logo

TechCodeview

Mašīnmācīšanās apmācība

ML apmācība

Mašīnmācīšanās apmācība aptver pamata un uzlabotas koncepcijas, kas īpaši izstrādātas, lai apmierinātu gan studentus, gan pieredzējušus darba profesionāļus.

livecricket.is

Šī mašīnmācīšanās apmācība palīdz iegūt pamatīgu ievadu mašīnmācīšanās pamatos un izpētīt plašu metožu klāstu, tostarp uzraudzītu, bez uzraudzības un pastiprināšanas mācīšanos.



Mašīnmācība (ML) ir mākslīgā intelekta (AI) apakšdomēns, kas koncentrējas uz tādu sistēmu izstrādi, kuras mācās vai uzlabo veiktspēju, pamatojoties uz iegūtajiem datiem. Mākslīgais intelekts ir plašs vārds, kas attiecas uz sistēmām vai mašīnām, kas līdzinās cilvēka intelektam. Mašīnmācība un AI bieži tiek apspriesti kopā, un termini dažkārt tiek lietoti savstarpēji aizstājami, lai gan tie neapzīmē vienu un to pašu. Būtiska atšķirība ir tāda, ka, lai gan visa mašīnmācīšanās ir AI, ne viss AI ir mašīnmācīšanās.

Kas ir mašīnmācīšanās?

Mašīnmācīšanās ir studiju joma, kas sniedz datoriem iespēju mācīties bez tiešas programmēšanas. ML ir viena no aizraujošākajām tehnoloģijām, ar kādu jebkad būtu nācies saskarties. Kā tas ir skaidrs no nosaukuma, tas dod datoram, kas padara to līdzīgāku cilvēkiem: spēju mācīties. Mašīnmācība mūsdienās tiek aktīvi izmantota, iespējams, daudz vairāk vietās, nekā varētu gaidīt.

Jaunākie raksti par mašīnmācīšanos

Satura rādītājs

Mašīnmācīšanās iezīmes

  • Mašīnmācība ir uz datiem balstīta tehnoloģija. Liels datu apjoms, ko organizācijas ģenerē katru dienu. Tādējādi, pateicoties ievērojamām datu attiecībām, organizācijas pieņem labākus lēmumus.
  • Iekārta var mācīties no pagātnes datiem un automātiski uzlaboties.
  • No dotās datu kopas tas nosaka dažādus datu modeļus.
  • Lielajām organizācijām zīmols ir svarīgs, un būs vieglāk mērķēt uz uzticamu klientu bāzi.
  • Tas ir līdzīgs datu ieguvei, jo tas arī nodarbojas ar milzīgu datu apjomu.

Ievads:

  1. Darba sākšana ar mašīnmācīšanos
  2. Ievads mašīnmācībā
  3. Kas ir mašīnmācīšanās?
  4. Ievads par datiem mašīnmācībā
  5. Mašīnmācības demistificēšana
  6. ML – lietojumprogrammas
  7. Labākās Python bibliotēkas mašīnmācībai
  8. Mākslīgais intelekts | Ievads
  9. Mašīnmācība un mākslīgais intelekts
  10. Atšķirība starp mašīnmācību un mākslīgo intelektu
  11. Mākslīgā intelekta aģenti
  12. 10 mašīnmācīšanās pamatintervijas jautājumi

Izpratne par datu apstrādi
  • Python | Izveidojiet testa datu kopas, izmantojot Sklearn
  • Python | Ģenerējiet pārbaudes datu kopas mašīnmācībai
  • Python | Datu priekšapstrāde programmā Python
  • Datu tīrīšana
  • Funkciju mērogošana — 1. daļa
  • Funkciju mērogošana — 2. daļa
  • Python | Datu kopu etiķetes kodēšana
  • Python | Viena karstā datu kopu kodēšana
  • Nelīdzsvarotu datu apstrāde, izmantojot SMOTE un gandrīz garām algoritmu Python
  • Manekena mainīgā slazds regresijas modeļos

    • Uzraudzīta mācīšanās:

