كيفية إنشاء نموذج أكثر دقة من transfermarkt وليس التنبؤ أو ما يؤثر على تكلفة التحويلات أكثر من أي شيء آخر

سأحاول إخبارك بمدى سهولة الحصول على نتائج مثيرة للاهتمام من خلال تطبيق نهج قياسي تمامًا من البرنامج التعليمي لدورة التعلم الآلي إلى البيانات غير المستخدمة في التعلم العميق. إن جوهر رسالتي هو أنه يمكن أن يكون كل واحد منا ، ما عليك سوى إلقاء نظرة على مجموعة المعلومات التي تعرفها جيدًا. للقيام بذلك ، في الواقع ، من المهم للغاية أن تفهم ببساطة بياناتك جيدًا بدلاً من أن تكون خبيرًا في أحدث الهياكل للشبكات العصبية. هذا هو ، في رأيي ، نحن في هذه النقطة الذهبية في تطوير DL ، بينما من ناحية ، هي بالفعل أداة يمكن استخدامها دون الحاجة إلى الحصول على درجة الدكتوراه ، ومن ناحية أخرى ، لا يزال هناك الكثير من المجالات التي لم يستخدمها أحد فعلاً ، إذا نظرت أبعد قليلا من الموضوعات التقليدية.

إذا قرأت مقالات وأثناء النظر في كيفية تطور التعلم الآلي ، يمكنك أنت والشعور بسهولة الشعور بأن هذا القطار يمر. في الواقع ، إذا كنت تأخذ المقررات الأكثر شهرة (على سبيل المثال ، أندرو نغ ) أو معظم المقالات حول هابري من المجتمع الممتاز نفسه لعلوم البيانات المفتوحة ، فأنت تدرك بسرعة أنه لا يوجد شيء يمكن القيام به هنا من أعماق ذاكرة المعرفة بالمعرفة في الرياضيات العليا ، حسناً ، على الأقل لا يمكن تحقيق النتائج المعقولة (حتى في أمثلة " الألعاب ") إلا بعد عدة أسابيع من دراسة نظرية تيري والطرق المختلفة لتنفيذها. لكن غالبًا ما تريد أخرى ، تريد أن يكون لديك أداة تؤدي وظيفتها ، والتي تحل فئة معينة من المشاكل ، بحيث تحصل على النتيجة عند تطبيقها في مجال عملك. في الواقع ، في كل المجالات الأخرى ، يكون كل شيء على ما يرام ، إذا قمت ، على سبيل المثال ، بكتابة لعبة وكانت مهمتك هي ضمان نقل المعلومات من المشغل إلى الخادم ، ثم لا تدرس نظرية الرسوم البيانية ، ولا تتعرف على كيفية تحسين الاتصال بحيث تصل حزمك بشكل أسرع - تأخذ الأداة (مكتبة ، إطار عمل) يقوم بذلك نيابة عنك ويركز على ما هو فريد لمهمة معينة (على سبيل المثال ، نوع المعلومات التي تحتاج إلى نقلها ذهابًا وإيابًا). لماذا هذا ليس كذلك للتعلم العميق؟

في الواقع ، نحن الآن على وشك الوقت الذي أصبح فيه مثل هذا تقريبا . بالنسبة لي ، وجدت أن هذه الأداة تقريبًا - fast.ai. مكتبة ممتازة ودورة أكثر انحدارًا ، تم بناء مبدأها بالكامل "من أعلى لأسفل": أولاً حل المشكلات الحقيقية ، غالبًا على مستوى دقة التنبؤ بنماذج State Of The Art ، وصولًا إلى البنية الداخلية للمكتبة والنظرية التي تقوم عليها.

فيما يتعلق بمثل هذه المجموعة من المعرفة ، قررت تطبيق DL على موضوع طالما كنت مهتمًا به ومعرفة ما يمكن أن يؤدي إليه. وبالطبع ، فإن أول ما يتبادر إلى ذهني هو كرة القدم. وعندما وجدت إحصائيات النقل الرائعة هذه على kaggle ، أصبح الاختيار أكثر وضوحًا.

