Samouczek dotyczący uczenia maszynowego obejmuje podstawowe i zaawansowane koncepcje, specjalnie zaprojektowany, aby zaspokoić potrzeby zarówno studentów, jak i doświadczonych profesjonalistów.

Ten samouczek dotyczący uczenia maszynowego pomoże Ci uzyskać solidne wprowadzenie do podstaw uczenia maszynowego i poznać szeroką gamę technik, w tym uczenie się nadzorowane, bez nadzoru i uczenie się przez wzmacnianie.

długość łańcucha basha

Uczenie maszynowe (ML) to subdomena sztucznej inteligencji (AI), która koncentruje się na opracowywaniu systemów, które uczą się — lub poprawiają wydajność — w oparciu o pozyskiwane dane. Sztuczna inteligencja to szerokie słowo odnoszące się do systemów lub maszyn przypominających ludzką inteligencję. Uczenie maszynowe i sztuczna inteligencja są często omawiane łącznie, a terminy te są czasami używane zamiennie, chociaż nie oznaczają tego samego. Zasadniczą różnicą jest to, że chociaż całe uczenie maszynowe jest sztuczną inteligencją, nie każda sztuczna inteligencja jest uczeniem maszynowym.

Co to jest uczenie maszynowe?

Uczenie maszynowe to dziedzina nauki, która umożliwia komputerom uczenie się bez konieczności bezpośredniego programowania. ML to jedna z najbardziej ekscytujących technologii, z jakimi można się kiedykolwiek spotkać. Jak sama nazwa wskazuje, daje to komputerowi upodobnienie go do człowieka: Zdolność uczenia się. Uczenie maszynowe jest obecnie aktywnie wykorzystywane, być może w znacznie większej liczbie miejsc, niż można by się spodziewać.

Najnowsze artykuły na temat uczenia maszynowego

Spis treści

• Wstęp
• Uczenie się bez nadzoru
• Uczenie się przez wzmacnianie
• Redukcja wymiarowości
• Przetwarzanie języka naturalnego
• Sieci neuronowe
• ML – wdrożenie
• ML – Aplikacje
• Różne

Funkcje uczenia maszynowego

• Uczenie maszynowe to technologia oparta na danych. Duża ilość danych generowanych codziennie przez organizacje. Zatem dzięki zauważalnym powiązaniom w danych organizacje podejmują lepsze decyzje.
• Maszyna może uczyć się na podstawie przeszłych danych i automatycznie się doskonalić.
• Na podstawie danego zbioru danych wykrywa różne wzorce danych.
• Dla dużych organizacji branding jest ważny i łatwiej będzie dotrzeć do odpowiedniej bazy klientów.
• Jest to podobne do eksploracji danych, ponieważ zajmuje się również ogromną ilością danych.

Wstęp :

1. Pierwsze kroki z uczeniem maszynowym
2. Wprowadzenie do uczenia maszynowego
3. Co to jest uczenie maszynowe?
4. Wprowadzenie do danych w uczeniu maszynowym
5. Demistyfikacja uczenia maszynowego
6. ML – Aplikacje
7. Najlepsze biblioteki Pythona do uczenia maszynowego
8. Sztuczna inteligencja | Wstęp
9. Uczenie maszynowe i sztuczna inteligencja
10. Różnica między uczeniem maszynowym a sztuczną inteligencją
11. Agenci w sztucznej inteligencji
12. 10 podstawowych pytań do rozmowy kwalifikacyjnej dotyczących uczenia maszynowego

Zrozumienie przetwarzania danych

Pythona | Twórz testowe zestawy danych za pomocą Sklearn

Pythona | Generuj testowe zestawy danych na potrzeby uczenia maszynowego

Pythona | Wstępne przetwarzanie danych w Pythonie

Czyszczenie danych

Skalowanie funkcji – część 1

Skalowanie funkcji – część 2

Pythona | Etykieta Kodowanie zbiorów danych

Pythona | Jedno gorące kodowanie zbiorów danych

Obsługa niezrównoważonych danych za pomocą algorytmów SMOTE i Near Miss w Pythonie

Sztuczna pułapka na zmienne w modelach regresji

Nadzorowana nauka :

