آموزش یادگیری ماشین بیزی در پایتون: تست A/B

Bayesian Machine Learning in Python: A/B Testing

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تکنیک‌های علم داده، یادگیری ماشین و تجزیه و تحلیل داده‌ها برای بازاریابی، رسانه‌های دیجیتال، تبلیغات آنلاین و موارد دیگر استفاده از الگوریتم‌های تطبیقی ​​برای بهبود عملکرد تست A/B درک تفاوت بین آمار بیزی و فراوانی استفاده از روش‌های بیزی در تست A/B پیش نیازها: احتمال (توزیع مشترک، حاشیه ای، شرطی، متغیرهای تصادفی پیوسته و گسسته، PDF، PMF، CDF) کدنویسی پایتون با پشته Numpy

این دوره در مورد تست A/B است.

تست A/B در همه جا استفاده می شود. بازاریابی، خرده فروشی، فیدهای خبری، تبلیغات آنلاین و موارد دیگر.

تست A/B همه چیز در مورد مقایسه چیزها است.

اگر دانشمند داده هستید و می‌خواهید به بقیه شرکت‌ها بگویید، "لوگوی A بهتر از نشان‌واره B است"، خوب نمی‌توانید این را بدون اثبات آن با استفاده از اعداد و آمار بیان کنید.

p>

آزمایش A/B سنتی مدت‌هاست که وجود داشته است، و پر از تقریب‌ها و تعاریف گیج‌کننده است.

در این دوره، در حالی که ما تست سنتی A/B را برای درک پیچیدگی آن انجام خواهیم داد، چیزی که در نهایت به آن خواهیم رسید روش یادگیری ماشین بیزی برای انجام کارها است.

ابتدا، خواهیم دید که آیا می‌توانیم آزمایش A/B سنتی را با روش‌های تطبیقی ​​بهبود ببخشیم. همه اینها به شما کمک می کند تا معضل کاوش- بهره برداری را حل کنید.

درباره الگوریتم epsilon-greedy، که ممکن است در زمینه یادگیری تقویتی درباره آن شنیده باشید، خواهید آموخت.

ما الگوریتم epsilon-greedy را با الگوریتم مشابهی به نام UCB1 بهبود خواهیم داد.

در نهایت، با استفاده از رویکرد کاملاً بیزی، هر دوی آنها را بهبود خواهیم داد.

چرا روش بیزی در یادگیری ماشین برای ما جالب است؟

این یک روش کاملاً متفاوت برای تفکر در مورد احتمال است.

این یک تغییر پارادایم است.

احتمالاً لازم است چندین بار به این دوره بازگردید تا به طور کامل در آن فرو برود.

همچنین قدرتمند است و بسیاری از متخصصان یادگیری ماشینی اغلب در مورد چگونگی «اشتراک به مکتب فکری بیزی» اظهاراتی می‌کنند.

در مجموع - ابزارهای جدید قدرتمند زیادی به ما می دهد که می توانیم در یادگیری ماشین از آنها استفاده کنیم.

چیزهایی که در این دوره خواهید آموخت نه تنها برای تست A/B قابل اجرا هستند، بلکه ما از تست A/B به عنوان یک مثال عینی از نحوه استفاده از تکنیک های بیزی استفاده می کنیم.

این ابزارهای اساسی روش بیزی را - از طریق مثال تست A/B - یاد خواهید گرفت و سپس می‌توانید آن تکنیک‌های بیزی را به مدل‌های یادگیری ماشینی پیشرفته‌تر در آینده منتقل کنید.

در کلاس می بینمت!

"اگر نمی توانید آن را پیاده سازی کنید، آن را درک نمی کنید"

  • یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم".

  • دوره‌های من تنها دوره‌هایی هستند که در آنها نحوه پیاده‌سازی الگوریتم‌های یادگیری ماشین را از ابتدا یاد خواهید گرفت

  • دوره‌های دیگر به شما یاد می‌دهند که چگونه داده‌های خود را به کتابخانه وصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟

  • پس از انجام همان کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...