قليلا عن هذه البيانات. أنها تحتوي على معلومات حول من وأين انتقل إلى كرة القدم الأوروبية على مدى السنوات العشر الماضية. هناك معلومات حول الأندية وإحصائيات اللاعبين والبطولات التي يشاركون فيها والمدربون والوكلاء وأكثر من ذلك بكثير (هناك أكثر من مائة مجال مختلف في المجموع). البيانات مثيرة للاهتمام للغاية ، ولكن هل من الممكن تحديد مقدار التكلفة التي يجب أن يتحملها اللاعب؟

إذا فكرت في الأمر ، فإن سعر اللاعب يعتمد على عدد كبير من العوامل. في الوقت نفسه ، إنه شيء رائع ، وأنا (إن لم يكن معظمه) دوره هو ببساطة غير رسمي. كيف نفهم أن النادي قد باع اللاعب للتو بسعر مرتفع ، ويحتاج إلى مهاجم ومستعد تمامًا لدفعه مقابل ذلك ؛ كيف نفهم أن المدرب الجديد قد حان ويتطلب تحديث القائمة ؛ كيف نفهم أن المدافع الرئيسي للنادي قد لاحظ الجواد وبدأ يلعب بلهفة وطالب بنقله؟ كل هذا يؤثر بشكل أساسي على مقدار المعاملة ، لكنه غير معروض في البيانات. من ذلك ، كانت توقعاتي الأولية حول دقة مثل هذه التوقعات صغيرة.

نموذج

لقد بدأت باستبعاد التحويلات الأقل تكلفة من مليون دولار ، وهي فوضى شديدة. ثم قام بإحضار جميع البيانات إلى طاولة واحدة كبيرة تحتوي على مائة ونصف حقل ، حيث كان لكل نقل كل المعلومات المتاحة عنه (سواء عن النقل نفسه ، واللاعب وإحصاءاته ، وكذلك عن الأندية المشاركة فيه ، والبطولات ، وما إلى ذلك) ).

دعونا نلقي نظرة على الخطوات التي خلقت بها النموذج :

بعد الانتهاء من جميع واردات Python وتحميل جدول النقل غير الطبيعي ، فإن أول ما نحتاج إلى تحديده هو أي من الحقول التي سنعتبرها رقمية وأيها تصنيفية. هذا موضوع مثير للاهتمام في حد ذاته ، يمكنك التحدث عنه في التعليقات ، ولكن لتوفير الوقت ، أنا فقط أصف القاعدة التي أستخدمها: أنا ، افتراضيًا ، أعتبر جميع الحقول تصنيفية ، باستثناء تلك التي يتم تمثيلها كأرقام الفاصلة العائمة أو تلك التي يكون فيها عدد القيم المختلفة كبيرًا بما يكفي.

في هذا السياق ، على سبيل المثال ، أعتبر سنة النقل قاطعة ، على الرغم من أن هذا الرقم مبدئيًا ، لأن عدد القيم المختلفة صغير هنا (10 - من 2008 إلى 2018). لكن ، على سبيل المثال ، أداء اللاعب في الموسم الماضي (والذي يمثله متوسط ​​عدد أهدافه في المباراة الواحدة) هو تعويم ويمكن أن يأخذ أي قيمة تقريبًا ، لذلك أنا أعتبرها عددية.

 cat_vars_tpl = ('season','trs_year','trs_month','trs_day','trs_till_deadline', 'contract_left_months', 'contract_left_years','age', 'is_midseason','is_loan','is_end_of_loan', 'nat_national_name','plr_position_main', 'plr_other_positions','plr_nationality_name', 'plr_other_nationality_name','plr_place_of_birth_country_name', 'plr_foot','plr_height','plr_player_agent','from_club_name','from_club_is_first_team', 'from_clb_place','from_clb_qualified_to','from_clb_is_champion','from_clb_is_cup_winner', 'from_clb_is_promoted','from_clb_lg_name','from_clb_lg_country','from_clb_lg_group', 'from_coach_name', 'from_sport_dir_name', 'to_club_name','to_club_is_first_team','to_clb_place', 'to_clb_qualified_to', 'to_clb_is_champion','to_clb_is_cup_winner','to_clb_is_promoted', 'to_clb_lg_name','to_clb_lg_country', 'to_clb_lg_group','to_coach_name', 'to_sport_dir_name', 'plr_position_0','plr_position_1','plr_position_2', 'stats_leag_name_0', 'stats_leag_grp_0', 'stats_leag_name_1', 'stats_leag_grp_1', 'stats_leag_name_2', 'stats_leag_grp_2') cont_vars_tpl = ('nat_months_from_debut','nat_matches_played','nat_goals_scored','from_clb_pts_avg', 'from_clb_goals_diff_avg','to_clb_pts_avg','to_clb_goals_diff_avg','plr_apps_0', 'plr_apps_1','plr_apps_2','stats_made_goals_0','stats_conc_gols_0','stats_cards_0', 'stats_minutes_0','stats_team_points_0','stats_made_goals_1','stats_conc_gols_1', 'stats_cards_1','stats_minutes_1','stats_team_points_1','stats_made_goals_2', 'stats_conc_gols_2','stats_cards_2','stats_minutes_2','stats_team_points_2', 'pop_log1p') 

