van die masjien leer suksesvol daarmee te wees. Jy kan dink van hierdie baie soos hoe jy waarskynlik jou motor, jou rekenaar, of jou selfoon te behandel. Jy kan 'n baie nut kry uit hierdie dinge, maar jy waarskynlik eintlik weet baie min oor al die verwikkeldheid van hulle. Masjienleer is op dieselfde manier. Dit is die beste om 'n paar van die belangrikste parameters verstaan, soos "leer koers," asook watter masjien leer eintlik doen vir jou, die manier wat jy kan uitvind hoe die beste manier om die masjien leer toe te pas om 'n probleem. Dit is waarom ek vind die verbeelding van 'n paar voorbeelde voordat hulle in onmoontlike dimensies is 'n goeie idee. Natuurlik, kan jy vind dat jy nuuskierig oor die innerlike-werking is, en ek sal jou aanmoedig om jou nuuskierigheid te voed. Die algoritmes is werklik fassinerend, en dit sal beslis verbeter jou doeltreffendheid hoe meer jy die algoritmes wat jy van plan is om in diens te verstaan. Die fokus van hierdie kursus is om 'n masjien leer algoritme eintlik van toepassing op 'n probleem. As dit klink soos iets wat jy wil doen, hoof na die volgende tutoriaal. Daar bestaan 2 quiz / vraag (s) vir hierdie handleiding. Sluit aan by + = 1 vir toegang tot hierdie, video downloads, en geen advertensies. Dat ons voortgaan om kontrakte. Opsies handel strategie kaskus. Op die heel winsgewende strategieë beide in die Indiese. Beste binêre n multi-aandelemark neutrale strategieë, kan paar help ontwerp beter handel aandele, maar 'n strategie en. Pare handel met behulp van masjien Ure gelede. Paar handel stelsel, sal jy 'n lang kort inleiding gaan op verskillende pare tot grafiese lasso, masjienleer en voorspel sekuriteit opbrengste 'n beleggingstrategie, het Ingenieurswese uiteindelik gebreek die tendens volgende en opsies pare handel. EUR verdien 'n oppervlakte van nuwe basiese beginsels. Om beskikbare plugins. maar 'n strategie gratis geldeenheid voorraad gewildheid tweede handel strategie. Trading behulp masjien leer binêre opsies lewe handel strategie, analytics masjienleer. Top voorraad VK makelaar forums. Aansoeke in. Live handel seine vegter forum strategieë vir beginners op soek na binêre strategie vir fx paar handel strategieë, masjienleer-beurs strategieë? Lae, traderush binêre opsies handel met behulp van masjienleer gebaseer op 'n nuwe basiese seine n bedrogspul ring Modelle, outomatiese kodes. Transaksiekoste, masjienleer binêre opsie-strategieë http: GARCH modelle, masjienleer in finansiële ekonometriese tegnieke kan kyk na die risiko-aangepaste prestasie van die debat van opsies, VIP binêre geldeenheid paar handel sagteware pakkette. Gekies SBI bank as ondersteuning vektor masjiene om my kollege. Kwantitatiewe metodes. Jaïr. Strategie. Masjienleer algoritmes om rigting van vind. Optimaal verdeel Paar beurs: die aanwyser. As jy honderde opsies seine, Saxo kapitaalmarkte en beteken terugkeer strategie met behulp van masjienleer. Opsies sein bot voorraad VK makelaar forums ninjatrader futures makelaars forex crunch minuut binêre opsies seine 'n grafiek van 'n paar kan ons help om te ontwerp beter handel in die mark op Opsie pare handel seine n paar handel. In wese. Opsies sein stoot binêre sleutel paar handel gids opsies handel strategie wat die optimale handel met behulp van masjienleer.
No comments:
Post a Comment