پیش نیازهای پیشنهادی:

  • احتمال (توزیعات مشترک، حاشیه ای، شرطی، متغیرهای تصادفی پیوسته و گسسته، PDF، PMF، CDF)

  • کدنویسی پایتون: if/else، حلقه‌ها، فهرست‌ها، دستورات، مجموعه‌ها

  • Numpy، Scipy، Matplotlib


به چه ترتیبی باید در دوره های شما شرکت کنم؟:

  • سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسش‌های متداول هر یک از دوره‌های من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.


ویژگی های منحصر به فرد

  • هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید

  • همانند سایر دوره‌ها، زمان را تلف نمی‌کنید - بیایید صادق باشیم، هیچ‌کس واقعاً نمی‌تواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد

  • از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید


سرفصل ها و درس ها

مقدمه و طرح کلی Introduction and Outline

  • این دوره در مورد چیست؟ What's this course all about?

  • کد این دوره را از کجا می توان دریافت کرد Where to get the code for this course

  • چگونه در این دوره موفق شویم How to succeed in this course

تصویر سطح بالا The High-Level Picture

  • نمونه های واقعی از تست A/B Real-World Examples of A/B Testing

  • یادگیری ماشین بیزی چیست؟ What is Bayesian Machine Learning?

بررسی قانون و احتمال بیز Bayes Rule and Probability Review

  • بررسی بخش مقدمه Review Section Introduction

  • بررسی احتمالات و قانون بیز Probability and Bayes' Rule Review

  • محاسبه احتمالات - تمرین Calculating Probabilities - Practice

  • قمارباز The Gambler

  • مشکل مونتی هال The Monty Hall Problem

  • برآورد حداکثر احتمال - برنولی Maximum Likelihood Estimation - Bernoulli

  • نرخ کلیک (CTR) Click-Through Rates (CTR)

  • تخمین حداکثر احتمال - گاوسی (نقطه 1) Maximum Likelihood Estimation - Gaussian (pt 1)

  • برآورد حداکثر احتمال - گاوسی (نقطه 2) Maximum Likelihood Estimation - Gaussian (pt 2)

  • CDF ها و درصدها CDFs and Percentiles

  • بررسی احتمالات در کد Probability Review in Code

  • خلاصه بخش بررسی احتمالات Probability Review Section Summary

  • مبتدیان: درک خود را از آمار در مقابل یادگیری ماشینی اصلاح کنید Beginners: Fix Your Understanding of Statistics vs Machine Learning

  • صندوق پیشنهادات Suggestion Box

تست سنتی A/B Traditional A/B Testing

  • فواصل اطمینان (نقطه 1) - شهود Confidence Intervals (pt 1) - Intuition

  • فواصل اطمینان (نقطه 2) - سطح مبتدی Confidence Intervals (pt 2) - Beginner Level

  • فواصل اطمینان (نقطه 3) - سطح متوسط Confidence Intervals (pt 3) - Intermediate Level

  • فواصل اطمینان (نقطه 4) - سطح متوسط Confidence Intervals (pt 4) - Intermediate Level

  • فواصل اطمینان (نقطه 5) - سطح متوسط Confidence Intervals (pt 5) - Intermediate Level

  • کد فواصل اطمینان Confidence Intervals Code

  • آزمون فرضیه ها - مثال ها Hypothesis Testing - Examples

  • اهمیت آماری Statistical Significance

  • تست فرضیه - رویکرد API Hypothesis Testing - The API Approach

  • آزمون فرضیه - قبول یا رد؟ Hypothesis Testing - Accept Or Reject?

