Machine learning from scratch: myth or reality - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Machine learning from scratch: myth or reality, слайд №1

Machine learning from scratch: myth or reality, слайд №2

Machine learning from scratch: myth or reality, слайд №3

Machine learning from scratch: myth or reality, слайд №4

Machine learning from scratch: myth or reality, слайд №5

Machine learning from scratch: myth or reality, слайд №6

Machine learning from scratch: myth or reality, слайд №7

Machine learning from scratch: myth or reality, слайд №8

Machine learning from scratch: myth or reality, слайд №9

Machine learning from scratch: myth or reality, слайд №10

Machine learning from scratch: myth or reality, слайд №11

Machine learning from scratch: myth or reality, слайд №12

Machine learning from scratch: myth or reality, слайд №13

Machine learning from scratch: myth or reality, слайд №14

Machine learning from scratch: myth or reality, слайд №15

Machine learning from scratch: myth or reality, слайд №16

Machine learning from scratch: myth or reality, слайд №17

Machine learning from scratch: myth or reality, слайд №18

Machine learning from scratch: myth or reality, слайд №19

Machine learning from scratch: myth or reality, слайд №20

Machine learning from scratch: myth or reality, слайд №21

Machine learning from scratch: myth or reality, слайд №22

Machine learning from scratch: myth or reality, слайд №23

Machine learning from scratch: myth or reality, слайд №24

Machine learning from scratch: myth or reality, слайд №25

Machine learning from scratch: myth or reality, слайд №26

Machine learning from scratch: myth or reality, слайд №27

Machine learning from scratch: myth or reality, слайд №28

Machine learning from scratch: myth or reality, слайд №29

Machine learning from scratch: myth or reality, слайд №30

Machine learning from scratch: myth or reality, слайд №31

Machine learning from scratch: myth or reality, слайд №32

Machine learning from scratch: myth or reality, слайд №33

Machine learning from scratch: myth or reality, слайд №34

Machine learning from scratch: myth or reality, слайд №35

Machine learning from scratch: myth or reality, слайд №36

Machine learning from scratch: myth or reality, слайд №37

Machine learning from scratch: myth or reality, слайд №38

Machine learning from scratch: myth or reality, слайд №39

Machine learning from scratch: myth or reality, слайд №40

Machine learning from scratch: myth or reality, слайд №41

Machine learning from scratch: myth or reality, слайд №42

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Machine learning from scratch: myth or reality. Доклад-сообщение содержит 42 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Слайд 2

Описание слайда:

Machine learning from scratch: myth or reality? Dmitry Kozlov Kemerovo January 25, 2018

Слайд 3

Описание слайда:

Data is the new Oil We need to find it, extract it, refine it, distribute it and monetize it.

Слайд 4

Описание слайда:

The world’s most valuable resource is no longer oil, but data

Слайд 5

Описание слайда:

Слайд 6

Описание слайда:

Слайд 7

Описание слайда:

Слайд 8

Описание слайда:

Слайд 9

Описание слайда:

Applications of machine learning in real life Fraud Detection Customer churn prediction Credit scoring Image recognition system Recommender system Anomaly detection

Слайд 10

Описание слайда:

Слайд 11

Описание слайда:

Зачем? Возможность получить интересную работу и сложные задачи Развитие интуиции, собственная оценка событий и фактов Общие подходы к решениям задач в различных прикладных областях Применение в реальных практических задачах

Слайд 12

Описание слайда:

Что важно для старта? Мотивация, фокус и желание Английский язык (GitHub, arXiv, YouTube, Coursera, Google, etc.) Задавать вопросы на английском языке в Google Хотя бы один язык программирования (Python, R, С++, C, Java, Matlab, etc.) Windows, macOS, Ubuntu Поддержка сообщества

Слайд 13

Описание слайда:

Какие бывают данные? Табличные данные Временные ряды Изображения Видео Текст Звук Другие...

Слайд 14

Описание слайда:

С чего начать?

Слайд 15

Описание слайда:

С чего начать? Начать с практики Столкнуться с проблемами Найти решение в теории Применить решение или вернуться к пункту a) KISS principle “Keep it simple, stupid” Линейные модели (Linear regression, Logistic Regression, Ridge regression, Lasso, SVM, Naive Bayes, etc.)

