linear regression rap @  !! Siraj !(00:06:05 - 00:07:52) - How to Make a Prediction - Intro to Deep Learning #1

linear regression rap @ !! Siraj !(00:06:05 - 00:07:52)
How to Make a Prediction - Intro to Deep Learning #1

Welcome to Intro to Deep Learning! This course is for anyone who wants to become a deep learning engineer. I'll take you from the very basics of deep learning to the bleeding edge over the course of 4 months. In this video, we’ll predict an animal’s body weight given it’s brain weight using linea...
Welcome to Intro to Deep Learning! This course is for anyone who wants to become a deep learning engineer. I'll take you from the very basics of deep learning to the bleeding edge over the course of 4 months. In this video, we’ll predict an animal’s body weight given it’s brain weight using linear regression via 10 lines of Python. I’ll have a live session every Wednesday at 10 AM PST that covers my weekly video topics in depth. You can click on the little notification bell next to the subscribe button to get an email notification whenever I’m live. And each session is recorded and uploaded to this channel in case you miss it. This Youtube content is 100% created by me (from the writing to the editing, etc.) , it’ll all be released on my channel, and it’s totally free.

I am also very proud and excited to announce my new, exclusive partnership with Udacity. Together, we’re offering the new Deep Learning Nanodegree Foundation program. If you want to take your game to the next level, this is for you! Especially since Udacity will be providing guaranteed admission to their groundbreaking Artificial Intelligence and Self-Driving Car Nanodegree programs to all graduates. They’re offering discounted limited-time pricing, so enroll now to enjoy the unique projects, program sets, and expert reviews. Plus, their community is amazing, so don’t forget to join the Slack channel after you enroll (I’ll be in there too!) And hey, I’m getting paid a small royalty from each enrollment, so let’s do this together!

Link to the Udacity nanodegree:
https://www.udacity.com/course/deep-learning-nanodegree-foundation--nd101

Please Subscribe! And like. And comment. That’s what keeps me going.

This weeks coding challenge (these weekly challenges are not related to the Udacity nanodegree projects, those are additional):
https://github.com/llSourcell/linear_regression_demo

Mick’s winning code:
https://github.com/mickvanhulst/q_learning

Vishal’s runner-up code:
https://github.com/erilyth/Q-Learning-on-Mazes

More learning resources:
http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-choice
https://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer
https://onlinecourses.science.psu.edu/stat501/node/250
http://machinelearningmastery.com/simple-linear-regression-tutorial-for-machine-learning/

Join us in the Wizards Slack channel:
http://wizards.herokuapp.com/

The vast majority of this course will use Tensorflow. It's just this first example that's using scikit-learn.

And please support me on Patreon:
https://www.patreon.com/user?u=3191693
Follow me:
Twitter:
Facebook: https://www.facebook.com/sirajology Instagram: https://www.instagram.com/sirajraval/ Instagram: https://www.instagram.com/sirajraval/
Signup for my newsletter for exciting updates in the field of AI:
https://goo.gl/FZzJ5w
Hit the Join button above to sign up to become a member of my channel for access to exclusive content! Join my AI community: http://chatgptschool.io/ Sign up for my AI Sports betting Bot, WagerGPT! (500 spots available):
https://www.wagergpt.co

#learn deep learning #learn deep learning from scratch #intro to deep learning #siraj machine learning #introduction to deep learning #intro to deep learning udacity #intro to deep learning github #deep learning #udacity deep learning #learn deep learning with python #deep learning tutorial #deep learning udacity #deep learning python #what is deep learning #live coding #learn data science #data science training
, you just give me heart attack man - How to Make a Prediction - Intro to Deep Learning #1

, you just give me heart attack man

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:00:33 - 00:07:52
am PST live session - is that going to be mandatory?? That is pm Eastern which is not convenient for me. Will I be able to do this course if I can't attend the live sessions?? - How to Make a Prediction - Intro to Deep Learning #1

am PST live session - is that going to be mandatory?? That is pm Eastern which is not convenient for me. Will I be able to do this course if I can't attend the live sessions??