بعد ذلك ، بعد الإشارة صراحةً إلى ما نتوقعه - مبلغ التحويل ( fee ) ، نقسم بياناتنا بشكل عشوائي إلى جزأين من 80٪ و 20٪. في البداية ، سوف نعلم شبكتنا العصبية ، من ناحية أخرى - للتحقق من دقة التنبؤ.

 ln = len(df) valid_idx = np.random.choice(ln, int(ln*0.2), replace=False) 

في المرحلة التحضيرية الأخيرة ، نحتاج إلى اتخاذ قرار بشأن كيفية قياس مدى معقولية توقعاتنا. ثم لم أختار المقياس الأكثر معيارًا في الجزء المحلي من الكون - متوسط ​​الخطأ MdAPE ( MdAPE ). أو ، بعبارة أكثر بساطة ، كم من المئة (السعر المطلق للنقل يمكن أن يختلف بأوامر من حيث الحجم) على الأرجح سنرتكب خطأ في سعر التحويل الذي تم اختياره عشوائيًا. بدا لي الأقرب إلى ما تعنيه عبارة "دقة نظام تنبؤات النقل" بالضبط بالنسبة لي.

الآن حان الوقت ، في الواقع ، للبدء في تعلم الشبكة.

 data = (TabularList.from_df(df, path=path, cat_names=cat_vars, cont_names=cont_vars, procs=procs) .split_by_idx(valid_idx) .label_from_df(cols=dep_var, label_cls=FloatList, log=True) .databunch(bs=BS)) learn = tabular_learner(data, layers=layers, ps=layers_drop, emb_drop=emb_drop, y_range=y_range, metrics=exp_mmape, loss_func=MAELossFlat(), callback_fns=[CSVLogger]) learn.fit_one_cycle(cyc_len=cycles, max_lr=max_lr, wd=w_decay) 

دقة التنبؤ

Validation Error = 0.3492 يعني أنه بعد التدريب على مجموعة بيانات جديدة ( validation set ، validation set ) ، يكون النموذج في المتوسط ​​(المتوسط) مخطئًا بنسبة 34٪ بالنسبة لسعر النقل الحقيقي. لقد حصلنا عليها فقط نتيجة لعدة أسطر من التعليمات البرمجية مأخوذة من البرنامج التعليمي.

خطأ 34٪ ، هل هو كثير أم قليلاً؟ كل شيء نسبي. المصدر الوحيد المقارن ، الذي يمكن اعتبار بياناته بمثابة " تنبؤ " لمبلغ التحويل ، هو بالطبع علامة نقل . لحسن الحظ ، هناك حقل في البيانات من kaggle يوضح كيف قام هذا الموقع بتصنيف لاعب في وقت النقل ، ويمكن مقارنة ذلك. تجدر الإشارة هنا إلى أن شركة transfermarkt لم تدع مطلقًا أن market value هي سعر النقل المحتمل. على العكس من ذلك ، أكدوا على أنها " القيمة الصادقة " للاعب أو لآخر. ومقدار الأموال التي سيدفعها نادي معين مقابل ذلك في موقف معين هو أمر فردي للغاية ويمكن أن يتقلب في اتجاه أو آخر ضمن حدود واسعة للغاية. ولكن هذا هو أفضل ما لدينا ، دعنا نقارن .

خطأ Transfermarkt - 35 ٪ ، نموذجنا - 35 ٪ . غريب جدا ، ولكي نكون صادقين ، مشبوهة جدا.
في هذه المرحلة ، أقترح التفكير مرة أخرى. موقع ذو تاريخ ضخم ، تم إنشاؤه فقط لإظهار "قيمة" اللاعبين ، والذي يعتمد على القوة الكاملة لتأثير الحشد (يستمد القيمة من تصنيف كل من الزوار العاديين ومحترفي السوق) ومعرفة الخبراء من جهة والنموذج ، الذي لا يعرف شيئًا عن كرة القدم ، لا يرى شيئًا سوى البيانات التي قدمناها لها (وخارج هذه البيانات في العالم الحقيقي ، لا يزال هناك الكثير من الأشياء التي يأخذها الأشخاص الذين يحملون علامة نقل في الاعتبار) ، من ناحية أخرى ، يظهرون الخطأ نفسه . علاوة على ذلك ، يسمح لنا نموذجنا أيضًا بالتنبؤ بسعر إيجار اللاعب ، والذي لا تظهره market value ، لأسباب واضحة ، (مع مثل هذه المعاملات ، كانت نتيجة نقل العلامة التجارية أسوأ ).

