Вступ до глибокого навчання

Прогнозування CTR за допомогою машинного навчання в Python

Kevin Huo

Instructor

Перцептрони

Приклад структури перцептрона

  • Вхідні ознаки стандартизують
  • Входи підсумовуються з вагами
  • Вихід проходить через функцію активації
  • Східчаста функція перетворює вихід на передбачений клас
Прогнозування CTR за допомогою машинного навчання в Python

Приховані шари та функції активації

Приклад прихованих шарів

Приклад функцій активації

Прогнозування CTR за допомогою машинного навчання в Python

Реалізація

clf = MLPClassifier()
print(clf)

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

              ... 
              hidden_layer_sizes=(100,),

              learning_rate = 'constant',

              ... 
              max_iter=200, 
              ...)
Прогнозування CTR за допомогою машинного навчання в Python

Інші міркування

  • Перед використанням важлива стандартизація
    • X = StandardScaler().fit_transform(X)
  • Дуже великі мережі з багатьма мільйонами параметрів
    • Матриці ознак часто «розріджені»
  • Краще працює з більшим обсягом даних
    • Однак мінус — менша прозорість і довший час обчислень
Прогнозування CTR за допомогою машинного навчання в Python

Давайте потренуємось!

Прогнозування CTR за допомогою машинного навчання в Python

Preparing Video For Download...