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:01:00 - 00:07:52
you should have credited sethbling for his MarI/O program at - How to Make a Prediction - Intro to Deep Learning #1

you should have credited sethbling for his MarI/O program at

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:01:23 - 00:07:52
... Well youtubes AI is fucking stupid. - How to Make a Prediction - Intro to Deep Learning #1

... Well youtubes AI is fucking stupid.

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:01:50 - 00:07:52
"I know SQL" I almost fell off my chair laughing at that meme. Nice show brother nice one, your channel is top notch. - How to Make a Prediction - Intro to Deep Learning #1

"I know SQL" I almost fell off my chair laughing at that meme. Nice show brother nice one, your channel is top notch.

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:18 - 00:07:52
@Siraj Raval what is the song from ? the one with the beat - How to Make a Prediction - Intro to Deep Learning #1

@Siraj Raval what is the song from ? the one with the beat

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:23 - 00:07:52
Great 🤣 - How to Make a Prediction - Intro to Deep Learning #1

Great 🤣

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:24 - 00:07:52
ajhahhahaha - How to Make a Prediction - Intro to Deep Learning #1

ajhahhahaha

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:25 - 00:07:52
dude, did you make the beat at  ? if not, can you give me a name/link? - How to Make a Prediction - Intro to Deep Learning #1

dude, did you make the beat at ? if not, can you give me a name/link?

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:25 - 00:07:52
New on your channel, instant sub at - How to Make a Prediction - Intro to Deep Learning #1

New on your channel, instant sub at

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:30 - 00:07:52
with machine learning , if  you can dream it,  it exist!   great!!! - How to Make a Prediction - Intro to Deep Learning #1

with machine learning , if you can dream it, it exist! great!!!

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:02:38 - 00:07:52
Couldn't stop laughing😂😂 - How to Make a Prediction - Intro to Deep Learning #1

Couldn't stop laughing😂😂

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:03:22 - 00:07:52
How is this data in the example labeled? For labeled data I expected something like seen in frame  - something like "first entry: 23 42 that's an elephant, second entry that's a tiger" and so on. - How to Make a Prediction - Intro to Deep Learning #1

How is this data in the example labeled? For labeled data I expected something like seen in frame - something like "first entry: 23 42 that's an elephant, second entry that's a tiger" and so on.

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:04:27 - 00:07:52
[] coding begins - How to Make a Prediction - Intro to Deep Learning #1

[] coding begins

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:04:43 - 00:07:52
LOL!!  Rap in 2x = win! - How to Make a Prediction - Intro to Deep Learning #1

LOL!! Rap in 2x = win!

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:05:37 - 00:07:52
all you need to do to is go to - How to Make a Prediction - Intro to Deep Learning #1

all you need to do to is go to

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:05:37 - 00:07:52
OMG... that mixtape (from )... a 100% panty dropper - How to Make a Prediction - Intro to Deep Learning #1

OMG... that mixtape (from )... a 100% panty dropper

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:05:38 - 00:07:52
hahahhaha great video , you have a new sub - How to Make a Prediction - Intro to Deep Learning #1

hahahhaha great video , you have a new sub

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:05:39 - 00:07:52
What's the song from ? - How to Make a Prediction - Intro to Deep Learning #1

What's the song from ?

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:05:40 - 00:07:52
linear regression rap @  !! Siraj ! - How to Make a Prediction - Intro to Deep Learning #1

linear regression rap @ !! Siraj !

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:06:05 - 00:07:52
As Jesus said in Luke , "This is my S*it Dawg." - How to Make a Prediction - Intro to Deep Learning #1

As Jesus said in Luke , "This is my S*it Dawg."