1. Pierwsze kroki z klasyfikacją
2. Podstawowa koncepcja klasyfikacji
3. Rodzaje technik regresyjnych
4. Klasyfikacja a regresja
5. ML | Rodzaje uczenia się – uczenie się pod nadzorem
6. Klasyfikacja wieloklasowa przy użyciu narzędzia scikit-learn
7. Zejście gradientowe:
   • Algorytm gradientowego opadania i jego warianty
   • Stochastyczne zejście gradientowe (SGD)
   • Mini-wsadowe opadanie gradientowe w języku Python
   • Techniki optymalizacji gradientu opadania
   • Wprowadzenie do Optymalizatora Gradientu opartego na Momentum
8. Regresja liniowa:
   • Wprowadzenie do regresji liniowej
   • Zejście gradientowe w regresji liniowej
   • Matematyczne wyjaśnienie działania regresji liniowej
   • Równanie normalne w regresji liniowej
   • Regresja liniowa (implementacja Pythona)
   • Prosta regresja liniowa przy użyciu R
   • Jednowymiarowa regresja liniowa w Pythonie
   • Wielokrotna regresja liniowa przy użyciu języka Python
   • Wielokrotna regresja liniowa przy użyciu R
   • Lokalnie ważona regresja liniowa
   • Uogólnione modele liniowe
   • Pythona | Regresja liniowa przy użyciu sklearn
   • Regresja liniowa przy użyciu Tensorflow
   • Praktyczne podejście do prostej regresji liniowej przy użyciu R
   • Regresja liniowa przy użyciu PyTorch
   • Pyspark | Regresja liniowa przy użyciu Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge z regresją liniową
9. Pythona | Wdrożenie Regresja wielomianowa
10. Regresja Softmax za pomocą TensorFlow
11. Regresja logistyczna:
    • Zrozumienie regresji logistycznej
    • Dlaczego regresja logistyczna w klasyfikacji?
    • Regresja logistyczna z wykorzystaniem Pythona
    • Funkcja kosztu w regresji logistycznej
    • Regresja logistyczna z wykorzystaniem Tensorflow
12. Naiwny Bayes Klasyfikatory
13. Wektor wsparcia:
    • Obsługa maszyn wektorowych (SVM) w Pythonie
    • Strojenie hiperparametrów SVM za pomocą GridSearchCV
    • Obsługiwane maszyny wektorowe (SVM) w R
    • Wykorzystanie SVM do przeprowadzenia klasyfikacji na nieliniowym zbiorze danych
14. Drzewo decyzyjne:
15. • Drzewo decyzyjne
    • Regresja drzewa decyzyjnego przy użyciu sklearn
    • Drzewo decyzyjne Wprowadzenie z przykładem
    • Implementacja drzewa decyzyjnego przy użyciu języka Python
    • Drzewo decyzyjne w inżynierii oprogramowania
15. Losowy las:
    • Losowa regresja lasu w Pythonie
    • Klasyfikator zespołów
    • Klasyfikator głosowania za pomocą Sklearn
      
    • Klasyfikator workowania

Uczenie się bez nadzoru:

1. ML | Rodzaje uczenia się – uczenie się bez nadzoru
2. Uczenie się pod nadzorem i bez nadzoru
3. Klastrowanie w uczeniu maszynowym
4. Różne typy algorytmów grupowania
5. K oznacza klastrowanie – wprowadzenie
6. Metoda łokcia dla optymalnej wartości k w KMeans
7. Losowa pułapka inicjująca w K-średnich
8. ML | Algorytm K-oznacza++
9. Analiza danych testowych z wykorzystaniem klastrowania K-Means w Pythonie
10. Algorytm grupowania Mini Batch K-oznacza
11. Klastrowanie z przesunięciem średnim
12. DBSCAN – klastrowanie oparte na gęstości
13. Implementacja algorytmu DBSCAN przy użyciu Sklearna
14. Klastrowanie rozmyte
15. Klastrowanie widmowe
16. Klastrowanie OPTYKI
17. OPTYKA Implementacja klastrów przy użyciu Sklearn
18. Klastrowanie hierarchiczne (grupowanie aglomeracyjne i dzielące)
19. Wdrażanie klastrów aglomeracyjnych przy użyciu Sklearn
20. Model mieszaniny Gaussa

Uczenie się przez wzmacnianie:

1. Uczenie się przez wzmacnianie
2. Algorytm uczenia się przez wzmacnianie: Implementacja w języku Python przy użyciu Q-learningu
3. Wprowadzenie do pobierania próbek Thompsona
4. Algorytm genetyczny uczenia się przez wzmacnianie
5. Uczenie się przez wzmacnianie SARSA
6. Q-Learning w Pythonie

Redukcja wymiarów:

