ML second lecture (pre-PR)

[PetraVidnerova]

pre-PR ať je možno používat reviewNB

zatím obsahuje notebooky na scikitlearn api a klasifikační metriky, další budou přibývat

[review-notebook-app[bot]]

Check out this pull request on 

You'll be able to see Jupyter notebook diff and discuss changes. Powered by ReviewNB.

[frenzymadness]

Prošel jsem si to a moc se mi to líbí. Jen bych se na některých místech více rozepsal a přidal nějaké příklady.

Počítá se do ML části i s nějakým tím klastrovacím algoritmem? Jaký je vlastně plán pro unsupervised learning?

Tady je plán, kdyby to někdo chtěl testovat v rámci naucse:

- title: Strojové učení 2
  slug: ml2
  date: 2020-03-12
  materials:
  - lesson: pydata/scikitlearn_api
  - lesson: pydata/classification_metrics
  - lesson: pydata/classification_resume

[PetraVidnerova]

Díky moc za všechny komenty, postupně začlením, ještě k tomu něco napíšu (je třeba zohlednit, že to ještě není celá hodina).

Počítá se do ML části i s nějakým tím klastrovacím algoritmem? Jaký je vlastně plán pro unsupervised learning?

V těhle dvou hodinách mělo být supervised learning, unsupervised je ta třetí, ale ta se nám nějak omezila na PCA. PCA je navíc spíš k feature selection, než vyloženě unsupervised learning, ale nepotřebujem škatulkovat. Klastrování vypadlo a asi by stálo za to, někam ještě aspoň vecpat zmínku, co to je a odkaz na nějaké materiály, kde si to můžou nastudovat.

Jak to vypadá s tou třetí hodinou vůbec netuším, to připravuje Petr Š. z Brna.

[PetraVidnerova]

Zatím opraveny Lumírovy připomínky k classification_metrics, druhej notebook a Honzovo bude asap. Konflikty s první lekcí pak nějak opravím.

• Co takhle to doplnit o scatter plot s vizualizací různých tříd a kombinací vstupních parametrů? Tady by to mohlo být ještě reálné a umožnit si ten problém lépe představit.

Přidala jsem pairplot s krátkým komentářem.

• Když používáme DecisionTree, přidal bych vysvětlení, jak funguje a třeba bych ten konkrétní natrénovaný model i vizualizoval.

Vzhledem k nabitému obsahu hodiny bych další noření se dovnitř nedělala. Cílem tohoto notebooku je přehled metrik, model slouží jen k tomu, aby bylo na čem metriky ilustrovat. Přidala jsem tedy zatím jen krátký komentář k DecisionTree a nechávám ke zvážení, zda to stačí nebo chceme víc.

• Místo mezer bych použil zarovnání a doplnění mezerami: https://pyformat.info/#string_pad_align

• Smazat TODO. A ano, je to matice záměn :)

  Opraveno.

• Klasifikátorům chybí random state, takže výsledky v tabulce nesedí s textem. Také tam není nikde vysvětleno, co to je SVM a Dummy a proč používáme dva klasifikátory.

Random seed dán na začátek. Stučný koment k SVM a Dummy.

• Tady by to dle mého chtělo více vysvětlit a třeba dodat i příklad. Ten se psy na fotografii z wiki, odkud je nejspíše inspirována i kresba, by mohl posloužit dobře: https://en.wikipedia.org/wiki/Precision_and_recall

  Přepsala jsem psy a kočky z wiki (+odkaz na wiki). Hezkej příklad.

• Stejně jako by to možná chělo popis k obrázku. Něco jako: To co je v kolečku označil náš klasifikátor jako pozitivní případ, i když se v několika případech spletl.

Komentář k obrázku (co znamená zelená/červená, co uvnitř a vně kola).

• Doplnil bych, že výsledek může být od 0 po 1 (1 je nejlepší) a že precision a recall jsou si v této rovnici rovny a mají tedy stejný vliv na výsledek.

OK

TODO:

• odkaz na DT, odkaz na SVM, píšu positive se dvěma ss (grepnout nakonec)

[PetraVidnerova]

• Tady bych to možná trošku více rozvedl. Proč je něco takového potřeba a jaké máme možnosti a proč potřebujeme samostatný scaler pro predikované hodnoty.

