Shadowing Practice: Gaussian Naive Bayes, Clearly Explained!!! - Learn English Speaking with Video
בחר מצב תרגול
כל מצב פותח חדר תרגול במסך מלא.
107 משפטים
אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.
1
Beep boop boop beep boop boop beep boop.
2
StatQuest.
3
Hello, I'm Josh Starmer and welcome to StatQuest.
4
Today we're going to talk about Gaussian Naive Bays, and it's going to be clearly explained.
5
Note.
6
This stat quest assumes that you are already familiar with the main ideas behind multinomial Naive Bays.
7
If not, check out the quest!
8
The link is in the description below.
9
This StatQuest also assumes that you are familiar with the log function, the normal or Gaussian distribution,
10
and the difference between probability and likelihood.
11
If not, check out the quests.
12
The links are in the description below.
13
Imagine we wanted to predict if someone would love the 1990 movie Troll 2 or not.
14
So we collected data from people that love Troll 2, and from people that do not love Troll 2.
15
We measured the amount of popcorn they ate each day.
16
How much soda pop they drank.
17
and how much candy they ate.
18
The mean for popcorn for the people who love Troll 2 is 24.
19
and the standard deviation is 4.
20
And a Gaussian, or normal distribution, with mean equals 24 and standard deviation equals 4 looks like this.
21
Likewise, the average amount of popcorn for people who do not love Troll 2 is 4.
22
and the standard deviation is 2.
23
And that corresponds to this Gaussian, or normal distribution.
24
Now we calculate the mean and standard deviation for Soda Pop for people that love Troll 2.
25
and draw the corresponding Gaussian distribution.
26
Then we do the same thing for the people that do not love Troll 2.
27
Lastly, we draw the Gaussian distributions for candy.
28
Gaussian Naive Bayes is named after the Gaussian distributions that represent the data in the training dataset.
29
Now someone new shows up.
30
and says they eat 20 grams of popcorn.
31
and drink 500 milliliters of soda pop, and eat 25 grams of candy every day.
32
Let's use Gaussian Naive Bayes to decide if they love Troll 2 or not.
33
The first thing we do is make an initial guess that they love Troll 2.
34
This guess can be any probability that we want, but a common guess is estimated from the training data.
35
For example, since 8 of the 16 people in the training data loved Troll 2, the initial guess will be 0 .5.
36
So we'll put that up here so we don't forget.
37
Likewise, the initial guess for Does Not Love Troll 2 is 0 .5.
38
So let's put that here so we don't forget.
39
Oh no, it's the dreaded terminology alert.
40
The initial guesses are called prior probabilities.
41
Now, the score for Love's Troll 2 is...
42
The initial guess that the person loves Troll 2, times the likelihood that they eat 10 grams of popcorn given that they love Troll 2.
43
Note: the likelihood is the y -axis coordinate on the curve that corresponds to the x -axis coordinate.
44
and we multiply that by the likelihood that they drink 500 milliliters of soda pop given that they love Troll 2.
45
times the likelihood that they eat 25 grams of candy given that they love Troll 2.
46
The initial guess that someone loves Troll 2 is 0 .5.
47
The likelihood for popcorn is 0 .06.
48
The likelihood for soda pop is 0 .004, And the likelihood for candy is...
49
A really, really small number.
50
When we get really, really small numbers, it's a good idea to take the log of everything to prevent something called underflow.
51
The general idea of Underflow is:
52
Every computer has a limit to how close a number can
53
get to zero before it can no longer accurately keep track of that number.
54
When a number gets smaller than that limit, we run into underflow problems and errors occur.
55
So we use the log function to avoid underflow.
56
Any log will do, but the natural log, or log base E, is the most commonly used log in statistics and machine learning.
57
So we take the log of everything, and the log turns the multiplication into the sum of the individual logs.
58
The log base E of 0 .5 is...
59
-0 .69 The log of 0 .06 is negative 2 .8.
60
The log of 0 .004 is -5 .5.
61
And the log of this really, really small number is negative 115.
62
Now we just add this up.
63
And we get negative 124.
64
So the log of the Love's Troll 2 score is negative 124.
65
BAM!
66
Now let's calculate the score for Not Loving Troll 2.
67
We start with the initial guess that someone does not love Troll 2.
68
times the likelihood that they eat 20 grams of popcorn given that they do not love Troll 2.