بصراحة ، ما زلت أعتقد أن لديّ نوعًا ما من الأخطاء هنا ، كل شيء جيد جدًا لدرجة لا يمكن تصديقها. ولكن ، مع ذلك ، دعنا نذهب أبعد من ذلك.

طريقة سهلة لاختبار نفسك هي محاولة تقدير التوقعات من مصدرين (النماذج والعلامات التجارية). إذا كانت التنبؤات مستقلة حقًا عن بعضها البعض ولم يكن هناك خطأ مزعج ، فينبغي أن تتحسن النتيجة.

في الواقع ، يقلل متوسط ​​التوقعات من خطأ التنبؤ إلى 32٪ (!). قد يبدو هذا قليلاً ، لكن يجب أن نفهم أننا نقوم بتصفية بعض المعلومات الإضافية من البيانات ، والتي يتم ضغطها إلى الحد الأقصى.

ولكن ما سنفعله بعد ذلك ، في رأيي ، هو أكثر إثارة للدهشة ومثيرة للاهتمام ، على الرغم من أنه خارج نطاق البرنامج التعليمي fast.ai.

ميزة أهمية

الشبكات العصبية ، كي لا نقول أنها غير مستحقة تمامًا ، غالبًا ما تُعتبر "صندوقًا أسود". نحن نعرف ما هي البيانات التي يمكننا وضعها هناك ، يمكننا الحصول على تنبؤات النموذج ، ويمكننا حتى تقييم مدى صحة تنبؤاته في المتوسط. لكن لا يمكننا أن نوضح بالمعايير التي "اتخذها" هذا القرار أو ذاك. البنية الداخلية للشبكة نفسها معقدة للغاية ، والأهم من ذلك أنها غير خطية ، بحيث يتعذر تتبع سلسلة اتخاذ القرار بأكملها مباشرة واستخلاص استنتاجات مهمة من العالم الواقعي من هناك. ولكن تريد حقا أن. أود أن أفهم ما يؤثر على مبلغ التحويل أكثر من أي شيء آخر.

حسنًا ، لن نتسلق داخل الشبكة. ولكن ماذا تعني أهمية كل حقل ، دعنا نسميها ميزة الميزة (FI)؟ أحد الخيارات لفهم "الأهمية" هو حساب مقدار الأمور التي ستزداد سوءًا إذا لم يكن لدينا هذا الحقل. وهذا هو بالضبط ما يمكننا قياسه. لدينا الآن أداة توفر تنبؤات على أي مجموعة بيانات. لذلك ، إذا قمنا فقط بحساب مقدار زيادة خطأ التنبؤ عندما نستبدل البيانات العشوائية في الحقل ، فيمكننا تقدير مدى تأثيره (في الحقل) على النتيجة النهائية ، مما يعني مدى أهميته. للبقاء ضمن التوزيع الحقيقي للبيانات ، سيتم ملء الحقل ليس فقط بأرقام عشوائية ، ولكن بقيم مختلطة بشكل عشوائي (أي ، سنقوم فقط بخلط العمود ، على سبيل المثال ، "سنة النقل" ، في الجدول الأصلي). للإخلاص ، يمكن تنفيذ هذه العملية عدة مرات لكل حقل عن طريق حساب متوسط ​​النتيجة. كل شيء بسيط جدا. الآن دعونا نرى كيف يعطي هذا عاقل النتيجة:

أمري يقول: "نعم ولا!"

في أحد الجوانب ، كانت الحقول التي تتوقع أن تراها موجودة في المقدمة: مدربي الفريق من أين وأين ذهب اللاعب (من from_coach_name ، to_coach_name ) ، الأندية التي شاركت في النقل (من from_club_name ، to_club_name ) ، وكيل اللاعب ( plr_player_agent ) ، شهرة اللاعب في الشبكات الاجتماعية ( pop_log1p ) إلخ لكن من ناحية أخرى ... لا يبدو أن أسماء المدربين يجب أن يكون لها وزن أكبر في سعر الانتقالات ، على سبيل المثال ، من الأندية نفسها (نعلم جيدًا أن بنفيكا الشرطي قادر على بيع لاعبيه المكلفين). هي العلامة التجارية للمدرب الذي يؤثر بقوة على السعر أكثر من العلامة التجارية للنادي. هو وصول مانشيني المشروط الكثير مما اضطر النادي لدفع مبالغ زائدة؟ ما هي الحالة ، عندما تعطينا البيانات معلومات جديدة أو بديهية قليلاً أو مجرد خطأ في النموذج؟