Слайд 16

Описание слайда:

Что нужно помнить? Время ограничено, в том числе на обучение Необходимо декомпозировать сложные задачи Проще начать с хорошо изученных областей машинного обучения Помнить свою цель обучения, выбирая образовательную траекторию

Слайд 17

Описание слайда:

Какие инструменты? Искать популярные инструменты на GitHub Табличные данные (Pandas) Линейный модели (Scikit-learn) Градиентный бустинг (LightGBM, CatBoost, XGBoost) Нейронные сети (Tensorflow, Keras, PyTorch, Caffe, MXNet) Оптимизация гиперпараметров (Hyperopt) Визуализация (Seaborn, Plotly, Bokeh, Matplotlib)

Слайд 18

Описание слайда:

Какие ресурсы нужны? Для анализа небольших табличных данных (Pandas, Scikit-learn, XGBoost, LightGBM, etc): Ноутбук / Домашний компьютер c SSD, RAM >= 4-8 GB, CPU >= 2 Для нейронных сетей, анализа текста, изображений и аудио - нужны видеокарты (GPU) от Nvidia

Слайд 19

Описание слайда:

Какие ресурсы нужны для DL?

Слайд 20

Описание слайда:

Какую IDE выбрать? Jupyter Notebook PyCharm Vim Любую, с которой вы уже знакомы и хорошо ориентируетесь

Слайд 21

Описание слайда:

Что делать потом? Постоянно учиться и узнавать новое Вспоминать лучшие наработки прошлого на практике Погружаться в детали и научные статьи, если есть необходимость модификации метода или параметров

Слайд 22

Описание слайда:

Что пригодится? Линейная алгебра Комбинаторика Дискретная математика Теория вероятности Математический анализ Методы оптимизации Дифференциальные уравнения Структуры данных Визуализация данных Теория графов, алгоритмы на графах

Слайд 23

Описание слайда:

Слайд 24

Описание слайда:

Open Data Science Крупнейшее русскоязычное Data Science сообщество, существует с 2015 года Количество участников на данный момент: 10014 Регистрация: Блог на хабре:

Слайд 25

Описание слайда:

Что нужно знать про ODS? История сообщений с 2015 года! (Поиск по ключевым словам, каналам и авторам в Slack) Встречи, конференции, Data Science завтраки, тренировки, соревнования, вакансии, (#meetings, #kaggle_crackers, #deep_learning, #nlp, #proj_*,etc.) Есть каналы и информация по всем темам так или иначе связанным с машинным обучением и анализом данных

Слайд 26

Описание слайда:

Что нужно знать про ODS? Обязательно стоит задавать вопросы в соответствующих тематических каналах (правильный вопрос - это больше половины ответа) Будьте осторожны, ODS затягивает

Слайд 27

Описание слайда:

Что нужно знать про ODS? Ежегодный Большое количество специалистов из лучших IT-компаний России всегда готовы ответить на Ваши вопросы и бесплатно Несколько запусков бесплатного массового курса по машинному обучению ML Course ODS (участники сообщества делятся опытом с начинающими)

Слайд 28

Описание слайда:

Что нужно знать про ODS? Канал #welcome и #career - здесь вы можете узнать биографию и карьеру многих участников ODS #edu_books, #edu_coursees Тренировки по машинному обучению #mltrainings_beginners

Слайд 29

Описание слайда:

#_meetings_siberia in ODS Сибирская ячейка ODS, каналы: #_meetings_siberia, #_meetings_tomsk (Новосибирск (ЦФТ, 2ГИС, etc), Томск, Барнаул давно и активно встречаются, устраивают совместные завтраки, митапы и конференции) Календарь в Новосибирске Meetup ODSS CFT 16.12.17

Слайд 30

Описание слайда:

#_meetings_siberia in ODS

Слайд 31

Описание слайда:

Тренировки по машинному обучению в Yandex Анонс новых тренировок: Видео с прошедших тренировок: Календарь соревнований:

Слайд 32

Описание слайда:

Платформа для соревнований по машинному обучению мирового уровня с обсуждением задач и общим рейтингом участников

Слайд 33

Описание слайда:

а решать ? Решать вместе Быстрые проверки гипотез, больше экспериментов Фокус на целевой метрике Учиться на сложных примерах Расширять кругозор Автоматизировать повторяющиеся операции Собирать коллекцию трюков