How to Make a Prediction - Intro to Deep Learning #1
2017年01月14日 
00:06:29 - 00:07:52
00:00:00 - 00:00:02: こんにちは、Suraj です。 00:00:02 - 00:00:04: この最初のエピソードでは、ディープ ラーニングの入門へようこそ。 00:00:04 - 00:00:06: 動物の 00:00:06 - 00:00:08: 体重を、脳の重量だけでも予測します。 00:00:08 - 00:00:10: このコースは 4 か月の長さで、 00:00:10 - 00:00:12: すべて私のチャンネルで公開されます。 00:00:12 - 00:00:14: 毎週水曜日の午前 00:00:14 - 00:00:16: 10時(太平洋標準時)にライブセッションがあり、毎週の 00:00:16 - 00:00:18: トピックを詳しく説明しています。私はUdacityと協力して、 00:00:21 - 00:00:22: このコースを無事に完了した人にナノ学位を提供しています。 00:00:22 - 00:00:24: このコースは、信じられないほどのことを活用する方法を学びたい人のためのものです 00:00:25 - 00:00:27: ニューラル ネットワークの力を理解してディープ ラーニング 00:00:27 - 00:00:29: エンジニアになろう 00:00:30 - 00:00:31: 経験豊富な 00:00:31 - 00:00:33: 開発者や数学者である必要はありません 00:00:33 - 00:00:35: このコースの唯一の前提条件は、量子力学を知っていることです 冗談ですが、 00:00:36 - 00:00:38: 基本的な Python 構文だけを理解してい 00:00:38 - 00:00:40: ます 必要なことは 00:00:40 - 00:00:42: 途中で学びます テスラの株価の予測からシュールレアリスムの傑作の絵画まで、あらゆることを実行できる AI を構築することで、 00:00:46 - 00:00:48: 伝統的にプログラミングは、 00:00:50 - 00:00:52: プログラムが結果に到達するためのすべてのステップを定義することを目的としていましたが、 00:00:52 - 00:00:54: 機械学習はそのアプローチを 00:00:54 - 00:00:56: 機械学習で反転させ、 00:00:56 - 00:00:58: 結果と プログラムは 00:00:58 - 00:01:00: そこに到達するための手順を学習するため、 00:01:00 - 00:01:02: カリフォルニアのナンバー プレートを認識できるアプリを構築したいと考え、 00:01:07 - 00:01:09: 特定の文字の形 00:01:09 - 00:01:12: やここで述べた色など、ナンバー プレートの何百もの異なる特徴を認識するコードを書き始めたとします。 00:01:12 - 00:01:13: カリフォルニアの 00:01:13 - 00:01:15: ナンバー プレートの例です。認識できるようにするために必要な手順を学びます。 00:01:15 - 00:01:17: または、 00:01:23 - 00:01:25: クッパを見つけて実行している場合にジャンプするなど、考えられるすべてのシナリオに対応するコードを記述するのではなく、スーパー マリオに勝つことができるボットを作成したい場合に使用します。 あなたに対して、 00:01:25 - 00:01:27: 私たちは、死なずに終点に到達することが目標であると言うでしょう、 00:01:29 - 00:01:30: そこに到達するための手順を学ぶことですが、時には、 00:01:33 - 00:01:35: 私たちが銀行である場合、 00:01:35 - 00:01:36: どのような手順になるのかさえわかりません。 ある種の不正行為が 00:01:36 - 00:01:38: 発生していますが、それを検出する正確な方法がわかりません。 00:01:38 - 00:01:40: また、何を探せばよいのかさえわかりません。 00:01:40 - 00:01:43: ここにすべてのユーザー 00:01:43 - 00:01:45: アクティビティのログがあると言えます。他のユーザーとは異なるユーザーを見つけて 00:01:45 - 00:01:47: 、検出する手順を学習します。 00:01:50 - 00:01:51: 学習自体は、すでにインターネット上のどこにでも存在しており、 00:01:51 - 00:01:53: あらゆる主要サービスが何らかの方法で機械学習を使用しています。 