No, moc jsem to nerozvedla, trochu přeformulováno, ještě uvidíme, co s tím.

• Pokud to dále nepoužijeme jako sloupec v Dataframe, spokojil bych se s něčím jako print(predikce_platu[:10]) místo převodu na Series jen pro použití metody head()

OK

• Tady mi také přijde overkill dělat z několika čísel DataFrame jen aby se to hezky zobrazilo v tabulce. print nebo pprint by mohli posloužit a udělat ten kód podstatně jednodušší.

OK

• Tady je u pickle.dump zapomenuté volání open, i když už máme soubor otevřený.

Dík.

TODO seznamy klasifikatoru a regressoru

[PetraVidnerova]

viz @janpipek :

• jiná než úloha regrese (bez čárky) dík :(

• Jedná se o ..., kterou ve třicátých letech sestavil statistik a biolog Ronald Fisher (https://en.wikipedia.org/wiki/Iris_flower_data_set) ?

přidáno

• květů (amerických) kosT[sic]atců, taky bych možná psal kategorie biologicky správně s malým písmenem.
• kališT[sic]ních (sepal) a okvětních (petal) - aby to nepůsobilo tak mysteriózně

opraveno

• Nejjednodušší, co můžeme měřit, je procento správných o...

opraveno

• Klasifikátor vykazuje / dosahuje na této množině... (toho "mít" už je tam nějak moc) Tykat?

opraveno (to bylo tykani množině)

• Klasifikátor, který vše, co dostane, označuje za jablko, má tedy na této množině 90% úspěšnost. (+ 3 čárky)

  njn, carky, fixed

• confusion
• ...vzorků bylo označeno za negativNí
• possitive -> positive (2x)
• possitives -> positives

opraveno

• Aspoň zmínit, proč se tomu tak říká? https://cs.wikipedia.org/wiki/ROC_k%C5%99ivka

přidano

• ...udává obsah plochy pod ROC křivkou

• zamĚříme

• možnostMi

• tzv. one-hot(bez pomlčky) eNcoding

• Např. sloupec

opraveno

• Tady bych určitě zmínil aspoň jednou nebo dvěma větami, co to je a proč to je.

viz Lumirovy pripominky, velmi mirne rozsireno

• vsTupní proměnné

opraveno

• Nevím, jestli bych to nazval syntaxí. Spíš způsobem práce s modely v scikit-learn.

jasně, mírně přeformulováno

[PetraVidnerova]

Přidán notebook do homework_revisited - implementace regrese z domácího úkolu. Notebook je k dopsání. Vyplněná verze je homework_solution.ipynb

Obsah hodiny: 1 scikit-lern api 2 homework revisited 3 intro classification
4 classification metrics 5 classification resume

Aktuálně: 1 a 4 opraveno podle vašich připomínek 2 ready for review (se zavřenýma očima) 3 nutno dopsat (asi nejpozději zítra) 5 asi ještě něco připíšu, ale mělo by být ok

@frenzymadness @janpipek pokud budete mít čas kouknout hlavně na 2 (a zítra na 3)

[janpipek]

Ještě snad jen k formátování: Nemohly by označení úkolů být odstavcem hlubší úrovně než jejich nadřazené sekce?

[PetraVidnerova]

diky za všechny připomínky a vychytání všech těch překlepů, opraveno, grep na má oblíbená slova possitive a squarred už taky nic nenašel

takže se nějak zbavím těch konfliktů a bude to potřeba mergnout

[PetraVidnerova]

mam v tom bordel, dala jsem rebase na prahajaro2020, ale je tam spousta konfliktu v tej prvni hodine, radsi zalozim novou vetev, at nerozbiju prvni hodinu

dam pak novej PR

[PetraVidnerova]

zaviram, mergenuta vedlejsi vetev, vsechny pripominky zaevidovany

pozadavky na dalsi upravy (pouceni z krizoveho vyvoje + materialy pro samouky) muzeme hromadit v nejakem issue