هيا بنا مع إلقاء نظرة فاحصة على الرسم البياني ، تتمسك العين بسرعة بشيء غريب. يوجد أسفل المركز trs_year season trs_year ، وهما يمثلان سنة النقل والموسم الذي سيتم فيه الانتقال (بشكل عام ، قد لا يتزامن ذلك ، على الرغم من أن هذا لا يحدث كثيرًا). أولاً ، يبدو أنها يجب أن تكون أعلى ، فنحن نعرف مقدار ارتفاع أسعار لاعبي كرة القدم في السنوات الأخيرة ، وثانياً ، من الواضح أنها تعني نفس الشيء. ماذا تفعل حيال ذلك؟ مجرد تلخيص أهميتها؟ ليس حقيقة أن هذا يمكن القيام به! لكن ما يمكننا فعله بالتأكيد هو تطبيق النهج نفسه (خلط القيم) ليس بشكل منفصل على هذين الحقلين ، ولكن كمجموعة. بمعنى ، قم بقياس كيفية تغيير الخطأ إذا كانت هناك قيم عشوائية في هذين العمودين مرة واحدة. حسنًا ، نظرًا لأننا نقوم بذلك على مر السنين ، نحتاج إلى معرفة ما إذا كان لدينا حقول أخرى "مرتبطة" تمامًا.

على سبيل المثال ، بالنسبة لنادي ، لدينا العديد من المعلمات: النادي نفسه ( club_name ) ، بالإضافة إلى مجموعة من المعلومات حوله - من الدوري أو الدولة ، إلخ. ( club_is_first_team ، clb_lg_name ، clb_lg_country ، clb_lg_group ). في بعض الحالات فقط ، نحن مهتمون بمعرفة مدى تأثيره على السعر ، على سبيل المثال ، البلد الذي يذهب إليه اللاعب بشكل منفصل ( clb_lg_country ) ، في أغلب الأحيان من المهم بالنسبة لنا أن نفهم الوزن الإجمالي لحقل "النادي" ، الموجود بالفعل في بلد معين أو الدوري ، إلخ. .

وبالتالي ، يمكننا الجمع بين جميع الحقول في مجموعات وفقا للمحتوى الدلالي. سيساعدنا ذلك ببساطة في معرفة مجال الموضوع والحس السليم ، وكذلك "القرب" المحسوب للميزات. يظهر الأخير فقط كيف ترتبط الحقول مع بعضها البعض ، أي مدى إمكانية اعتبارها كمجموعة واحدة.

بتطبيق هذا النهج ، نحصل على رسم بياني أكثر سهولة لأهمية الحقول:

ها أنت ذا. بالضبط ما النادي الذي يشتري اللاعب أكثر ما يؤثر على مبلغ التحويل ، بهامش جيد للغاية. Hi Man City ، برشلونة ، Zenit ، وعلى سبيل المثال ، نفس بنفيكا (بعد كل شيء ، " يؤثر بقوة " على نفس الشيء في حقيقة أن بعض الأندية ، على العكس من ذلك ، تكون قادرة على شراء لاعبين بجودة أرخص من "السوق"). يبدو لي أن الشيء الأكثر إثارة للاهتمام في التعامل مع البيانات هو أنه عندما يتم الحصول عليها ، تكون الاستنتاجات واضحة من ناحية (حسناً ، لقد شككت في أن يكون للمشتري النادي التأثير الأقوى على مبلغ التحويل) ، ومن ناحية أخرى ، فإنه من المستغرب قليلاً (والمرشحون لـ المكان ، حدسي ، يمكن أن يكون إلى حد ما ، والفصل عن الثاني لا يبدو كبيرا جدا)

