🔥udemy 黑色星期五全站特價中

課程說明

在本課程中，你將了解什麼是超參數( hyperparameters )，什麼是遺傳演算法( Genetic Algorithm )，以及什麼是超參數最佳化( hyperparameter optimization )。

在本課程中，你將應用遺傳演算法最佳化支持向量機( Support Vector Machines )和多層感知器神經網路( Multilayer Perceptron Neural Networks )的性能。超參數最佳化將在兩個資料集上完成，一個用於預測建築物冷熱負荷的迴歸資料集，以及一個關於將電子郵件分類為垃圾郵件和非垃圾郵件的分類資料集。 SVM 和 MLP 將被應用於資料集而不進行最佳化，並將其結果與最佳化結果進行比較。

到本課程結束時，你將學到如何使用 Python 寫遺傳演算法程式，以及如何最佳化機器學習演算法以獲得最佳性能。

https://softnshare.com/machine-learning-optimization-using-genetic-algorithm/

--課程已於 2020 年 11 月更新--
課程說明
機器學習是高需求的技能之一。 數據是新石油。
然而，學習 ML 然後進一步佈署一直很困難。 Azure ML 是 Microsoft 對機器學習進行民主化的一種方式。
Azure 機器學習（AzureML）被認為是遊戲規則變革者。 Azure 機器學習工作室 ( Azure Machine Learning Studio ) 是學習建構高級模型的好工具，無需寫一行程式碼，只要簡單地拖放即可編輯。
這個課程的設計是考慮到入門級的資料科學家，或者沒有程式設計或資料科學的背景的任何人。 本課程還將幫助資料科學家學習 AzureML 工具。 如果你已經熟悉機器學習的概念或基本知識，你可以跳過一些最初的講座或者以2倍的速度走過課程。
課程非常實用，你將能夠運用下列知識開發自己的高級模型
✅邏輯迴歸 ( Logistic Regression )
✅決策樹 ( Decision Trees )
✅線性迴歸 ( Linear Regression )
✅支持向量機 ( SVM : Support Vector Machine)
✅更多
不用任何程式設計。 而且，你將能夠將這些模型佈署為 Web 服務。
本課程是一門完整的機器學習課程，涵蓋基礎知識。 我們不僅要建立模型，還要解釋所有這些模型的各種參數以及我們可以在哪些方面應用它們。
在這個過程中，我們將從機器學習中經常使用的一些基本術語開始。
我也會解釋：
✅什麼是機器學習和一些現實世界的例子。
✅Azure 機器學習介紹
✅提供 Azure 機器學習工作室和高級體系結構的概述。
我們也將看看
✅建立 ML 模型的步驟
✅有監督和無監督學習
✅了解數據和預處理
✅不同的模型類型
✅AzureML 備忘清單 ( Cheat Sheet )
✅如何使用分類和迴歸
✅什麼是群聚或群聚分析
✅使用 AzureML 最強大的推薦引擎創建推薦系統

https://softnshare.com/machine-learning-using-azureml/

在 AI 的領域中，會需要常常會學習很多不同種類的模型演算法，像是線性迴歸、決策樹、分群演算法、SVM、神經網路...

之所以會需要學習這些演算法，是因為每個演算法都有相對應的「適用條件」：當你的資料呈現線性時，用「線性迴歸」來解會最適合；當你的資料是分類問題時，可能選擇「羅吉氏迴歸、決策樹、SVM」來解較恰當；當你需要解釋模型為什麼會這樣預測時，用「決策樹、SHAP、LIME」的演算法能夠符合你的需求；當你遇到非結構化的資料時(如圖片、影音、文章)，此時可能就會考慮用神經網路的變型(CNN, RNN, LSTM...)來解。

你會發現，世界上沒有一個完美的演算法/理論，有的只是在某些對應的「環境條件」下，能夠找到較適合的解法。

以更嚴謹的態度來說，每個理論往往都建立在某些「假設條件」之下。

但這時候問題就產生了：「現實中往往很難找到 100% 符合假設的情境，這時候該怎麼辦？」

若以 AI 建模的角度來說，一般的作法會是先看看能不能調整資料(資料處理)，讓資料本身具有符合某些假設的特性，這樣套用該演算法時便會更具信心。

而另一種作法也很常用，就是「容許誤差」－－

雖然現在現實狀況不滿足某些假設，但只要你能判斷，這件事所造成的影響誤差並不大，那便可以繼續套用該演算法，來解決現實中的問題。

-

上述概念，同樣可以套用到「理財」上。

在理財投資這條道路上，大家往往會去學習很多「理論」－－價值主動投資、指數型被動投資、技術分析策略、當沖投資策略、槓鈴策略、子彈型策略、4%公式、選擇權投資理論...

不過大家是否曾經思考過，這些策略分別是基於在哪些「假設條件 (環境條件)」上呢？

有的人會說，自己依照 A 理論來進行投資實踐，但為什麼最後報酬率不如預期，甚至賠錢？更慘的是，他可能是經過20-30年後，才意識到這個問題。

答案很簡單，那是因為他沒意識到自己所使用的 A 理論，其實具備某些「假設條件」，但在現實中的市場可能並不符合這些條件，因此未考慮實際發展的狀況來修正。

很多理論在實踐上往往會無效化，就是因為實踐者並沒有意識到，該理論的限制及條件為何。

如果套在 AI，這就叫「Underfitting」；
如果套在教育，這就叫「學用落差」；
如果套在歷史，這就叫「歷史的做法框架，有時並不適合現在」。

-

這件事非常重要，建議大家無論在投資、工作、甚至人生判斷上，都要具備這樣的思維。

最近「巴菲特出清航空股」的事情，其實也是在傳達這樣的理念－－

「你是否能依據現實發展的狀況，來修正調整投資策略？」

概念非常簡單、用說得也很輕易，但在思考跟實踐上，卻不是人人都能辦到。

「你目前所採取的理財策略，是否需要滿足某些假設條件呢？」