Training Python | Unsupervised Machine Learning Hidden Markov Models Python

Model  Markov Tersembunyi atau HMM  adalah tentang belajar urutan.

Banyak data yang akan sangat berguna bagi kita untuk dimodelkan dalam urutan. Harga saham adalah urutan harga. Bahasa adalah rangkaian kata. Penilaian kredit melibatkan urutan peminjaman dan pembayaran kembali uang, dan kita dapat menggunakan urutan tersebut untuk memprediksi apakah Anda akan gagal bayar atau tidak. Singkatnya, urutan ada di mana-mana, dan mampu menganalisisnya adalah keterampilan penting dalam kotak peralatan ilmu data Anda .

Cara termudah untuk mengapresiasi jenis informasi yang Anda peroleh dari suatu urutan adalah dengan mempertimbangkan apa yang sedang Anda baca sekarang. Jika saya telah menulis kalimat sebelumnya mundur, itu tidak masuk akal bagi Anda, meskipun itu berisi semua kata yang sama. Jadi ketertiban itu penting.

Sementara trend saat ini dalam pembelajaran mendalam adalah menggunakan jaringan saraf berulang untuk memodelkan urutan, pertama-tama saya ingin memperkenalkan pada algoritma pembelajaran mesin yang telah ada selama beberapa dekade sekarang – Model Markov Tersembunyi.

Kursus ini mengikuti langsung dari kursus pertama di Pembelajaran Mesin Tanpa Pengawasan untuk Analisis Cluster , di mana Anda belajar bagaimana mengukur distribusi probabilitas dari variabel acak . Dalam kursus ini, Anda akan belajar mengukur distribusi probabilitas dari urutan variabel acak.

Kami telah membahas penurunan gradien dan Anda tahu betapa pentingnya untuk memecahkan masalah pembelajaran yang mendalam. Kami mengklaim bahwa penurunan gradien dapat digunakan untuk mengoptimalkan fungsi objektif apa pun. Dalam kursus ini akan menunjukkan kepada Anda bagaimana Anda dapat menggunakan penurunan gradien untuk menyelesaikan parameter optimal dari HMM, sebagai alternatif dari algoritme maksimalisasi harapan yang populer .

Kita akan melakukannya di Theano  dan Tensorflow , yang merupakan pustaka populer untuk pembelajaran mendalam. Ini juga akan mengajari Anda cara bekerja dengan urutan di Theano dan Tensorflow, yang akan sangat berguna saat kita membahas jaringan saraf berulang dan LSTM .

Kursus ini juga akan membahas banyak aplikasi praktis dari model Markov dan model Markov tersembunyi. Kita akan melihat model penyakit dan kesehatan, dan menghitung cara memprediksi berapa lama Anda akan tetap sakit, jika Anda sakit. Kami akan berbicara tentang bagaimana model Markov dapat digunakan untuk menganalisis cara orang berinteraksi dengan situs web Anda, dan memperbaiki area masalah seperti rasio pentalan tinggi , yang dapat memengaruhi SEO Anda . Kami akan membuat model bahasa yang dapat digunakan untuk mengidentifikasi penulis dan bahkan menghasilkan teks – bayangkan sebuah mesin yang melakukan tulisan untuk Anda. HMM telah sangat sukses dalam pemrosesan bahasa alami  atau  NLP .

Kita akan melihat aplikasi model Markov yang mungkin paling baru dan produktif – algoritme PageRank Google . Dan terakhir kita akan membahas aplikasi model Markov yang lebih praktis, termasuk menghasilkan gambar, sugesti otomatis ponsel cerdas , dan menggunakan HMM untuk menjawab salah satu pertanyaan paling mendasar dalam biologi – bagaimana DNA , kode kehidupan, diterjemahkan ke dalam atribut fisik atau perilaku dari suatu organisme?

Semua materi kursus ini dapat diunduh dan diinstal secara GRATIS. Kami akan melakukan sebagian besar pekerjaan kami di Numpy dan Matplotlib , bersama dengan sedikit Theano . Saya selalu tersedia untuk menjawab pertanyaan Anda dan membantu Anda sepanjang perjalanan ilmu data Anda.