Wprowadzenie do głębokiego uczenia

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Kevin Huo

Instructor

Perceptrony

Przykład struktury perceptronu

Cechy wejściowe są standaryzowane
Wejścia są sumowane z wagami
Wyjście przechodzi przez funkcję aktywacji
Funkcja skokowa konwertuje wyjście na przewidywaną klasę

Warstwy ukryte i funkcje aktywacji

Przykład warstw ukrytych

Przykład funkcji aktywacji

Implementacja

clf = MLPClassifier()
print(clf)

MLPClassifier(activation='relu', 
              alpha=0.0001,

              ... 
              hidden_layer_sizes=(100,),

              learning_rate = 'constant',

              ... 
              max_iter=200, 
              ...)

Inne zagadnienia

Standaryzacja jest ważna przed użyciem
- X = StandardScaler().fit_transform(X)
Bardzo duże sieci z milionami parametrów
- Macierze cech są często „rzadkie"
Lepsza wydajność przy większej ilości danych
- Wadą jest jednak mniejsza przejrzystość i dłuższy czas obliczeń

Czas na ćwiczenia!

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie