لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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...
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
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)
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.
نمایش نظرات