Скачать "#36. Логические методы классификации | Машинное обучение"

"videoThumbnail #36. Логические методы классификации | Машинное обучение

Как провести машинное обучение на Python? Интенсив по ИИ в играх

Как провести машинное обучение на Python? Интенсив по ИИ в играх

Канал: Skillbox Программирование

Обучение модели машинного обучения: данные и их анализ. Интенсив по Machine Learning

Обучение модели машинного обучения: данные и их анализ. Интенсив по Machine Learning

Канал: Skillbox Программирование

Бесплатная облачная платформа для нейросетей Google Colab | Нейросети на Python

Бесплатная облачная платформа для нейросетей Google Colab | Нейросети на Python

Канал: Andrey Sozykin

#35. Агломеративная иерархическая кластеризация. Дендограмма | Машинное обучение

#35. Агломеративная иерархическая кластеризация. Дендограмма | Машинное обучение

Канал: selfedu

#17. Гауссовский байесовский классификатор | Машинное обучение

#17. Гауссовский байесовский классификатор | Машинное обучение

Канал: selfedu

Машинное обучения Python для начинающих. Интенсив по Data Science

Машинное обучения Python для начинающих. Интенсив по Data Science

Канал: Skillbox Программирование

машинное обучение

машинное обучение python

машинное обучение с нуля

машинное обучение python уроки

машинное обучение лекции

машинное обучение курс

машинное обучение python с нуля

машинное обучение и искусственный интеллект

искусственный интеллект

искусственный интеллект на python

machine learning

machine learning python

machine learning course

machine learning engineer

machine learning tutorial

00:00:01

балакирев и на этом занятии мы затронем

00:00:04

новый класс алгоритмов машинном обучении

00:00:07

под названием логические методы

00:00:09

классификации в чем суть таких методов

00:00:12

смотрите довольно часто на практике

00:00:15

встречается задачи где требуется делать

00:00:17

вывод по небольшому набору исходных

00:00:20

данных признаков

00:00:21

выстраивая некоторую цепочку рассуждений

00:00:25

например вот такая вот схема позволяет

00:00:27

сделать некоторые выводы в зависимости

00:00:30

от пара ответов на вопросы любит или не

00:00:33

любит python любит или не любит кунг-фу

00:00:36

панда ну и терпит или не терпит

00:00:38

математику предположу что некий

00:00:40

собеседник положительно отвечает а

00:00:42

первый вопрос что он любит python то

00:00:44

есть мы идем вот по этой ветке далее

00:00:47

моему задаем вопрос а терпит ли он

00:00:49

математику если не терпит то делаем

00:00:52

вывод читать просто программист а если

00:00:55

терпит то есть шанс стать специалистом в

00:00:57

да это сайнс вот это пример рассуждений

00:01:00

при логическом выводе и чтобы на уровне

00:01:03

математики описать всю вот эту схему мы

00:01:06

можем задать три вот таких вот бинарных

00:01:08

признака первый признак это по сути дела

00:01:11

вот этот первый вопрос любит или не

00:01:13

любит python он возвращает 0 если не

00:01:16

любит поэтом то есть мой диалог по этой

00:01:18

ветке и единицу если любит то есть

00:01:21

единица эта истина а 0 это ложь ну и то

00:01:24

же самое для вот это вот 2 вопроса любит

00:01:26

верни любит кунг-фу панда и 3 терпит или

00:01:30

не терпит математику используя вот эти

00:01:32

вот три бинарных признака на основе них

00:01:35

мы можем формировать правило логического

00:01:37

вывода используя вот эти вот конъюнкция

00:01:40

и она париж конъюнкция это как

00:01:42

логическое и то есть условие должно

00:01:43

выполняться одновременно чтобы вот этот

00:01:46

общий вывод был истинным в данном случае

00:01:49

вот этот первое правило означает что мы

00:01:52

задаем сначала первый вопрос любит ли он

00:01:54

python то есть вы здесь о должна

00:01:55

появиться единичка и второй вопрос