لا يزال هناك الكثير من الأشياء المثيرة للاهتمام لاكتشافها. على سبيل المثال ، لا يزال اسم المدرب من حيث يتم شراء اللاعب ، من وجهة نظر النموذج ، أكثر أهمية من النادي ... فلنقل الفرق إلى حد كبير. يمكن العثور على تفسير منطقي لذلك من حيث المبدأ (رغم أنه في بعض الأحيان يمكن العثور عليه لأي شيء). هناك مدربون (Guardiola و Klopp و Benitez و Berdyev) يلتزمون بأيديولوجية معينة من اللعبة في أندية مختلفة ، والتي تكشف بشكل أفضل أو العكس بالعكس تجعل بعض المواقف في الملعب أقل سطوعًا ، وتؤثر رؤية اللاعب بشكل كبير على سعره. عن الأندية ، إذا جاز التعبير ، من المستحيل تقريبا. وحقيقة أننا نرى المدربين الذين لا ينحرفون بشكل جذري عن مبادئهم للعبة في كثير من الأحيان أكثر من الأندية التي تغير المدربين ، ولكنهم يبقون في نفس الفلسفة (على سبيل المثال ، مرتجلاً ، باستثناء أن أياكس يتبادر إلى الذهن ، وبرشلونة مشكوك فيه للغاية) ، يتحدث عن هذا ، ربما ، يكشف بعض المديرين عن لاعبين أكثر استقرارًا من الأندية. على الرغم من أنني هنا لا أؤيد بشدة بياني.

من بين المؤشرات الإحصائية البحتة ، فإن أعلى مبلغ هو ببساطة مقدار الوقت الذي يقضيه اللاعب في هذا المجال العام الماضي في منافسته الرئيسية ( stats_minutes_0 ). هذا منطقي تمامًا ، لأن مقدار ما كان هذا اللاعب "الرئيسي" في ناديه في الموسم الماضي يبدو مؤشرًا إحصائيًا عالميًا لنجاحه أكثر من غيره - على سبيل المثال ، عدد الأهداف التي تم تسجيلها أو البطاقات المستلمة.

تغلق شعبية اللاعب ( pop_log1p ) هذه المجموعة المكونة من 8 معلمات مهمة. تجدر الإشارة إلى أن البيانات التي قدمناها خلال السنوات العشر الماضية. أعتقد أن أهمية هذا الحقل ستكون أعلى إذا كنا نفكر في السنوات الخمس الماضية ، وبالنسبة إلى متوسط ​​القيمة على مدى العقد الماضي ، فهذه نتيجة مفهومة تمامًا ، خاصة إذا أخذنا في الاعتبار الفجوة من المكان التالي.

حسنًا ، آخر شيء أود لفت الانتباه إليه هو أهمية مجال الوكيل ( plr_player_agent ). سأترك هذا بدون تعليق ، لأنه إذا تمكنت من كسر هوامش النسخ في النزاعات حول الحاجة (غير) للوكلاء ، فلا شك في درجة تأثيرهم على سوق النقل الحديث (على الرغم من أن النموذج يقترح عدم المبالغة في تقديرها).

بالمناسبة ، ربما يكون الشيء الأكثر إثارة للاهتمام في طريقة التحليل هذه هو سهولة الوصول إليها: ليس من الضروري إنشاء نموذج " مثالي " من أجل الحصول على معلومات حول أهمية المعلمات. في كثير من الحالات ، يكفي أن تتنبأ ببساطة على الأقل ، وتختلف إحصائيًا بشكل كبير عن رمي عملة معدنية ، وستحصل بالفعل على نتائج تحتوي غالبًا على رؤى مثيرة للاهتمام أو تخبرك عن الجانب الجديد الذي يمكنك من خلاله الاطلاع على البيانات.

ثم حان وقت التقريب ، حتى لا تزيد من حجم النص الزائد. في فراق ، أود أن أحث مرة أخرى جميع المهتمين بالموضوع على أن يجربوا (الأفضل ، في رأيي ، للمبتدئين) دورة التعلم العميق - fast.ai وتطبيق المعرفة المكتسبة في "مجال خبرتك" ، فمن المحتمل أن تكون الأول هناك :)

وإذا كنت ترغب في ذلك ، سأحاول إتقان الجزء الثاني من النص حول تجاربي التي سيخبرك بها النموذج الذي يستخدم أداة قوية بنفس القدر - الاعتماد الجزئي : أي عميل للوكالة من الأفضل أن يصبح لاعب كرة قدم ، والأندية لديها سياسة النقل الأكثر فاعلية ، والتي يزيد المدرب أفضلها تكلفة اللاعبين (بالإضافة إلى المرشحين الواضحين ، هناك العديد من "العلامات التجارية" غير المروجة والتي تستحق نظرة فاحصة بوضوح) وأكثر من ذلك بكثير.

الجزء 2 - نموذج لكرة القدم نقل: حفر أعمق