00:01:54 - 00:01:56: 実際、YouTube は現在、これを視聴しているときに 00:01:56 - 00:01:58: 他のどの動画が好きかを判断するために機械学習を使用しています。 00:01:58 - 00:02:01: その用途は 00:02:01 - 00:02:03: 時間の経過とともにさらに拡大するでしょう。 00:02:04 - 00:02:07: 冷蔵庫から車、 00:02:07 - 00:02:09: パーソナルアシスタントに至るまで、インターネットに接続されたすべてのデバイスに組み込まれ、あらゆるものが学習され、 00:02:09 - 00:02:11: 私たちのニーズに適応することになるでしょう。そして、どんなスキルを習得する 00:02:11 - 00:02:13: には10,000時間も必要であるというルールをご存知でしょう。 00:02:13 - 00:02:15: 私たちは 00:02:15 - 00:02:17: それをオフロードすることができます。 私たちのマシンにトレーニング時間を与えれば、 00:02:19 - 00:02:21: すぐに超能力が与えられるでしょう 誰でも 00:02:21 - 00:02:24: 交響曲を作曲できるようになります アレクサ 憂鬱な気分です 00:02:24 - 00:02:27: この曲のためにピアノ曲を作ってそれにビートを加えてください 00:02:27 - 00:02:30: 誰でも映画を監督できるようになります 00:02:30 - 00:02:32: OK Google」 スターウォーズを作ってください、でも 00:02:32 - 00:02:33: 私をそれに参加させてください、 00:02:37 - 00:02:39: あなたがそれが存在することを夢見ることができれば、私のコードのほとんどを今すぐ機械学習で承認します、それが 00:02:39 - 00:02:42: 存在する可能性があり、この分野は 00:02:42 - 00:02:43: 現在、研究者がお互いの研究を基礎にして非常に急速に進歩しています、 00:02:45 - 00:02:49: 私のニューラルネットは最悪です より深くなりました、最先端の 00:02:49 - 00:02:52: 技術を達成したところです 世の中には 00:02:52 - 00:02:53: たくさんの機械学習モデルがあり、その中の 00:02:53 - 00:02:55: 1 つはニューラル ネットワークと呼ばれます。ニューラル 00:02:55 - 00:02:57: ネットワークは 00:02:57 - 00:02:59: 1 つや 2 つではなく、多くの 00:02:59 - 00:03:01: 層の深さのニューラル ネットワークを使用して予測を行います。 00:03:01 - 00:03:03: ディープラーニングは、 00:03:07 - 00:03:10: 膨大な範囲のタスクにおいてほぼ毎回他のタイプのモデルよりも優れたパフォーマンスを発揮する機械学習のサブセットであることについては、 00:03:10 - 00:03:11: 次のエピソードでディープラーニングについて詳しく説明します 00:03:11 - 00:03:13: が、このビデオでは、 00:03:13 - 00:03:15: 私たちが通常授業している機械学習全般に焦点を当てます。 00:03:15 - 00:03:17: 3 つの異なるスタイルに学習します。 00:03:17 - 00:03:19: 最初のスタイルは 00:03:19 - 00:03:21: 教師あり学習と呼ばれます。 00:03:21 - 00:03:23: モデルに車の写真のようなラベル データセットを与えると、 00:03:23 - 00:03:24: 何が 00:03:24 - 00:03:26: 正しくて何が間違っているかについてのフィードバックが得られます。 00:03:26 - 00:03:28: ラベルとデータの間のマッピングを学習するだけで済みました。 00:03:31 - 00:03:33: 画像内の車のタイプを分類するなど、いくつかの与えられたタスクを解決できます。すべて比較的 00:03:33 - 00:03:35: 簡単で、素晴らしい結果が得られています。2 00:03:35 - 00:03:37: 番目の 00:03:37 - 00:03:38: 学習スタイルは教師なし学習と呼ばれます。 00:03:38 - 00:03:40: これは、モデルにラベルの 00:03:40 - 00:03:42: ないデータセットを与えると、ラベルは取得されません。 