00:01:58

терпит ли он математику но вот эта вот

00:02:00

вертикальная черта означает отрицания

00:02:02

поэтому единицы здесь будет если он

00:02:04

пойдет вот по этой ветви то есть ответит

00:02:07

отрицательно на этот вопрос в итоге есть

00:02:10

он отвечает один и один то общее вот

00:02:13

тоже единица дождись используется

00:02:15

конъюнкция и вот этот единицы означает

00:02:18

что мы попали вот в этот блок просто

00:02:20

программист а если бы здесь был ноль то

00:02:23

это означало что мы не попали в этот

00:02:25

блок ну например если он терпит

00:02:27

математик то есть здесь вот будет 0

00:02:30

тогда и общий вывод тоже 0 или если он

00:02:33

не любит python тогда я здесь будет 0 и

00:02:36

общий вывод тоже будет 0 то есть ноль

00:02:38

означает что мы не попали вот в этот

00:02:41

блок а единица то что попали ну и как

00:02:44

пример вот и счет 2 правил вывода если

00:02:47

он не любит поэтом тоже здесь отрицание

00:02:49

идет мы идем отсюда вот произвести

00:02:51

единичка бойтесь он не любит python и

00:02:53

доливать за счет единица если он любит

00:02:56

кунг-фу панда тогда делая вывод что он

00:02:59

свой то есть мы попадаем вот в этот блок

00:03:01

то есть в каждом правиле мы имеем

00:03:04

последовательности утверждений который

00:03:07

все должны быть выполнены чтобы сделать

00:03:09

тот или иной вывод это простейшие

00:03:12

примеры логических выводов на основе

00:03:14

серии конъюнкции бинарных признаков

00:03:17

прочего логических правилах используется

00:03:19

довольно ограниченное число признаков

00:03:20

для вывода рекомендуется 2 до 4 и не

00:03:24

более семьи это связано с человеческим

00:03:26

восприятием такого вывода когда эксперт

00:03:29

пытается понять почему алгоритм

00:03:31

рекомендует то или иное решение а

00:03:34

создать два три признака предиката

00:03:37

относительно просто например система

00:03:40

отклоняет кредит заемщику отмечая что у

00:03:42

него низкий доход и большой возраст это

00:03:45

понятно а если этих показателей будет

00:03:48

больше например наличие квартиры детей

00:03:50

машин загран паспорта и тому подобное то

00:03:53

эксперты уже значительно сложнее оценить

00:03:55

причины отказа или наоборот рекомендация

00:03:58

выдать кредит и так в самых разных

00:04:01

областях поэтому рекомендательная

00:04:03

система

00:04:04

их целом логические методы как правило

00:04:07

оперируют небольшим числом признаков

00:04:09

хорошо я думаю этот момент понятен

00:04:11

давайте теперь несколько расширен

00:04:14

обобщим правило логических выводов и

00:04:16

предположим что признаки могут быть

00:04:19

вещественными вот здесь что нас они были

00:04:21

бинарными 0 и 1 а теперь мы предположим

00:04:24

что они могут принимать ну какой то

00:04:26

сдачи не 2,4 минус 8,7 и так далее то

00:04:31

есть какие-то вещественные числа и этих

00:04:33

признаков у нас будет n штук

00:04:35

спрашивается как в таком случае строить

00:04:38

логические выводы очевидно здесь каждый

00:04:41

признак нужно уже сравнивать с некоторым

00:04:44

порогом и если это условие выполняется

00:04:47

то выдается единица то есть вот эти вот

00:04:50

квадратные скобки эта нотация айверсон а

00:04:52

если условие внутри выполняется то эта

00:04:55

истина то есть единица а если не

00:04:57

выполняется то возвращается 0 и таким

00:05:00

образом мы вещественной признать и снова

00:05:03

превращаю бинарное или кроме вот такого

00:05:06

сравнения с порогом мы можем сравнить

00:05:08

попадание в диапазон оже той базе той то

00:05:11

есть это вот более широкой такое правило

00:05:14

на основе вот этих вот квадратных скобок

00:05:16

то есть над отца и херсона мы можем

00:05:18

формировать правило логических выводов

