آموزش علوم داده: رگرسیون خطی بیزی در پایتون - آخرین آپدیت

یادگیری ماشین بیزی: مدل های پارامتری

مقدمه ای بر رگرسیون خطی بیزی: با استفاده از توزیع های پیشین و پسین، نحوه اعمال استنتاج بیزی را در رگرسیون خطی بیاموزید.

استخراج و پیاده سازی مدل: ریاضیات و کد رگرسیون خطی بیزی را از ابتدا در پایتون پیاده سازی کنید.

مقایسه روش های بیزی و فراوانی گرا: تفاوت های کلیدی و مزایای روش بیزی را نسبت به رگرسیون خطی سنتی کشف کنید.

کاربرد رگرسیون بیزی در داده ها: از مدل سازی احتمالی برای تجزیه و تحلیل مجموعه داده های دنیای واقعی و تعیین کمیت عدم قطعیت استفاده کنید.

به رگرسیون خطی بیزی خوش آمدید!

من این سری دوره های یادگیری ماشین بیزی را سال ها پیش با دوره A/B Testing شروع کردم. همیشه قصد داشتم این سری را گسترش دهم (مطالب زیادی برای پوشش وجود دارد!) اما دائماً به سمت های دیگر کشیده می شدم.

امروز خوشحالم اعلام کنم که سری یادگیری ماشین بیزی بالاخره به مسیر خود بازگشته است!

در اولین دوره، بسیاری از دانشجویان پرسیدند، "اما 'یادگیری ماشین' کجاست؟"، زیرا آنها یادگیری ماشین را از الگوی مدل پارامتری نظارت شده/نظارت نشده معمولی می شناختند. دوره A/B Testing هرگز برای نگاه کردن به چنین مدل هایی در نظر گرفته نشده بود، اما دقیقاً برای همین منظور این دوره است.

اگر قبلاً یادگیری ماشین را مطالعه کرده اید، می دانید که رگرسیون خطی اولین مدلی است که همه در مورد آن یاد می گیرند. ما نیز به همین ترتیب به یادگیری ماشین بیزی نزدیک می شویم.

رگرسیون خطی بیزی دارای ویژگی های خوب بسیاری است (انتقال آسان از رگرسیون خطی غیر بیزی، راه حل های فرم بسته و غیره). این بهترین و کارآمدترین "اولین قدم" به دنیای یادگیری ماشین بیزی است.

همچنین، فراموش نکنیم که رگرسیون خطی (از جمله نوع بیزی آن) به سادگی در دنیای واقعی بسیار کاربردی است. یادگیری ماشین بیزی می تواند بسیار ریاضیاتی شود، بنابراین به راحتی می توان دیدگاه کلی - کاربردهای دنیای واقعی - را از دست داد. با قرار گرفتن آرام در معرض ایده های بیزی، تحت تأثیر ریاضیات قرار نخواهید گرفت. شما همیشه کاربرد را در ذهن خواهید داشت.

با این حال، باید گفته شود: یادگیری ماشین بیزی واقعاً بسیار ریاضیاتی است. اگر به دنبال تجربه ای مانند scikit-learn هستید، یادگیری ماشین بیزی قطعاً برای شما خیلی سطح بالاست. بیشتر "کار" شامل دستکاری جبری است. در عین حال، اگر بتوانید تا آخر طاقت بیاورید، نتایج را واقعاً رضایت بخش خواهید یافت و از ظرافت آن شگفت زده خواهید شد.

نکته جانبی: اگر از دوره های رگرسیون خطی و A/B Testing من عبور کرده باشید، مشکلی نخواهید داشت.

پیش نیازها:

• کدنویسی پایتون: if/else، حلقه ها، لیست ها، دیکشنری ها، مجموعه ها

• کدنویسی Numpy و Pandas: عملیات ماتریس و بردار، بارگیری یک فایل CSV

• ریاضیات پایه: حساب دیفرانسیل و انتگرال، جبر خطی، احتمال

• رگرسیون خطی

• یادگیری ماشین بیزی: A/B Testing در پایتون (آگاهی از توزیع های مزدوج)