00:03:42 - 00:03:44: 何が正しいか間違っているかについてのフィードバック 与えられたタスクを解決するには、データ 00:03:44 - 00:03:47: の構造が何であるかを自ら学習する必要がある 00:03:49 - 00:03:51: これは難しいです 00:03:51 - 00:03:53: が、誰もが完全に 00:03:53 - 00:03:55: ラベル付けされたデータセットを持っているわけではないため、より便利です ほとんどの 00:03:55 - 00:03:57: データはラベルが付けられておらず、乱雑です 複雑 00:03:57 - 00:04:00: で、3 番目のタイプは強化 00:04:00 - 00:04:01: 学習です。これは、モデルに最初 00:04:02 - 00:04:03: からフィードバックが与えられるのではなく、 00:04:03 - 00:04:05: 目標を達成した場合にのみフィードバックが得られるため、人間であることを学習できる 00:04:05 - 00:04:07: 強化学習ボットを作成しようとしている場合です。 00:04:09 - 00:04:11: チェスでは、 00:04:11 - 00:04:13: ゲームに勝った場合にのみフィードバックを受け取りますが、 00:04:13 - 00:04:14: 監督者アプローチでは 00:04:14 - 00:04:16: すべての動きにフィードバックが得られ、教師なしアプローチでは、 00:04:18 - 00:04:20: 他の 2 つの学習スタイルとは異なり、勝った場合でもフィードバックを受け取ることはありません。 00:04:20 - 00:04:22: 強化学習は、次の考えにリンクされています。 00:04:24 - 00:04:26: 試行錯誤を通じて環境と対話するため、 00:04:27 - 00:04:28: さまざまな動物の測定値のデータセットを入手しました。 00:04:31 - 00:04:34: データにはラベルが付けられているため、脳の重量を考慮して動物の体重を予測したいと考えています。これは教師あり 00:04:34 - 00:04:36: アプローチであり、 00:04:36 - 00:04:37: 機械学習の種類になります。 私たちが 00:04:37 - 00:04:40: 実行するタスクは回帰と呼ばれます。 00:04:40 - 00:04:41: これを行うための 10 行の Python スクリプトを作成します。 00:04:41 - 00:04:44: 作業を進めながら説明します。 00:04:45 - 00:04:47: まず 3 つの依存関係をインポートします。最初の依存関係は pandas です。これにより、 00:04:47 - 00:04:49: 読み取りが可能になります。 データセット 00:04:49 - 00:04:50: 2 つ目は scikit-learn で、この例で 00:04:50 - 00:04:52: 使用している機械学習ライブラリです 00:04:52 - 00:04:54: 。3 つ目は 00:04:54 - 00:04:56: ライブで教えられたマップで、読み取れる依存関係を 00:04:56 - 00:04:58: インポートしたのでモデルとデータを視覚化できます。 00:05:00 - 00:05:03: パンダを使用したデータセット read fwf 関数を使用して 00:05:03 - 00:05:05: 動物データセットを読み取ります。 00:05:09 - 00:05:10: 行と列の 2D データ構造である固定幅の書式設定された行のテーブルをパンダのデータ フレーム オブジェクトに読み込みます。 00:05:10 - 00:05:12: データ セットには平均的な脳とデータが含まれています。 00:05:14 - 00:05:16: 多くの動物種の体重 データが 00:05:16 - 00:05:18: データ フレーム変数に格納されると、 00:05:18 - 00:05:19: 両方の測定値を簡単に解析して 00:05:19 - 00:05:21: 2 つの別個の変数に読み取ることができます。 00:05:21 - 00:05:23: 脳の測定値は 00:05:23 - 00:05:24: X 値変数に、身体の 00:05:25 - 00:05:27: 測定値は Y 値変数に保存されます。 00:05:27 - 00:05:28: このデータを 00:05:28 - 00:05:30: 標準的な 2 次元グラフにプロットすると、次 00:05:30 - 00:05:32: のようになります。私たちの目標は、 00:05:32 - 00:05:34: 新しい動物の体重を考慮して、 00:05:34 - 00:05:37: その脳の大きさを予測できるようにすることです。 