Tutorialul de învățare automată acoperă concepte de bază și avansate, special concepute pentru a răspunde atât studenților, cât și profesioniștilor cu experiență.

Acest tutorial de învățare automată vă ajută să obțineți o introducere solidă în elementele fundamentale ale învățării automate și să explorați o gamă largă de tehnici, inclusiv învățarea supravegheată, nesupravegheată și prin întărire.

Învățarea automată (ML) este un subdomeniu al inteligenței artificiale (AI) care se concentrează pe dezvoltarea sistemelor care învață – sau îmbunătățesc performanța – pe baza datelor pe care le ingerează. Inteligența artificială este un cuvânt larg care se referă la sisteme sau mașini care seamănă cu inteligența umană. Învățarea automată și inteligența artificială sunt frecvent discutate împreună, iar termenii sunt folosiți ocazional în mod interschimbabil, deși nu înseamnă același lucru. O distincție crucială este că, deși toată învățarea automată este AI, nu toată IA este învățarea automată.

tutoriale java

Ce este Machine Learning?

Învățarea automată este domeniul de studiu care oferă computerelor capacitatea de a învăța fără a fi programate în mod explicit. ML este una dintre cele mai interesante tehnologii pe care le-ar fi întâlnit vreodată. După cum reiese din nume, acesta oferă computerului care îl face mai asemănător cu oamenii: capacitatea de a învăța. Învățarea automată este utilizată în mod activ astăzi, poate în mai multe locuri decât ne-am aștepta.

Articole recente despre învățarea automată

Cuprins

• Introducere
• Învățare nesupravegheată
• Consolidarea învățării
• Reducerea dimensionalității
• Procesarea limbajului natural
• Rețele neuronale
• ML – Implementare
• ML – Aplicații
• Diverse

Caracteristicile învățării automate

• Învățarea automată este o tehnologie bazată pe date. Cantitate mare de date generate de organizații zilnic. Deci, prin relații notabile în date, organizațiile iau decizii mai bune.
• Mașina poate învăța singură din datele anterioare și se poate îmbunătăți automat.
• Din setul de date dat detectează diverse modele de date.
• Pentru marile organizații, branding-ul este important și va deveni mai ușor să țintim o bază de clienți care se pot identifica.
• Este similar cu data mining, deoarece se ocupă și de cantitatea uriașă de date.

Introducere:

1. Noțiuni introductive cu învățarea automată
2. O introducere în învățarea automată
3. Ce este Machine Learning?
4. Introducere în date în Machine Learning
5. Demistificarea învățării automate
6. ML – Aplicații
7. Cele mai bune biblioteci Python pentru Machine Learning
8. Inteligența artificială | O introducere
9. Învățare automată și inteligență artificială
10. Diferența dintre învățarea automată și inteligența artificială
11. Agenți în inteligența artificială
12. 10 întrebări de bază la interviu de învățare automată

Înțelegerea procesării datelor

Python | Creați seturi de date de testare folosind Sklearn

Python | Generați seturi de date de testare pentru învățarea automată

Python | Preprocesarea datelor în Python

Curățarea datelor

Scalarea caracteristicilor – Partea 1

Scalarea caracteristicilor – Partea 2

Python | Codificarea etichetelor seturi de date

Python | O codificare fierbinte a seturilor de date

Gestionarea datelor dezechilibrate cu SMOTE și algoritmul Near Miss în Python

Capcană variabilă inactivă în modelele de regresie

Învățare supravegheată:

1. Începeți cu Clasificarea
2. Concept de bază de clasificare
3. Tipuri de tehnici de regresie
4. Clasificare vs regresie
5. ML | Tipuri de învățare – Învățare supravegheată
6. Clasificare multiclasă folosind scikit-learn
7. Coborâre în gradient:
   • Algoritmul Gradient Descent și variantele acestuia
   • Coborâre a gradientului stocastic (SGD)
   • Coborâre gradient mini-lot cu Python
   • Tehnici de optimizare pentru Coborâre Gradient
   • Introducere în Gradient Optimizer bazat pe Momentum
8. Regresie liniara :
   • Introducere în regresia liniară
   • Coborâre gradient în regresie liniară
   • Explicație matematică pentru lucrul cu regresia liniară
   • Ecuație normală în regresie liniară
   • Regresie liniară (implementare Python)
   • Regresia liniară simplă folosind R
   • Regresia liniară univariată în Python
   • Regresie liniară multiplă folosind Python
   • Regresia liniară multiplă folosind R
   • Regresia liniară ponderată local
   • Modele liniare generalizate
   • Python | Regresia liniară folosind sklearn
   • Regresia liniară folosind Tensorflow
   • O abordare practică a regresiei liniare simple folosind R
   • Regresia liniară folosind PyTorch
   • Pyspark | Regresia liniară folosind Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge cu regresie liniară
9. Python | Implementarea a Regresia polinomială
10. Regresia Softmax folosind TensorFlow
11. Regresie logistică :
    • Înțelegerea regresiei logistice
    • De ce regresie logistică în clasificare?
    • Regresie logistică folosind Python
    • Funcția de cost în regresia logistică
    • Regresie logistică folosind Tensorflow
12. Bayes naiv Clasificatori
13. Vector suport:
    • Suportă mașini vectoriale (SVM) în Python
    • Reglarea hiperparametrului SVM folosind GridSearchCV
    • Suportă mașini vectoriale (SVM) în R
    • Utilizarea SVM pentru a efectua clasificarea pe un set de date neliniar
14. Arborele de decizie:
15. • Arborele de decizie
    • Regresia arborelui de decizie folosind sklearn
    • Arborele de decizie Introducere cu exemplu
    • Implementarea arborelui de decizie folosind Python
    • Arborele de decizie în inginerie software
15. Pădurea aleatorie:
    • Regresie aleatorie a pădurii în Python
    • Clasificator de ansamblu
    • Clasificator de vot folosind Sklearn
      
    • Clasificator de ambalare

Învățare nesupravegheată:

1. ML | Tipuri de învățare – Învățare nesupravegheată
2. Învățare supravegheată și nesupravegheată
3. Clustering în Machine Learning
4. Diferite tipuri de algoritm de grupare
5. K înseamnă Clustering – Introducere
6. Metoda cotului pentru valoarea optimă a lui k în KMeans
7. Capcană de inițializare aleatorie în K-Means
8. ML | Algoritmul K-means++
9. Analiza datelor de testare folosind K-Means Clustering în Python
10. Mini Batch K înseamnă algoritm de grupare
11. Clustering cu schimbare medie
12. DBSCAN – clustering bazat pe densitate
13. Implementarea algoritmului DBSCAN folosind Sklearn
14. Clustering neclar
15. Clustering spectral
16. OPTICA Clustering
17. OPTICS Clustering Implementarea folosind Sklearn
18. Clustering ierarhic (clustering aglomerativ și divizibil)
19. Implementarea Agglomerative Clustering folosind Sklearn
20. Modelul de amestec gaussian

Consolidarea învățării:

1. Consolidarea învățării
2. Algoritmul de învățare prin consolidare: Implementarea Python folosind Q-learning
3. Introducere în Thompson Sampling
4. Algoritm genetic pentru învățare prin întărire
5. Învățare de consolidare SARSA
6. Q-Learning în Python

Reducerea dimensionalității:

1. Introducere în reducerea dimensionalității
2. Introducere în Kernel PCA
3. Analiza componentelor principale (PCA)
4. Analiza componentelor principale cu Python
5. Aproximații de rang scăzut
6. Prezentare generală a analizei discriminante liniară (LDA)
7. Explicația matematică a analizei discriminante lineare (LDA)
8. Analiza generalizată discriminantă (GDA)
9. Analiza independentă a componentelor
10. Cartografierea caracteristicilor
11. Clasificator arbore suplimentar pentru selectarea caracteristicilor
12. Testul Chi-pătrat pentru selecția caracteristicilor – Explicație matematică
13. ML | Algoritmul Stochastic Neighbor Embedding (t-SNE) distribuit în T
14. Python | Cum și unde să aplicați Funcția Scaling?
15. Parametri pentru selectarea caracteristicilor
16. Subadaptarea și supraadaptarea în învățarea automată