    1. Darba sākšana ar klasifikāciju
    2. Klasifikācijas pamatjēdziens
    3. Regresijas metožu veidi
    4. Klasifikācija pret regresiju
    5. ML | Mācību veidi – uzraudzīta mācīšanās
    6. Vairāku klašu klasifikācija, izmantojot scikit-learn
    7. Gradienta nolaišanās:
      • Gradient Descent algoritms un tā varianti
      • Stohastiskā gradienta nolaišanās (SGD)
      • Mini-partijas gradienta nolaišanās ar Python
      • Gradienta nolaišanās optimizācijas metodes
      • Ievads uz Momentum balstītā gradienta optimizētājā
    8. Lineārā regresija :
      • Ievads lineārajā regresijā
      • Gradienta nolaišanās lineārā regresijā
      • Matemātiskais skaidrojums lineārās regresijas darbam
      • Normāls vienādojums lineārā regresijā
      • Lineārā regresija (Python ieviešana)
      • Vienkārša lineārā regresija, izmantojot R
      • Viendimensiju lineārā regresija Python
      • Vairākas lineāras regresijas, izmantojot Python
      • Daudzkārtēja lineāra regresija, izmantojot R
      • Lokāli svērtā lineārā regresija
      • Vispārējie lineārie modeļi
      • Python | Lineārā regresija, izmantojot sklearn
      • Lineārā regresija, izmantojot Tensorflow
      • Praktiska pieeja vienkāršai lineārai regresijai, izmantojot R
      • Lineārā regresija, izmantojot PyTorch
      • Pyspark | Lineārā regresija, izmantojot Apache MLlib
      • ML | Bostonas mājokļu Kaggle izaicinājums ar lineāro regresiju
    9. Python | Īstenošana Polinoma regresija
    10. Softmax regresija izmantojot TensorFlow
    11. Loģistiskā regresija:
      • Loģistikas regresijas izpratne
      • Kāpēc loģistiskā regresija klasifikācijā?
      • Loģistiskā regresija, izmantojot Python
      • Izmaksu funkcija loģistikas regresijā
      • Loģistiskā regresija, izmantojot Tensorflow
    12. Naivai Beiji Klasifikatori
    13. Atbalsta vektors:
      • Atbalstiet vektora mašīnas (SVM) programmā Python
      • SVM hiperparametru regulēšana, izmantojot GridSearchCV
      • Atbalstiet vektora mašīnas (SVM) R
      • SVM izmantošana, lai veiktu klasifikāciju nelineārā datu kopā
    14. Lēmumu koks:
      • Lēmumu koks
      • Lēmumu koka regresija, izmantojot sklearn
      • Lēmumu koks Ievads ar piemēru
      • Lēmumu koka ieviešana, izmantojot Python
      • Lēmumu koks programmatūras inženierijā
    16. Nejaušs mežs:
      • Nejauša meža regresija Python valodā
      • Ansambļu klasifikators
      • Balsošanas klasifikators, izmantojot Sklearn
      • Iepakošanas klasifikators

    Bez uzraudzības mācības:

    1. ML | Mācību veidi – mācīšanās bez uzraudzības
    2. Uzraudzīta un neuzraudzīta mācīšanās
    3. Klasterizācija mašīnmācībā
    4. Dažādi klasterizācijas algoritmu veidi
    5. K nozīmē klasterizāciju — ievads
    6. Elkoņa metode optimālai k vērtībai KMeans
    7. Nejaušas inicializācijas slazds K-Means
    8. ML | K-nozīmē++ algoritms
    9. Testa datu analīze, izmantojot K-Means Clustering programmā Python
    10. Mini partijas K nozīmē klasterizācijas algoritms
    11. Mean-Shift klasterizācija
    12. DBSCAN — uz blīvumu balstīta klasterizācija
    13. DBSCAN algoritma ieviešana, izmantojot Sklearn
    14. Neskaidra klasterizācija
    15. Spektrālā klasterizācija
    16. OPTIKA Klasterizācija
    17. OPTIKA Klasterizācijas ieviešana, izmantojot Sklearn
    18. Hierarhiskā klasterizācija (aglomeratīvā un sadalošā klasterizācija)
    19. Aglomeratīvās klasterizācijas ieviešana, izmantojot Sklearn
    20. Gausa maisījuma modelis

    Pastiprināšanas mācības:

    1. Pastiprināšanas mācības
    2. Pastiprināšanas mācīšanās algoritms: Python ieviešana, izmantojot Q-mācību
    3. Ievads Thompson Sampling
    4. Ģenētiskais algoritms pastiprināšanas mācībām
    5. SARSA stiprināšanas mācības
    6. Q-Learning Python

    Izmēru samazināšana:

    1. Ievads dimensiju samazināšanā
    2. Ievads kodola PCA
    3. Galvenās sastāvdaļas analīze (PCA)
    4. Galveno komponentu analīze ar Python
    5. Zema ranga tuvinājumi
    6. Lineārās diskriminācijas analīzes pārskats (LDA)
    7. Lineārās diskriminācijas analīzes (LDA) matemātiskais skaidrojums
    8. Vispārējā diskriminācijas analīze (GDA)
    9. Neatkarīgu komponentu analīze
    10. Funkciju kartēšana
    11. Papildu koku klasifikators funkciju izvēlei
    12. Hī kvadrāta tests līdzekļu izvēlei — matemātisks skaidrojums
    13. ML | T-distributed Stochastic Neighbor Embedding (t-SNE) algoritms
    14. Python | Kā un kur lietot funkciju mērogošanu?
    15. Funkcijas izvēles parametri
    16. Nepietiekama un pārmērīga atbilstība mašīnmācībā

    Dabiskās valodas apstrāde:

    1. Ievads dabiskās valodas apstrādē
    2. Teksta priekšapstrāde programmā Python | Komplekts - 1
    3. Teksta priekšapstrāde programmā Python | 2. komplekts
    4. Stop vārdu noņemšana ar NLTK programmā Python
    5. Tokenizējiet tekstu, izmantojot NLTK programmā python
    6. Kā darbojas teksta, teikuma, vārdu marķieris
    7. Ievads Stemmingā
    8. Cilmes vārdi ar NLTK
    9. Lematizācija ar NLTK
    10. Lematizācija ar TextBlob
    11. Kā iegūt sinonīmus/antonīmus no NLTK WordNet programmā Python?

    Neironu tīkli:

    1. Ievads mākslīgajos neitrālos tīklos | 1. komplekts
    2. Ievads mākslīgajā neironu tīklā | 2. komplekts
    3. Ievads ANN (mākslīgie neironu tīkli) | 3. komplekts (hibrīdsistēmas)
    4. Ievads ANN | 4. komplekts (tīkla arhitektūras)
    5. Aktivizācijas funkcijas
    6. Mākslīgā neironu tīkla apmācības procesa īstenošana Python
    7. Viena neirona neironu tīkls Python
    8. Konvolūcijas neironu tīkli
      • Ievads Convolution neironu tīklā
      • Ievads apvienošanas slānī
      • Ievads polsterēšanā
      • Polsterējuma veidi konvolūcijas slānī
      • Konvolūcijas neironu tīkla izmantošana Mnist datu kopā
    9. Atkārtoti neironu tīkli
      • Ievads atkārtotajā neironu tīklā
      • Atkārtotu neironu tīklu skaidrojums
      • Seq2seq modelis
      • Ievads ilgtermiņa īstermiņa atmiņā
      • Ilgtermiņa īstermiņa atmiņas tīklu skaidrojums
      • Slēgtie periodisko vienību tīkli (GAN)
      • Teksta ģenerēšana, izmantojot ierobežotus periodisko vienību tīklus
    10. GAN — ģeneratīvais pretrunu tīkls
      • Ievads ģeneratīvajā pretrunīgajā tīklā
      • Ģeneratīvie pretrunīgie tīkli (GAN)
      • Ģeneratīvo pretrunīgo tīklu izmantošanas gadījumi
      • Ģeneratīvā pretrunu tīkla izveide, izmantojot Keras
      • Modālais sabrukums GAN
    11. Ievads Deep Q-Learning
    12. Deep Q-Learning ieviešana, izmantojot Tensorflow

    ML — izvietošana:

    1. Izvietojiet savu mašīnmācīšanās tīmekļa lietotni (Streamlit) Heroku
    2. Izvietojiet mašīnmācības modeli, izmantojot Streamlit bibliotēku
    3. Izvietojiet mašīnmācīšanās modeli, izmantojot Kolbu
    4. Python — izveidojiet lietotāja saskarnes mašīnmācīšanās modeļa prototipēšanai, izmantojot Gradio
    5. Kā sagatavot datus pirms mašīnmācīšanās modeļa izvietošanas?
    6. ML modeļu izvietošana kā API, izmantojot FastAPI
    7. Scrapy zirnekļa izvietošana vietnē ScrapingHub

    ML — lietojumprogrammas:

    1. Nokrišņu prognozēšana, izmantojot lineāro regresiju
    2. Ar roku rakstītu ciparu identificēšana, izmantojot PyTorch loģistikas regresiju
    3. Kaggle krūts vēža Viskonsinas diagnostika, izmantojot loģistisko regresiju
    4. Python | Movie Recommender sistēmas ieviešana
    5. Atbalstiet Vector Machine, lai atpazītu sejas vaibstus C++
    6. Lēmumu koki — viltotu (viltotu) monētu mīkla (12 monētu mīkla)
    7. Krāpšanas ar kredītkarti noteikšana
    8. Restorānu atsauksmju NLP analīze
    9. Multinomiālu naivu Bayes pielietošana NLP problēmām
    10. Attēlu saspiešana, izmantojot K-means klasterizāciju
    11. Dziļa mācīšanās | Attēlu parakstu ģenerēšana, izmantojot Avengers EndGames varoņus
    12. Kā Google izmanto mašīnmācīšanos?
    13. Kā NASA izmanto mašīnmācīšanos?
    14. 5 prātu pūšoši veidi, kā Facebook izmanto mašīnmācīšanos
    15. Mērķtiecīga reklamēšana, izmantojot mašīnmācīšanos
    16. Kā slaveni uzņēmumi izmanto mašīnmācīšanos?