00:05:37 - 00:05:40: それでは、どうすればよいでしょうか。 00:05:40 - 00:05:42: 独立と依存とは何かはわかっているでしょう 独立 00:05:54 - 00:05:56: 依存とは何か 方程式に最もよく適合する 00:05:56 - 00:05:59: 直線 y は MX と B に等しい 00:05:59 - 00:06:01: 必要なのは彼が y 切片で、M は 00:06:01 - 00:06:03: それをグラフに適用する度合いを測定する 脳 00:06:03 - 00:06:06: で身体を予測しよう 空気が少ない、シャンパンを 00:06:06 - 00:06:09: 吸う、 00:06:09 - 00:06:10: 線形モデル オブジェクトを学習する 線形回帰を初期化し 00:06:10 - 00:06:12: 、それをボディ回帰変数に保存します。 00:06:12 - 00:06:15: 次に、 00:06:17 - 00:06:18: 最適な直線が得られたので、モデルを XY 値のペアに当てはめることができます。XY 00:06:18 - 00:06:21: 値のペアをマップ上にプロットし、ライブ 00:06:21 - 00:06:22: 散布図をプロットしてから、回帰をプロットします。 00:06:22 - 00:06:24: すべての x 値について、 00:06:24 - 00:06:27: 関連付けられた Y 値を予測し、 00:06:27 - 00:06:28: それらのすべての点と交差する線を描画します。 00:06:28 - 00:06:30: その後、show 関数を使用してそれを表示できます。 00:06:30 - 00:06:32: 先に進み、ターミナルでこのコードをコンパイルしましょう。 00:06:34 - 00:06:35: すべてのデータを含む散布図が表示されます。 00:06:35 - 00:06:38: マッピングされた点は、X 軸が脳の重量を表し 00:06:38 - 00:06:40: 、Y 軸が体重を表します。 00:06:40 - 00:06:42: 回帰直線はほとんどのデータによく適合しているようです。 00:06:45 - 00:06:47: 脳の重量と体重との間には非常に強い相関関係があるようです。 00:06:52 - 00:06:54: 従来のプログラミングは結果に到達するための 00:06:54 - 00:06:56: ステップを定義するものですが、 00:06:56 - 00:06:57: 機械学習は 00:06:57 - 00:07:00: 結果を定義するものであり、プログラムは 00:07:00 - 00:07:02: そこに到達するためのステップを学習します。 教師 00:07:03 - 00:07:05: あり教師なし、 00:07:05 - 00:07:07: 強化学習および線形 00:07:07 - 00:07:08: 回帰モデルの 3 つの異なる学習スタイルです。 00:07:10 - 00:07:13: 最適な適合線を作成するための独立変数と従属変数の関係は、予測 00:07:13 - 00:07:14: に使用できます。 00:07:14 - 00:07:16: 先週の 00:07:16 - 00:07:18: コーディング チャレンジの勝者は Nick Van Holtz で、彼が 00:07:18 - 00:07:20: 修正しました。 ゲームの世界はより 00:07:20 - 00:07:22: 複雑になり、彼の Q ラーニング ボットは、 00:07:24 - 00:07:27: 今週の私のデモ ボット ウィザードよりもはるかに効率的にゴールに到達しました。 00:07:27 - 00:07:29: 次点はヴィシャル バッチュです。彼は 00:07:29 - 00:07:31: セル オートマトンを使用してマップを生成しました。 00:07:31 - 00:07:33: このビデオの課題は次のとおりです。 scikit-learn を使用して、 00:07:35 - 00:07:37: 私が提供する別のデータセットの回帰直線を作成し、 00:07:39 - 00:07:41: 予測と実際の値の間の誤差を出力します。 00:07:41 - 00:07:43: 詳細は、コメント内の Readme ポスターの github リンクにあります。 00:07:45 - 00:07:46: 勝者は、 1週間、チャンネル登録ボタンを押してください。 00:07:46 - 00:07:49: 今のところは 00:07:49 - 00:07:53: 学ぶ気持ちがないといけないので、見ていただきありがとうございます