1. Wprowadzenie do redukcji wymiarowości
2. Wprowadzenie do jądra PCA
3. Analiza głównych składników (PCA)
4. Analiza głównych komponentów w języku Python
5. Aproksymacje niskiego rzędu
6. Przegląd liniowej analizy dyskryminacyjnej (LDA)
7. Matematyczne wyjaśnienie liniowej analizy dyskryminacyjnej (LDA)
8. Uogólniona analiza dyskryminacyjna (GDA)
9. Niezależna analiza komponentów
10. Mapowanie funkcji
11. Dodatkowy klasyfikator drzewa do wyboru funkcji
12. Test chi-kwadrat dla wyboru cech – wyjaśnienie matematyczne
13. ML | Algorytm stochastycznego osadzania sąsiadów z rozkładem T (t-SNE).
14. Pythona | Jak i gdzie zastosować skalowanie funkcji?
15. Parametry wyboru funkcji
16. Niedopasowanie i nadmierne dopasowanie w uczeniu maszynowym

Przetwarzanie języka naturalnego :

1. Wprowadzenie do przetwarzania języka naturalnego
2. Wstępne przetwarzanie tekstu w Pythonie | Zestaw – 1
3. Wstępne przetwarzanie tekstu w Pythonie | Zestaw 2
4. Usuwanie słów kończących za pomocą NLTK w Pythonie
5. Tokenizuj tekst za pomocą NLTK w Pythonie
6. Jak działa tokenizacja tekstu, zdania, słów
7. Wprowadzenie do Stemmingu
8. Tworzenie słów za pomocą NLTK
9. Lematyzacja za pomocą NLTK
10. Lematyzacja za pomocą TextBlob
11. Jak uzyskać synonimy/antonimy z NLTK WordNet w Pythonie?

Sieci neuronowe :

1. Wprowadzenie do sztucznych sieci neutralnych | Zestaw 1
2. Wprowadzenie do sztucznych sieci neuronowych | Zestaw 2
3. Wprowadzenie do SSN (sztucznych sieci neuronowych) | Zestaw 3 (systemy hybrydowe)
4. Wprowadzenie do SSN | Zestaw 4 (architektury sieciowe)
5. Funkcje aktywacji
6. Implementacja procesu uczenia sztucznej sieci neuronowej w Pythonie
7. Pojedyncza sieć neuronowa w Pythonie
8. Konwolucyjne sieci neuronowe
   • Wprowadzenie do sieci neuronowej splotowej
   • Wprowadzenie do warstwy łączenia
   • Wprowadzenie do dopełniania
   • Rodzaje wypełnienia warstwy splotowej
   • Zastosowanie konwolucyjnej sieci neuronowej na zbiorze danych mnistycznych
9. Rekurencyjne sieci neuronowe
   • Wprowadzenie do rekurencyjnej sieci neuronowej
   • Wyjaśnienie powtarzających się sieci neuronowych
   • model seq2seq
   • Wprowadzenie do pamięci długotrwałej i krótkotrwałej
   • Wyjaśnienie sieci pamięci długoterminowej
   • Bramkowane sieci jednostek cyklicznych (GAN)
   • Generowanie tekstu przy użyciu bramkowanych sieci jednostek cyklicznych
10. GAN – generacyjna sieć kontradyktoryjna
    • Wprowadzenie do generatywnej sieci kontradyktoryjnej
    • Generacyjne sieci przeciwstawne (GAN)
    • Przypadki użycia generatywnych sieci przeciwstawnych
    • Budowanie generatywnej sieci przeciwstawnej przy użyciu Keras
    • Załamanie modalne w sieciach GAN
11. Wprowadzenie do głębokiego Q-Learningu
12. Wdrażanie Deep Q-Learning przy użyciu Tensorflow

ML – wdrożenie:

1. Wdróż aplikację internetową Machine Learning (Streamlit) na Heroku
2. Wdróż model uczenia maszynowego przy użyciu biblioteki Streamlit
3. Wdróż model uczenia maszynowego przy użyciu Flask
4. Python – Twórz interfejsy użytkownika do prototypowania modelu uczenia maszynowego za pomocą Gradio
5. Jak przygotować dane przed wdrożeniem modelu uczenia maszynowego?
6. Wdrażanie modeli ML jako API przy użyciu FastAPI
   
7. Wdrażanie pająka Scrapy na ScrapingHub

ML – Aplikacje:

