สวัสดีจ้าาา 😆 วันนี้แอดจะพาเพื่อน ๆ มาทำความรู้จักกับ Feature Selection สิ่งสำคัญในเรื่อง Machine Learning
.
มันคืออะไร มีรายละเอียดยังไง ถ้าพร้อมแล้วไปอ่านกันเลยจ้าาาา ~
.
👉 Feature Selection คือ การเลือกตัว Feature ที่สำคัญต่อการใช้ในการเทรน Model เพื่อทำให้การทำนายผล (Predict) ของเจ้า Machine Learning นั้นแม่นยำมากขึ้น (เลือกข้อมูลที่สัมพันธ์กันมาใช้เทรน)
.
📝 วิธีที่ใช้ในการตัดสินใจเลือก Feature นั้นที่นิยมมีอยู่ 3 วิธี
🔹 Filter Method - เลือกข้อมูลก่อนนำเข้าไปเทรน อาจจะใช้ตัว Correlation กับ Heat Map ในการช่วยกรอง
🔹 Wrapper Method - ใส่ข้อมูลทั้งหมดไปใน Model เดียวกันเพื่อให้ระบบหา Feature
🔹 Embedded Method - เป็นวิธีผสมกันระหว่าง Filter กับ Embedded คือใส่ข้อมูลเข้าไปใน ML แล้วให้มันทำการเรียนรู้และปรับแต่ง Model จากข้อมูลที่ใส่เข้าไป
.
เป็นยังไงกันบ้าง พอที่จะเข้าใจเรื่อง Feature Selection กันขึ้นมาบ้างแล้วเนอะ และหวังว่าจะเป็นประโยชน์กับเพื่อน ๆ นะ หากใครชอบฝากกดไลก์ กดแชร์ เพื่อเป็นกำลังใจให้พวกเราด้วยนะ ❤️
.
borntoDev - 🦖 สร้างการเรียนรู้ที่ดีสำหรับสายไอทีในทุกวัน
「machine learning model selection」的推薦目錄:
- 關於machine learning model selection 在 BorntoDev Facebook 的最佳貼文
- 關於machine learning model selection 在 工研院巨量資訊科技中心 - ITRI Facebook 的最讚貼文
- 關於machine learning model selection 在 โปรแกรมเมอร์ไทย Thai programmer Facebook 的最佳貼文
- 關於machine learning model selection 在 Lecture 4: Model Selection 的評價
- 關於machine learning model selection 在 model-selection · GitHub Topics 的評價
- 關於machine learning model selection 在 Rationale for model selection in machine learning 的評價
machine learning model selection 在 工研院巨量資訊科技中心 - ITRI Facebook 的最讚貼文
AI的未來?你不能不認識的人工智慧與資料科學自動化技術—AutoML(1/10)
隨著大數據、更進階的資料分析和預測模型的出現,當今的資料科學家有望在處理人工智慧和機器學習(Machine Learning)方面擁有更多、更新穎的能力與技術,但是同時擁有許多高階技術的資料科學家並不容易找到。然而,一旦彌合技術的差距,這群人不僅能夠生存,而且還能夠使用最佳的診斷和預測分析工具來構建模型。AutoML具有執行資料前處理 (data pre-processing)、自動進行模型選擇(model selection)、對模型進行評估(evaluation)和超參數最佳化調整(hyperparameter tuning)的能力,很可能會成為2020年最流行的趨勢。AutoML套件像是Auto-sklearn可以自動進行模型選擇,對模型進行評估和超參數優化調整。而像是Amazon Forecast和Google的Cloud AutoML等的服務還有助於確定最適合資料的演算法。AutoML的運作方式可參考附圖。
根據 [1] 此研究報告,全球資料爆炸未來將增加10倍,因此資料分析(data analytics)、人工智慧、機器學習和資料科學(data science)領域將迎來一波資料培訓浪潮。而這就是為什麼隨著資料量的增加,AutoML可能成為2020年最常用的技術的原因。
[1] https://analyticsindiamag.com/why-2020-will-be-the-year-of-automl/
圖片引用自https://cloud.google.com/automl
machine learning model selection 在 โปรแกรมเมอร์ไทย Thai programmer Facebook 的最佳貼文
แจกฟรีอีกอัน! คราวนี้เป็นสรุปวิชาเรียนจากมหาวิทยาลัย Standford สหรัฐอเมริกา
จากคอร์ส CS229 Course ในวิชา Machine Learning (การเรียนรู้ของเครื่อง)
คณิตศาสตร์มาแบบจัดเต็ม ตามลิงค์นี้
https://www.ctanujit.org/…/machine_learning_notes__cs229_.p…
เนื้อหาก็ครอบคลุมตามนี้
1. Supervised Learning: Linear Regression & Logistic Regression
2. Generative Learning algorithms & Discriminant Analysis
3. Kernel Methods and SVM
4. Basics of Statistical Learning Theory
5. Regularization and model selection
6. Backpropagation & Deep learning
7. Unsupervised Learning & k-means clustering
8. Mixtures of Gaussians
9. EM algorithm
10. Factor analysis
11. Principal Components Analysis
12. Independent Components Analysis
13. Reinforcement Learning
14. Boosting algorithms and weak learning
.
++++++ประชาสัมพันธ์ (ขายของ) ++++++++
มีข่าวดีสำหรับคนที่อยากศึกษา AI
แต่อ่านตำราภาษาอังกฤษไม่รู้เรื่อง
เลยขอแนะนำหนึงสือที่เป็น Best seller
ในหมวดคอมฯ ของ MEB
📔 หนังสือ "ปัญญาประดิษฐ์ (AI) ไม่ยาก" เข้าใจได้ด้วยเลขม. ปลาย เล่ม 1 (เนื้อหาภาษาไทย)
สนใจสั่งซ์้อได้ที่
👉 https://www.mebmarket.com/web/index.php…
.
ส่วนตัวอย่างหนังสือ ถ้าเพื่อนๆ สนใจก็ทัก inbox มาถามได้ครับ
.
✍เขียนโดย โปรแกรมเมอร์ไทย thai progammer
machine learning model selection 在 model-selection · GitHub Topics 的推薦與評價
Ray consists of a core distributed runtime and a toolkit of libraries (Ray AIR) for accelerating ML workloads. python java data-science machine-learning ... ... <看更多>
machine learning model selection 在 Rationale for model selection in machine learning 的推薦與評價
Note: I'm not an expert (here to learn - corrections are welcome). Although the choice of machine learning algorithms is more of an art than ... ... <看更多>
machine learning model selection 在 Lecture 4: Model Selection 的推薦與評價
' by Marco Ribeiro et al. ml. Designing Machine Learning systems#. Just running your favourite algorithm is usually not a great way to start. ... <看更多>