Машинное обучение с нуля - Полный курс Machine Learning на Python для начинающих

Все нейросети/ИИ в одном месте qiper.ru - Искусственный Интеллект/Нейросети/AI/ИИ 00:00:00 Введение в машинное обучение Машинное обучение — это способ обучения компьютера с помощью примеров, а не правил Пример с распознаванием кошек: вместо написания правил программа учится на тысячах изображений 00:00:58 Различие между машинным обучением и традиционным программированием В традиционном программировании правила чётко указывают, что делать в каждом сценарии Машинное обучение анализирует данные и делает выводы на их основе Пример с погодой и одеждой: программа учится на данных о погоде и выборе одежды людьми 00:01:57 Применение машинного обучения в повседневной жизни YouTube, TikTok, разблокировка телефона по лицу, Google Suggest — все это примеры машинного обучения Подборка товаров и музыкальных приложений в интернет-магазинах также основана на машинном обучении 00:02:57 Основные типы машинного обучения Обучение под наблюдением: модель учится на данных с правильными ответами, например, прогнозирование покупок клиентов Обучение без присмотра: модель ищет закономерности в данных без правильных ответов, например, сегментация покупателей Обучение с подкреплением: алгоритм учится на своих действиях и их последствиях, например, в играх или робототехнике 00:03:57 Обучение с подкреплением Агент или бот пробует разные действия, получает награды за успехи и наказания за ошибки Подход используется в робототехнике, системах управления и играх, где ИИ может победить человека 00:04:12 Введение в машинное обучение Для начала работы в машинном обучении не обязательно быть математиком Основные навыки: понимание переменных, циклов, условий, списков и функций Математические понятия: средние значения, вероятности, координаты Важны желание экспериментировать и интерес к теме 00:05:10 Курс и обучающая программа Курс включает изучение машинного обучения с нуля и создание мини-проектов Используются Python и игровой движок Unity Материалы доступны на сайте itproker.com Обучающая программа по искусственному интеллекту: Python, PyTorch, LLM, местные модели 00:06:09 Контролируемое обучение Модель получает данные с правильными ответами Примеры задач: прогнозирование цен на жильё, распознавание лиц, анализ настроения текста Два типа задач: регрессия и классификация 00:08:01 Обучение без присмотра Модель должна самостоятельно найти структуру в данных Методы: кластеризация, уменьшение размеров данных Полезен для визуализации данных и подготовки к другим видам обучения 00:09:01 Обучение с подкреплением Агент взаимодействует с окружающей средой, получает вознаграждение и наказание Примеры применения: AlphaGo, обучение роботов Требует больше ресурсов, но позволяет создавать разумные агенты 00:09:58 Итоги Контролируемое обучение: примеры и правильные ответы Обучение без присмотра: поиск закономерностей без правильных ответов Обучение с подкреплением: игра, награда и наказание Эти три подхода охватывают 90% задач машинного обучения 00:10:54 Визуализация подходов График с точками: контролируемое обучение, обучение без учителя, обучение с подкреплением Модель учится разделять классы, группировать точки или находить путь к цели 00:11:50 Принцип работы машинного обучения Цепочка: данные, модель, прогнозирование Модель находит закономерности в данных и использует их для прогнозирования результатов Пример: обучение программы отличать медведей от слонов 00:12:19 Основы машинного обучения Каждое наблюдение в машинном обучении состоит из признаков и цели Признаки — это факты или характеристики объекта, например, площадь, количество комнат, расстояние до района Цель — это то, что мы хотим предсказать, например, цена квартиры Данные делятся на обучающий и тестовый наборы 00:13:15 Оценка работы модели Для оценки правильности прогнозов модели используется показатель ошибок — потери Цель обучения — минимизировать потери, чтобы прогнозы были максимально приближены к реальным ответам 00:14:13 Процесс обучения модели 00:15:13 Метод градиентного спуска 00:16:13 Практический пример с библиотекой Scikit-Learn 00:18:25 Обучение и тестирование модели 00:19:23 Прогнозирование новых данных 00:20:23 Заключение 00:20:48 Введение в нейронные сети 00:21:45 Принцип работы нейронов и слоёв 00:22:43 Преимущества нейронных сетей 00:23:40 Пример работы нейронной сети 00:25:37 Процесс обучения нейронной сети 00:26:35 Математические блоки и фильтры 00:27:29 Фреймворки для работы с нейронными сетями 00:28:35 Подготовка данных 00:30:29 Разделение данных и оценка модели 00:31:27 Проблема переобучения 00:31:33 Переобучение в машинном обучении 00:32:28 Подготовка данных 00:33:26 Этапы проекта машинного обучения 00:34:13 Визуализация машинного обучения в Unity 00:35:06 Создание сцены и агента 00:36:04 Реализация поведения агента 00:37:58 Обучение агента 00:39:54 Настройка ML Agents 00:40:53 Завершение проекта 00:41:29 Начало обучения агента 00:42:23 Обучение с подкреплением 00:43:20 Эксперименты с моделью 00:44:14 Завершение курса