Siraj Raval

※本サイトに掲載されているチャンネル情報や動画情報はYouTube公式のAPIを使って取得・表示しています。

Timetable

動画タイムテーブル

動画数:471件

. - I Built a Sports Betting Bot (WagerGPT)

.

I Built a Sports Betting Bot (WagerGPT)
2024年01月04日  @ckq 様 
00:02:22 - 00:05:48
that’s an outdated player roster from 3 years ago buddy - I Built a Sports Betting Bot (WagerGPT)

that’s an outdated player roster from 3 years ago buddy

I Built a Sports Betting Bot (WagerGPT)
2024年01月04日  @metalflames4 様 
00:02:22 - 00:05:48
fwiw they went 1-3 on those picks - I Built a Sports Betting Bot (WagerGPT)

fwiw they went 1-3 on those picks

I Built a Sports Betting Bot (WagerGPT)
2024年01月04日  @ckq 様 
00:02:40 - 00:05:48
😂 - I Built a Sports Betting Bot (WagerGPT)

😂

I Built a Sports Betting Bot (WagerGPT)
2024年01月04日  @tennisprotrader 様 
00:05:22 - 00:05:48
the lie. any apple m* processor has it, even many phone processor have - Deep Learning with 4th Gen Xeon Processors and Intel® Accelerator Engines (AWS re:Invent 2023)

the lie. any apple m* processor has it, even many phone processor have

Deep Learning with 4th Gen Xeon Processors and Intel® Accelerator Engines (AWS re:Invent 2023)
2023年12月14日  @somerndid 様 
00:02:01 - 00:04:50
@ you are showing what appears to be yet another medical dataset "medalpaca/medical_meadow_mediqa" but it is unclear how that is used. - DoctorGPT: Offline & Passes Medical Exams!

@ you are showing what appears to be yet another medical dataset "medalpaca/medical_meadow_mediqa" but it is unclear how that is used.

DoctorGPT: Offline & Passes Medical Exams!
2023年08月13日  Mark Woodworth 様 
00:13:12 - 00:18:13
@What exactly are you concatenating? You say "instruction column and input column into a single input" but the code references only the "question" column from the "GBaker/MedQA-USMLE-4-options" dataset.  The question is then submitted for inference as-is, without being combined with anything as far as I can tell. Also - are the options (answer choices) and correct_answer_idx (multiple choice answer) used anywhere? - DoctorGPT: Offline & Passes Medical Exams!

@What exactly are you concatenating? You say "instruction column and input column into a single input" but the code references only the "question" column from the "GBaker/MedQA-USMLE-4-options" dataset. The question is then submitted for inference as-is, without being combined with anything as far as I can tell. Also - are the options (answer choices) and correct_answer_idx (multiple choice answer) used anywhere?

DoctorGPT: Offline & Passes Medical Exams!
2023年08月13日  Mark Woodworth 様 
00:13:21 - 00:13:12
@ you mention SFT with the base model, but the code appears to be using the chat model - DoctorGPT: Offline & Passes Medical Exams!

@ you mention SFT with the base model, but the code appears to be using the chat model

DoctorGPT: Offline & Passes Medical Exams!
2023年08月13日  Mark Woodworth 様 
00:18:13 - 00:38:49