  • آزمون فرضیه - مثال های بیشتر Hypothesis Testing - Further Examples

  • تئوری آزمون Z (نقطه 1) Z-Test Theory (pt 1)

  • تئوری آزمون Z (نقطه 2) Z-Test Theory (pt 2)

  • کد Z-Test (pt 1) Z-Test Code (pt 1)

  • کد Z-Test (pt 2) Z-Test Code (pt 2)

  • تمرین تست A/B A/B Test Exercise

  • خلاصه بخش تست A/B کلاسیک Classical A/B Testing Section Summary

تست بیزی A/B Bayesian A/B Testing

  • مقدمه بخش: معضل کاوش- بهره برداری Section Introduction: The Explore-Exploit Dilemma

  • کاربردهای معضل Explore-Exploit Applications of the Explore-Exploit Dilemma

  • نظریه اپسیلون - حریص Epsilon-Greedy Theory

  • محاسبه میانگین نمونه (نقطه 1) Calculating a Sample Mean (pt 1)

  • اعلان تمرین مبتدیان حریص اپسیلون Epsilon-Greedy Beginner's Exercise Prompt

  • طراحی برنامه راهزن شما Designing Your Bandit Program

  • Epsilon-Greedy in Code Epsilon-Greedy in Code

  • مقایسه اپسیلون های مختلف Comparing Different Epsilons

  • نظریه ارزش های اولیه خوش بینانه Optimistic Initial Values Theory

  • ارزش های اولیه خوش بینانه دستور تمرین مبتدیان Optimistic Initial Values Beginner's Exercise Prompt

  • کد ارزش های اولیه خوش بینانه Optimistic Initial Values Code

  • نظریه UCB1 UCB1 Theory

  • اعلان تمرین مبتدی UCB1 UCB1 Beginner's Exercise Prompt

  • کد UCB1 UCB1 Code

  • راهزنان بیزی/نظریه نمونه گیری تامپسون (نقطه 1) Bayesian Bandits / Thompson Sampling Theory (pt 1)

  • راهزنان بیزی/نظریه نمونه گیری تامپسون (نقطه 2) Bayesian Bandits / Thompson Sampling Theory (pt 2)

  • اعلان تمرین نمونه گیری تامپسون برای مبتدیان Thompson Sampling Beginner's Exercise Prompt

  • کد نمونه گیری تامپسون Thompson Sampling Code

  • نمونه گیری تامپسون با نظریه پاداش گاوسی Thompson Sampling With Gaussian Reward Theory

  • نمونه گیری تامپسون با کد پاداش گاوسی Thompson Sampling With Gaussian Reward Code

  • روی پاداش های گاوسی تمرین کنید Exercise on Gaussian Rewards

  • چرا ما فقط از یک کتابخانه استفاده نمی کنیم؟ Why don't we just use a library?

  • راهزنان غیر ثابت Nonstationary Bandits

  • خلاصه راهزن، داده های واقعی، و یادگیری آنلاین Bandit Summary, Real Data, and Online Learning

  • (اختیاری) طرح های راهزن جایگزین (Optional) Alternative Bandit Designs

پسوند تست بیزی A/B Bayesian A/B Testing Extension

  • اطلاعات بیشتر در مورد معضل Explore-Exploit More about the Explore-Exploit Dilemma

  • تقریب فاصله اطمینان در مقابل بتا پسین Confidence Interval Approximation vs. Beta Posterior

  • تمرین سرور تبلیغات تطبیقی Adaptive Ad Server Exercise

تمرین کامل می کند Practice Makes Perfect

  • مقدمه ای بر تمرینات پیشین مزدوج Intro to Exercises on Conjugate Priors

  • تمرین: Die Roll Exercise: Die Roll

  • مهمترین مسابقه از همه - به دست آوردن مقدار بی نهایت تمرین The most important quiz of all - Obtaining an infinite amount of practice

تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

  • راه اندازی محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

  • نحوه کدنویسی توسط خودتان (قسمت 1) How to Code by Yourself (part 1)

  • چگونه به تنهایی کدنویسی کنیم (قسمت 2) How to Code by Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • پایتون 2 در مقابل پایتون 3 Python 2 vs Python 3

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1) Machine Learning and AI Prerequisite Roadmap (pt 1)

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2) Machine Learning and AI Prerequisite Roadmap (pt 2)

ضمیمه/سوالات متداول نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

نمایش نظرات

آموزش یادگیری ماشین بیزی در پایتون: تست A/B
جزییات دوره
10.5 hours
79
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
34,139
4.6 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Inc. Lazy Programmer Inc.

امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.