00:05:21

уже по знакомой нам схеме просто как

00:05:23

набор конъюнкции если все они возвращают

00:05:26

и единицу то общий вывод тоже будет

00:05:28

единиц в то есть истина а если хотя бы

00:05:31

одна скобка возвратит 0 то общий вывод

00:05:34

уже будет ноль то есть вот так вот

00:05:36

следует воспринимать вот такую от

00:05:38

математическую запись чтобы от вся эта

00:05:40

математика была более менее понятно

00:05:42

приведу пример с классификации цветов

00:05:45

ириса фишера уазе вт на рисунке тремя

00:05:48

разными цветами показано распределение

00:05:50

трех видов цветков ириса по двум

00:05:53

признакам ширина и длина лепестков то

00:05:57

есть признак f1 это длина лепестка а

00:05:59

признак f2 это ширина лепестка и вот из

00:06:03

этого рисунка очень хорошо видно что вот

00:06:05

эти вот точки красной точке то есть

00:06:07

объекты класса c 1 1 класса хорошо

00:06:11

отделяется от других вот по этому

00:06:13

второму признак вот по этому порогу a2

00:06:16

то есть мы можем сформировать во такое

00:06:18

правило если второй признак меньше от

00:06:22

этого порока а два то делаем вывод что

00:06:25

это класса 1 а иначе это другие классы

00:06:29

или c2 или c3 по аналогии мы можем

00:06:32

выделить и два оставшихся класс c2 и c3

00:06:35

для этого мы сделаем уже более сложные

00:06:37

правила во-первых мы здесь вот проверим

00:06:39

что паб и вот в эту область то есть

00:06:42

второй признак превышает вот этот порог

00:06:44

а2 и если вот этот первый признак f1 от

00:06:49

x будет меньше вот этот порога один то

00:06:52

делаем вывод что это класс c2 но

00:06:54

действительно так да то есть если мы вот

00:06:56

попали вот сюда вот выше вот поэтому

00:06:58

втором признаку выше чем а2 и меньше по

00:07:01

первый признак чем один то это вся вот

00:07:03

эта вот область она здесь закрашенные

00:07:05

зеленым и соответствие делай вывод что

00:07:07

это класс c2 а иначе это другие классы

00:07:10

ну или то же самое правило можно

00:07:12

записать его так ты если здесь поменять

00:07:14

знак да с меньше либо равно на больше то

00:07:17

это будет то же самое то есть мы как бы

00:07:18

здесь в отрицании убираем и получить что

00:07:21

мы сначала попадают в эту область по

00:07:22

второму признаку и затем вот в эту по

00:07:25

первому получается вот этот квадрат

00:07:27

зеленой то есть класс c 2 ну а для

00:07:29

класса c 3 все аналогично мы можем здесь

00:07:32

вот проверить сначала опять что попадают

00:07:35

в эту область то есть второй признак

00:07:36

больше чем а два это что первый признак

00:07:39

больше 1 то здесь два отрицания написал

00:07:42

и делаем вывод что этот класс c 3 то

00:07:44

есть если здесь будет единичка и здесь

00:07:46

единичка то мы как раз охватываем всю

00:07:49

вот эту вот область а в этой области

00:07:50

находится точки который принадлежат

00:07:53

третьему классу цветков ириса вот так

00:07:56

вот на основе конъюнкции можно делать

00:07:58

логические правила вывода но например

00:08:00

для такой классификации по цветам и леса

00:08:02

фишера причем все вот эти вот правила

00:08:05

вывода мы можем условно представить в

00:08:08

виде вот такого вот решающего дерево

00:08:10

смотрите мы сначала проверяем и здесь в

00:08:14

корни этого дерева что ширина лепестка

00:08:17

меньше порога а 2 то есть это тот второй

00:08:20

признак меньше порога а два как раз

00:08:22

выпадаем вот сюда вот в красную зону и

00:08:24

если это так то делаем вывод что это

00:08:27

класс c1 вот он если же это не так то мы

00:08:30

идем вот по этой ветви и проверяем что

00:08:33

длина лепестка то есть этот первый

00:08:35

признак длина лепестка меньше вот это

00:08:37

вот порога один тогда мы автоматически

