Size: a a a

Machine learning

2020 November 21

SS

Sergey Studenikin in Machine learning
да, спасибо большое
источник

S

Sasha in Machine learning
Ребята, объясните, пожалуйста, почему лектор здесь говорит "
В первой части у нас возникает интеграл от плотности p(y) при условии x под dy,
этот интеграл, конечно, равен 1, это же плотность, и, таким образом,
приравняв это все к нулю, мы получаем вывод,
что прогноз алгоритма должен равняться интегралу от y*p(y)
при условии x, то есть условному математическому ожиданию,
математическому ожиданию y при условии x. "  Не понимаю,  какая первая часть равна 1 и почему? Это то, что я обвела синим?
источник

IK

Ivan Krokhalyov in Machine learning
Там t из интеграла выносится. А интеграл по плотности(уже без t) равен единице
источник

IK

Ivan Krokhalyov in Machine learning
Таким образом, там 2(t-integral)=0 получается
источник

S

Sasha in Machine learning
спасибо!
источник

S

Sasha in Machine learning
Ребята, а как получился такой переход к последнему выражению? они просто заменили у на р? Но если мы заменим Р(у|х)=р, так как Р(1|х)=р, и подставим у=1, то у нас должно сократиться выражение до -у*ln(t)*p, ведь при у=1, второе слагаемое превращается в 0, разве нет?
источник

А

Артём in Machine learning
@Mirileen спам
источник

АГ

Артём Глазунов... in Machine learning
Sasha
Ребята, а как получился такой переход к последнему выражению? они просто заменили у на р? Но если мы заменим Р(у|х)=р, так как Р(1|х)=р, и подставим у=1, то у нас должно сократиться выражение до -у*ln(t)*p, ведь при у=1, второе слагаемое превращается в 0, разве нет?
Раскрыть скобки, вероятность класса 1 обозначаем p, вероятность класса 0 обозначаем 1-p.
источник

MM

Mira Mironova in Machine learning
Спасибо!
источник

АГ

Артём Глазунов... in Machine learning
Вместо y поставляем 1 в первом случае, во втором 0
источник

S

Sasha in Machine learning
Артём Глазунов
Раскрыть скобки, вероятность класса 1 обозначаем p, вероятность класса 0 обозначаем 1-p.
эти вероятности я понимаю как запись для общего случая, когда неизвестно, какой будет класс, 1 или 0; но что я не понимаю, так это когда нас конкретно дано у=1 и Р(1|х)=р, мы раскрываем скобки  -у*ln(t)*p - (1-у)*ln(1-t)*p, соответственно, должно остаться только -у*ln(t)*p, или -ln(t)*p, так как у=1
источник

АГ

Артём Глазунов... in Machine learning
Sasha
эти вероятности я понимаю как запись для общего случая, когда неизвестно, какой будет класс, 1 или 0; но что я не понимаю, так это когда нас конкретно дано у=1 и Р(1|х)=р, мы раскрываем скобки  -у*ln(t)*p - (1-у)*ln(1-t)*p, соответственно, должно остаться только -у*ln(t)*p, или -ln(t)*p, так как у=1
А теперь добавьте аналогично для y =0
источник

S

Sasha in Machine learning
Артём Глазунов
А теперь добавьте аналогично для y =0
я могу это добавить, но в этом же конкретном случае нам дано у=1, нет? я, видимо, не пониаю их нотацию
источник

АГ

Артём Глазунов... in Machine learning
Sasha
я могу это добавить, но в этом же конкретном случае нам дано у=1, нет? я, видимо, не пониаю их нотацию
Там сумма по всем  y из множества Y, которое (0,1)
источник

S

Sasha in Machine learning
Артём Глазунов
Там сумма по всем  y из множества Y, которое (0,1)
Спасибо! Я все поняла
источник

AS

Adel Safin in Machine learning
Привет!
Только знакомлюсь с питоном, подскажите, пожалуйста, как решить затык с преобразованием списка предложений в список словарей из 1 дз в курсе специализации.

На текущем этапе есть двумерный список со словами, из него делаю список словарей (0-й словарь для 0-го предложения и т д), в i словаре ключи и значения - это слова i предложения и сколько раз они встретились в данном предложении.
Изначально к пустому списку dict_list с помощью append() добавляю элемент - пустой словарь, далее его заполняю для 1-го предложения (0-го списка из слов) через dict_list[i][слово] = k, потом добавляю с помощью append() новый элемент dict_list, опять пустой список, и повторяю итерации до последнего списка из слов.

На шаге 0 выдаётся верный словарь, но на шаге 1 у меня 0-й и 1-й словари одинаковы и состоят из всех слов 0-го и 1-го предложений.

Где можно подробнее почитать о работе со списками словарей, чем это освещалось в начале курса, и мб сходу понятно, в чем тут беда?

Сейчас  код прикреплю, наверняка из этого сочинения сверху далеко не всё понятно :)
источник

AS

Adel Safin in Machine learning
# sent_split - двумерный список, [i][j] элемент - это j слово в i предложении
# dict_list, empt - список из 1-го пустого словаря и пустой словарь соответственно
i=0
while i<len(sent_split):
   j=0
   while j<len(sent_split[i]):
       if (j==0) | (dict_list[i].get(sent_split[i][j],0)==0):
           j1=j
           k=0
           while j1<len(sent_split[i]):
               if sent_split[i][j1]==sent_split[i][j]:
                   k+=1
               j1+=1
           dict_list[i][sent_split[i][j]]=k
       j+=1
   print i
   print '\n'
   print dict_list[i]
   i+=1
   dict_list.append(empt)
источник

AS

Adel Safin in Machine learning
На самом деле, если у кого-то есть идея, то сильно выручите, много времени убил на поиск в гугле, но либо это правда нетривиально ищется, либо у меня лапки)
источник

V

Valery in Machine learning
напомни, пожалуйста,
источник

V

Valery in Machine learning
источник