69
times the likelihood that they drink 500 milliliters of soda pop, times the likelihood that they eat 25 grams of candy.
70
So let's plug in the numbers.
71
Beep, boop, beep.
72
Boop.
73
and take the log of everything.
74
and that turns the multiplication into the sum of logs.
75
Now we just do the math.
76
Beep, boop, boop, boop.
77
and we get -48.
78
And since the score for Does Not Love Troll 2 is greater than the score for Loves Troll 2,
79
We will classify this person as someone who does not love Troll 2.
80
Double bam!
81
Note: When we look at the raw data, it almost looks like we should have classified this person as someone who loves Troll 2.
82
After all, they ate a lot more popcorn than the average person who doesn't love Troll 2.
83
and they drank as much soda as the average person who loves Troll 2.
84
However, the big thing is that they ate a lot more candy than the people who loved Troll 2.
85
and the log of the likelihoods for candy are way different.
86
And this difference is what made us classify the new person as someone who does not love Troll 2.
87
In other words, Candy can have a much larger say in whether
88
or not someone loves Troll 2 than popcorn and soda pop.
89
And this means we might only need candy to make classifications.
90
We can use cross -validation to help us decide which things, popcorn, soda pop, and /or candy, help us make the best classifications.
91
Shameless self -promotion.
92
If you don't already know about cross -validation, check out the quest.
93
The link is in the description below.
94
Triple bam.
95
Oh no, it's another shameless self -promotion.
96
One awesome way to support StatQuest is to purchase the Gaussia Naive Bayes StatQuest Study Guide.
97
It has everything you need to study for an exam or job interview.
98
It's seven pages of total awesomeness.
99
And while you're there, check out the other StatQuest study guides.
100
There's something for everyone!
101
Hooray!
102
We've made it to the end of another exciting stat quest!
103
If you like this StatQuest and want to see more, please subscribe.
104
And if you want to support StatQuest, consider contributing to my Patreon campaign,
105
becoming a channel member, buying one or two of my original songs or a t -shirt or a hoodie, or just donate.
106
The links are in the description below.
107
Alright, until next time, quest on!
הורד אפליקציה
כל מה שאתה צריך כדי לדבר בשטף
הגיית AIציון לכל משפט
תרגול IPAשלוט בכל צליל
אוצר מיליםבנה את מאגר המילים שלך
משחק אוצר מיליםלמד תוך כדי משחק
אותו ערוץ
C11
Naive Bayes, Clearly Explained!!!
Daily ConversationUniversity Students
C11
The Essential Main Ideas of Neural Networks
Business EnglishUniversity StudentsWorking Adults
C12
The GELU, SiLU and SwiGLU activation functions, clearly explained!!!
Daily ConversationUniversity Students
C11
A Gentle Introduction to Machine Learning
Business EnglishUniversity StudentsWorking Adults
FOR YOU
המלץ על סרטון
C11
125 משפטים
Introduction to statistical prediction models
Daily ConversationUniversity Students
C11
654 משפטים
Stuart & Cliffe Knechtle | Do Agnostics Just Want To Have Control? | Give Me an Answer
Daily ConversationUniversity StudentsWorking Adults
C15
56 משפטים
Gemini 4 Argon explained in 5min..
Daily ConversationUniversity Students
C12
78 משפטים
Vanishing & Exploding Gradient explained | A problem resulting from backpropagation
Daily ConversationUniversity Students
C11
433 משפטים
Give Me 24 minutes, I'll Give You 1,000+ hours of Claude Knowledge
Daily ConversationUniversity StudentsWorking Adults
C13
119 משפטים
Mathematics and Physics | Lesson 2 | Understanding the Connection
Daily ConversationUniversity Students
C11
712 משפטים
Master AI in 60 Minutes with Vector Databases!
Daily ConversationUniversity Students
C12
582 משפטים
You've (Likely) Been Playing The Game Of Life Wrong
Daily ConversationUniversity StudentsWorking Adults
C11
244 משפטים
1. Introduction to statistics - Lecture 1
Daily ConversationUniversity Students
C12
64 משפטים
P2 什么是机器学习【2024公认最好的 | 吴恩达机器学习 | 教程 | Machine Learning Specialization(超爽中英!)】
Daily ConversationUniversity Students
אוצר מילים והערות הגייה לשיעור הזה
שיעור הדיבור הזה ברמה C1 מבוסס על הסרטון “Gaussian Naive Bayes, Clearly Explained!!!”. המילים שחוזרות הכי הרבה: Troll, log, likelihood, candy, boop. בסרטון הזה יש 107 משפטים ו-1118 מילים לתרגול Shadowing. הדיבור נמשך 9:25. הדובר שומר על קצב יציב של כ-119 מילים בדקה, קצב נוח לתרגול Shadowing. רק 77% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית, כך שאוצר המילים מאתגר.
