Введение в глубокое обучение

Прогнозирование CTR с помощью машинного обучения на Python

Kevin Huo

Instructor

Перцептроны

Пример структуры перцептрона

  • Входные признаки стандартизируются
  • Входы суммируются с весами
  • Выход проходит через функцию активации
  • Ступенчатая функция преобразует выход в предсказанный класс
Прогнозирование CTR с помощью машинного обучения на Python

Скрытые слои и функции активации

Пример скрытых слоёв

Пример функций активации

Прогнозирование CTR с помощью машинного обучения на Python

Реализация

clf = MLPClassifier()
print(clf)

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

              ... 
              hidden_layer_sizes=(100,),

              learning_rate = 'constant',

              ... 
              max_iter=200, 
              ...)
Прогнозирование CTR с помощью машинного обучения на Python

Дополнительные аспекты

  • Перед использованием важна стандартизация
    • X = StandardScaler().fit_transform(X)
  • Очень большие сети с миллионами параметров
    • Матрицы признаков нередко бывают «разреженными»
  • Больше данных — лучше качество
    • Однако это снижает прозрачность и увеличивает время вычислений
Прогнозирование CTR с помощью машинного обучения на Python

Давайте потренируемся!

Прогнозирование CTR с помощью машинного обучения на Python

Preparing Video For Download...