00:08:40

попадаем вот в эту область world class

00:08:43

ac2 и соответственно в этом решающим

00:08:46

дереве мы делаем вывод если это так что

00:08:49

это класса 2 ну а иначе это class c3 то

00:08:52

есть если это и не класса 1 и никлас c2

00:08:55

значит это class c3 то есть видеть как с

00:08:58

помощью такого бинарного решающего

00:09:00

дерева можно представить решение данных

00:09:03

задач классификация и я не случайно

00:09:06

назвал этот направлено ациклические граф

00:09:09

решающим деревом это один из самых

00:09:12

распространенных подходов среди

00:09:15

логических методов классификации то есть

00:09:18

если на основе сход их размеченных

00:09:19

данных обучающей выборке удается

00:09:22

построить такую древовидную структуру то

00:09:25

у нас автоматически формируется набор

00:09:28

правил для классификации данных

00:09:30

обучающей выборке а если повезет то и

00:09:34

для произвольных данных той же природы

00:09:36

что и обучающий выборка но прежде чем с

00:09:39

головой погрузиться в теорию решающего

00:09:41

деревьев следует отметить что логические

00:09:44

методы не ограничивается только ими есть

00:09:47

еще несколько общих подходов для

00:09:49

формирования правил логического вывода с

00:09:53

первым общим подходом и с вами только

00:09:54

что познакомились это набор предикатов

00:09:57

объединенных конъюнкция me то есть это

00:09:59

вот такой вот правила и как следствие из

00:10:02

этого правила мы получаем решающие

00:10:05

деревья но если другой подход который

00:10:07

называется синдром был посмотрим

00:10:10

врачебной практике отсюда его название

00:10:12

когда врач ставит диагноз

00:10:15

то вначале изучает набор симптомов у

00:10:18

пациента а затем делает вывод в пользу

00:10:21

заболевания которому в большей степени

00:10:23

соответствует наблюдаемой симптомы то

00:10:26

есть мы имеем определенный набор

00:10:28

признаков джей который измеряем например

00:10:31

температурой тела покраснение першения в

00:10:34

горле и тому подобное а затем

00:10:36

подсчитываем сколько этих признаков не

00:10:39

соответствует норме это как раз вот эти

00:10:41

вот квадратные скобки если они

00:10:42

возвращает 1 значит признак не

00:10:44

соответствует норме и если таких

00:10:46

признаков набирается более чем д

00:10:48

характерных для той или иной болезни

00:10:51

то делается вывод ставится диагноз что

00:10:54

больного именно это заболевание то есть

00:10:56

вот такой отправил логического вывода

00:10:58

тоже иногда используется на практике

00:11:00

наконец есть еще пара известных но менее

00:11:03

распространенных схем построения

00:11:05

логических удав это полуплоскость

00:11:08

но по сути дела мы вот здесь вот имеем

00:11:10

некий линейный алгоритм

00:11:12

сравниваем с порогом и если это так то

00:11:14

возвращается единица то есть это очень

00:11:17

похожи на линейный алгоритм

00:11:18

классификации которые мы с вами уже

00:11:20

рассматривали ну и еще шар то есть мы

00:11:23

как бы смотрим расстояние между нашим

00:11:26

образом x и характерным образом для

00:11:29

определенного класса x0 если расстояние

00:11:32

не превышает никого заданного значения

00:11:35

омега 0 то знать что делает свою что x

00:11:38

принадлежит тому же образу что и вот

00:11:41

этот объект x0 на самом деле вот

00:11:43

подобных правилов огромное количество но

00:11:46

остальные очень редко используется на

00:11:48

практике в основном самые простые что мы

00:11:51

отмечали в начале нашего занятия это

00:11:53

набор конъюнкции и

00:11:55

синдром у вас здесь может возникнуть

00:11:57

вопрос а какие правила когда

00:12:00

используются в действительности это

00:12:02

часто следует из постановки задачи

00:12:04