1. Prognozowanie opadów przy użyciu regresji liniowej
2. Identyfikacja cyfr pisanych odręcznie za pomocą regresji logistycznej w PyTorch
3. Diagnoza raka piersi Kaggle w stanie Wisconsin za pomocą regresji logistycznej
4. Pythona | Wdrożenie systemu rekomendacji filmów
5. Obsługa maszyny wektorowej do rozpoznawania rysów twarzy w C++
6. Drzewa decyzyjne – łamigłówka z fałszywą (podrabianą) monetą (łamigłówka z 12 monetami)
7. Wykrywanie oszustw związanych z kartami kredytowymi
8. Analiza NLP recenzji restauracji
9. Stosowanie wielomianowych naiwnych Bayesów do problemów NLP
10. Kompresja obrazu przy użyciu grupowania K-średnich
11. Głębokie uczenie się | Generowanie podpisów obrazów przy użyciu postaci z Avengers EndGames
12. Jak Google wykorzystuje uczenie maszynowe?
13. Jak NASA wykorzystuje uczenie maszynowe?
14. 5 niesamowitych sposobów, w jakie Facebook wykorzystuje uczenie maszynowe
    
15. Ukierunkowana reklama z wykorzystaniem uczenia maszynowego
16. Jak uczenie maszynowe jest wykorzystywane przez znane firmy?

Różne:

1. Rozpoznawanie wzorców | Wstęp
2. Oblicz wydajność klasyfikatora binarnego
3. Regresja logistyczna a klasyfikacja drzewa decyzyjnego
4. R vs Python w Datascience
5. Wyjaśnienie podstawowych funkcji algorytmu A3C
6. Różnicowa prywatność i głębokie uczenie się
7. Sztuczna inteligencja vs uczenie maszynowe vs głębokie uczenie się
8. Wprowadzenie do uczenia się wielozadaniowego (MTL) na potrzeby głębokiego uczenia się
9. 10 najlepszych algorytmów, które powinien znać każdy inżynier uczenia maszynowego
10. Maszyna wirtualna platformy Azure do uczenia maszynowego
11. 30 minut do uczenia maszynowego
12. Czym jest AutoML w uczeniu maszynowym?
13. Matryca zamieszania w uczeniu maszynowym

Wymagania wstępne dotyczące uczenia maszynowego

• Znajomość równań liniowych, wykresów funkcji, statystyki, algebry liniowej, prawdopodobieństwa, rachunku różniczkowego itp.
• Zalecana jest znajomość dowolnego języka programowania, takiego jak Python, C++, R.

Często zadawane pytania dotyczące samouczka uczenia maszynowego

P.1 Co to jest uczenie maszynowe i czym różni się od uczenia głębokiego?

Odpowiedź :

Java ma następną

Uczenie maszynowe opracowuje programy, które mogą uzyskiwać dostęp do danych i uczyć się na ich podstawie. Głębokie uczenie się jest subdomeną uczenia maszynowego. Głębokie uczenie wspiera automatyczne wyodrębnianie funkcji z surowych danych.

Pytanie 2. Jakie są różne typy algorytmów uczenia maszynowego?

Odpowiedź :

podstawy selenu

• Algorytmy nadzorowane: Są to algorytmy, które uczą się na podstawie oznaczonych danych, np. obrazy oznaczone twarzą psa lub nie. Algorytm zależy od nadzorowanych lub oznakowanych danych. np. regresja, detekcja obiektów, segmentacja.
• Algorytmy nienadzorowane: Są to algorytmy, które uczą się na podstawie nieoznaczonych danych, np. kilka obrazów podanych w celu utworzenia podobnego zestawu obrazów. np. grupowanie, redukcja wymiarowości itp.
• Algorytmy częściowo nadzorowane: Algorytmy wykorzystujące dane nadzorowane i nienadzorowane. Większość danych wykorzystywanych w tych algorytmach nie jest danymi nadzorowanymi. np. wykrywanie anatomii.

Pytanie 3. Dlaczego używamy uczenia maszynowego?

Odpowiedź :

Uczenie maszynowe służy do podejmowania decyzji na podstawie danych. Modelując algorytmy na podstawie danych historycznych, algorytmy znajdują wzorce i zależności, które są trudne do wykrycia przez człowieka. Wzorce te są obecnie wykorzystywane w przyszłych odniesieniach do przewidywania rozwiązań niewidocznych problemów.

Pytanie 4. Jaka jest różnica między sztuczną inteligencją a uczeniem maszynowym?

Odpowiedź :

SZTUCZNA INTELIGENCJA	NAUCZANIE MASZYNOWE
Opracuj inteligentny system wykonujący różnorodne złożone zadania.	Konstruuj maszyny, które mogą wykonywać tylko te prace, do których zostały przeszkolone.
Działa jako program, który wykonuje inteligentną pracę.	Maszyna systemów zadań pobiera dane i uczy się na nich.
Sztuczna inteligencja ma szeroką gamę zastosowań.	ML pozwala systemom uczyć się nowych rzeczy na podstawie danych.
AI prowadzi mądrość.	ML prowadzi do wiedzy.