    Dažādi:

    1. Rakstu atpazīšana | Ievads
    2. Aprēķiniet binārā klasifikatora efektivitāti
    3. Loģistikas regresijas v/s lēmumu koka klasifikācija
    4. R vs Python datu zinātnē
    5. A3C algoritmā iesaistīto pamatfunkciju skaidrojums
    6. Atšķirīga privātuma un padziļināta apmācība
    7. Mākslīgais intelekts pret mašīnmācīšanos pret dziļo mācīšanos
    8. Ievads daudzuzdevumu mācībās (MTL) dziļai apmācībai
    9. 10 populārākie algoritmi, kas jāzina katram mašīnmācības inženierim
    10. Azure virtuālā mašīna mašīnmācībai
    11. 30 minūtes līdz mašīnmācībai
    12. Kas ir AutoML mašīnmācībā?
    13. Apjukuma matrica mašīnmācībā

    Priekšnosacījumi, lai apgūtu mašīnmācīšanos

    • Zināšanas par lineārajiem vienādojumiem, funkciju grafikiem, statistiku, lineāro algebru, varbūtību, aprēķiniem utt.
    • Ieteicamas visas programmēšanas valodas zināšanas, piemēram, Python, C++, R.

    Bieži uzdotie jautājumi par mašīnmācības apmācību

    1. J. Kas ir mašīnmācīšanās un ar ko tā atšķiras no padziļinātās mācīšanās?

    Atbilde :

    Mašīnmācība izstrādā programmas, kas var piekļūt datiem un mācīties no tiem. Padziļināta mācīšanās ir mašīnmācības apakšdomēns. Padziļināta apmācība atbalsta automātisku funkciju ieguvi no neapstrādātajiem datiem.

    Q.2. Kādi ir dažāda veida mašīnmācīšanās algoritmi?

    Atbilde :

    • Uzraudzītie algoritmi: šie ir algoritmi, kas mācās no iezīmētajiem datiem, piemēram, attēli, kas marķēti ar suņa seju vai ne. Algoritms ir atkarīgs no uzraudzītiem vai marķētiem datiem. piem. regresija, objektu noteikšana, segmentācija.
    • Neuzraudzīti algoritmi: šie ir algoritmi, kas mācās no nemarķētiem datiem, piemēram, attēlu kopums, kas piešķirts, lai izveidotu līdzīgu attēlu kopu. piem. grupēšana, dimensiju samazināšana utt.
    • Daļēji uzraudzīti algoritmi: algoritmi, kas izmanto gan uzraudzītus, gan neuzraudzītus datus. Lielākā daļa no šiem algoritmiem izmantoto datu nav uzraudzīti dati. piem. anamolijas noteikšana.

    Q.3. Kāpēc mēs izmantojam mašīnmācīšanos?

    Atbilde :

    Mašīnmācība tiek izmantota, lai pieņemtu lēmumus, pamatojoties uz datiem. Modelējot algoritmus, pamatojoties uz vēsturiskiem datiem, algoritmi atrod modeļus un attiecības, kuras cilvēkiem ir grūti noteikt. Šos modeļus tagad izmanto turpmākām atsaucēm, lai prognozētu neredzētu problēmu risinājumu.

    gimp eksportēt kā jpg

    Q.4. Kāda ir atšķirība starp mākslīgo intelektu un mašīnmācīšanos?

    Atbilde :

    MĀKSLĪGAIS INTELEKTS MAŠĪNU MĀCĪBAS
    Izstrādājiet inteliģentu sistēmu, kas veic dažādus sarežģītus darbus. Konstruējiet mašīnas, kas var veikt tikai tos darbus, kuriem viņi ir apmācīti.
    Tā darbojas kā programma, kas veic gudru darbu. Uzdevumu sistēmu mašīna ņem datus un mācās no datiem.
    AI ir plašs lietojumu klāsts. ML ļauj sistēmām mācīties jaunas lietas no datiem.
    AI vada gudrību. ML ved uz zināšanām.