אוצר מילים מרכזי בסרטון הזה
13 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:
| מילה | הגייה | משמעות |
|---|---|---|
| popcorn שם עצם | /ˈpɑp.kɔɹn/ | פּוֹפְּקוֹרְן |
| gram שם עצם | /ˈɡɹæm/ | גְרַם |
| deviation שם עצם | /ˌdiː.viˈeɪʃən/ | סטייה |
| correspond פועל | /ˌkoɹəˈspɑnd/ | הִתְכַּתֵּב |
| shameless שם תואר | /ˈʃeɪ̯mlɪs/ | חֲסַר בּוּשָׁה |
| calculate פועל | /ˈkælkjʊleɪt/ | חישב \ חִשֵּׁב |
| axis שם עצם | /ˈæksɪs/ | ציר |
| likewise תואר הפועל | /ˈlaɪkˌwaɪz/ | כְּמוֹ כֵן |
| excite פועל | /ɪkˈsaɪt/ | הלהיב, עורר |
| dread שם עצם | /dɹɛd/ | חרדה, פחד |
| terminology שם עצם | /ˌtɝ.məˈnɑ.lə.d͡ʒi/ | טֶרְמִינוֹלוֹגְיָה |
| subscribe פועל | /səbˈskɹaɪb/ | נִמְנָה |
| donate פועל | /ˈdoʊˌneɪt/ | תרם |
Phrasal verbs שתשמעו
| מילה | משמעות |
|---|---|
| check out פועל | בדק |
דקדוק בסרטון הזה
המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:
| מבנה | בסרטון |
|---|---|
| משפטי זיקה (Relative clauses) who / which + clause — מידע נוסף על אדם או דבר | people who love · people who do · someone who does |
| סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולה | is named · is estimated · are called |
הגייה ששווה לשים לב אליה
הדובר משתמש ב-9 קיצורים וצורות מקוצרות, כמו don't, doesn't, I'm. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.
- הצלילים של “sh” ו-“zh”: deviation /ˌdiː.viˈeɪʃən/, multiplication /ˌmʌltɪplɪˈkeɪʃən/, shameless /ˈʃeɪ̯mlɪs/, validation /ˌvæl.əˈdeɪ.ʃən/
- מילים ארוכות — שימו לב להטעמה: deviation /ˌdiː.viˈeɪʃən/, probability /ˌpɹɑ.bəˈbɪl.ə.ti/, multiplication /ˌmʌltɪplɪˈkeɪʃən/, validation /ˌvæl.əˈdeɪ.ʃən/, coordinate /koʊˈɔɹ.dəˌneɪt/
צלילים שדוברי עברית מתקשים בהם:
- /æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: gram /ˈɡɹæm/, classify /ˈklæs.əˌfaɪ/, validation /ˌvæl.əˈdeɪ.ʃən/, calculate /ˈkælkjʊleɪt/, stat /stæt/
- /r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: popcorn /ˈpɑp.kɔɹn/, gram /ˈɡɹæm/, correspond /ˌkoɹəˈspɑnd/, probability /ˌpɹɑ.bəˈbɪl.ə.ti/, coordinate /koʊˈɔɹ.dəˌneɪt/
- עיצור קולי בסוף מילה — /b/, /d/, /g/, /z/, /v/ בלי להפוך אותם לאטומים: likelihood /ˈlaɪklihʊd/, correspond /ˌkoɹəˈspɑnd/, likewise /ˈlaɪkˌwaɪz/, dread /dɹɛd/, subscribe /səbˈskɹaɪb/
איך לתרגל עם הסרטון הזה
- הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
- תרגלו Shadowing משפט אחר משפט במהירות רגילה, וחזרו על כל משפט עד שהקצב שלכם תואם את הדובר.
- הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו popcorn, gram, deviation.
מהי טכניקת השאדואינג?
שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.