технического задания некоторые эксперты

00:12:07

хорошо воспринимает правила и виде

00:12:09

набора конъюнкции то есть вот ведь за

00:12:12

такого правила а другие в частности

00:12:14

медики правила на основе синдромов и так

00:12:17

далее то есть все это как правило

00:12:20

следует из самой решаемой задачи но чаще

00:12:24

всего все же использует справила виде

00:12:26

набор конъюнкции который хорошо

00:12:28

выражается виде решающих деревьев именно

00:12:32

них мы будем подробнее говорить на

00:12:33

следующих занятиях

00:12:35

[музыка]

Описание:

Обзор правил логических выводов на основе набора конъюнкий, синдромы, полуплоскость и шар. Пример логических выводов на основе конъюнкций. Инфо-сайт: https://proproprogs.ru/ml Телеграм-канал: https://t.me/machine_learning_selfedu

Готовим варианты загрузки

Популярные

HD видео

Только звук

Все форматы

* — Если видео проигрывается в новой вкладке, перейдите в неё, а затем кликните по видео правой кнопкой мыши и выберите пункт "Сохранить видео как..."

** — Ссылка предназначенная для онлайн воспроизведения в специализированных плеерах

Вопросы о скачивании видео

Как можно скачать видео "#36. Логические методы классификации | Машинное обучение"?

Сайт http://unidownloader.com/ — лучший способ скачать видео или отдельно аудиодорожку, если хочется обойтись без установки программ и расширений. Расширение UDL Helper — удобная кнопка, которая органично встраивается на сайты YouTube, Instagram и OK.ru для быстрого скачивания контента.
Программа UDL Client (для Windows) — самое мощное решение, поддерживающее более 900 сайтов, социальных сетей и видеохостингов, а также любое качество видео, которое доступно в источнике.
UDL Lite — представляет собой удобный доступ к сайту с мобильного устройства. С его помощью вы можете легко скачивать видео прямо на смартфон.

Какой формат видео "#36. Логические методы классификации | Машинное обучение" выбрать?

Наилучшее качество имеют форматы FullHD (1080p), 2K (1440p), 4K (2160p) и 8K (4320p). Чем больше разрешение вашего экрана, тем выше должно быть качество видео. Однако следует учесть и другие факторы: скорость скачивания, количество свободного места, а также производительность устройства при воспроизведении.

Почему компьютер зависает при загрузке видео "#36. Логические методы классификации | Машинное обучение"?

Полностью зависать браузер/компьютер не должен! Если это произошло, просьба сообщить об этом, указав ссылку на видео. Иногда видео нельзя скачать напрямую в подходящем формате, поэтому мы добавили возможность конвертации файла в нужный формат. В отдельных случаях этот процесс может активно использовать ресурсы компьютера.

Как скачать видео "#36. Логические методы классификации | Машинное обучение" на телефон?

Вы можете скачать видео на свой смартфон с помощью сайта или pwa-приложения UDL Lite. Также есть возможность отправить ссылку на скачивание через QR-код с помощью расширения UDL Helper.

Как скачать аудиодорожку (музыку) в MP3 "#36. Логические методы классификации | Машинное обучение"?

Самый удобный способ — воспользоваться программой UDL Client, которая поддерживает конвертацию видео в формат MP3. В некоторых случаях MP3 можно скачать и через расширение UDL Helper.

Как сохранить кадр из видео "#36. Логические методы классификации | Машинное обучение"?

Эта функция доступна в расширении UDL Helper. Убедитесь, что в настройках отмечен пункт «Отображать кнопку сохранения скриншота из видео». В правом нижнем углу плеера левее иконки «Настройки» должна появиться иконка камеры, по нажатию на которую текущий кадр из видео будет сохранён на ваш компьютер в формате JPEG.

Сколько это всё стоит?

Нисколько. Наши сервисы абсолютно бесплатны для всех пользователей. Здесь нет PRO подписок, нет ограничений на количество или максимальную длину скачиваемого видео.