Procesarea limbajului natural:

1. Introducere în procesarea limbajului natural
2. Preprocesarea textului în Python | Set - 1
3. Preprocesarea textului în Python | Setul 2
4. Eliminarea cuvintelor stop cu NLTK în Python
5. Tokenizați text folosind NLTK în python
6. Cum funcționează simbolizarea textului, a propoziției și a cuvintelor
7. Introducere în Stemming
8. Cuvinte derivate cu NLTK
9. Lematizare cu NLTK
10. Lematizare cu TextBlob
11. Cum să obțineți sinonime/antonime din NLTK WordNet în Python?

Rețele neuronale:

1. Introducere în rețelele artificiale neutre | Setul 1
2. Introducere în rețeaua neuronală artificială | Setul 2
3. Introducere în ANN (rețele neuronale artificiale) | Set 3 (sisteme hibride)
4. Introducere în ANN | Setul 4 (Arhitecturi de rețea)
5. Funcții de activare
6. Implementarea procesului de antrenament al rețelei neuronale artificiale în Python
7. O rețea neuronală cu un singur neuron în Python
8. Rețele neuronale convoluționale
   • Introducere în Convolution Neural Network
   • Introducere în Stratul de pooling
   • Introducere în padding
   • Tipuri de umplutură în stratul de convoluție
   • Aplicarea rețelei neuronale convoluționale pe setul de date mnist
9. Rețele neuronale recurente
   • Introducere în rețeaua neuronală recurentă
   • Explicația rețelelor neuronale recurente
   • modelul seq2seq
   • Introducere în memoria pe termen lung și scurt
   • Explicație privind rețelele de memorie pe termen scurt
   • Rețele de unități recurente cu blocare (GAN)
   • Generarea de text utilizând rețele de unități recurente Gated
10. GAN-uri – Rețea adversară generativă
    • Introducere în Generative Adversarial Network
    • Rețele adversare generative (GAN)
    • Cazuri de utilizare ale rețelelor adverse generative
    • Construirea unei rețele generative adversare folosind Keras
    • Colapsul modal în GAN-uri
11. Introducere în Deep Q-Learning
12. Implementarea Deep Q-Learning folosind Tensorflow

ML – Implementare:

1. Implementați aplicația web Machine Learning (Streamlit) pe Heroku
2. Implementați un model de învățare automată folosind Biblioteca Streamlit
3. Implementați modelul de învățare automată folosind Flask
4. Python – Creați interfețe de utilizare pentru prototiparea modelului de învățare automată cu Gradio
5. Cum să pregătiți datele înainte de a implementa un model de învățare automată?
6. Implementarea modelelor ML ca API folosind FastAPI
   
7. Implementarea spider Scrapy pe ScrapingHub

ML – Aplicații:

1. Predicția precipitațiilor folosind regresia liniară
2. Identificarea cifrelor scrise de mână folosind regresia logistică în PyTorch
3. Diagnostic Kaggle pentru cancerul de sân Wisconsin folosind regresia logistică
4. Python | Implementarea Sistemului de Recomandare a Filmelor
5. Sprijină Vector Machine pentru a recunoaște trăsăturile faciale în C++
6. Arbori de decizie – puzzle cu monede false (contrafăcute) (puzzle cu 12 monede)
7. Detectarea fraudei cu cardul de credit
8. Analiza NLP a recenziilor restaurantelor
9. Aplicarea Multinomial Naive Bayes la problemele NLP
10. Comprimarea imaginii folosind gruparea K-means
11. Învățare profundă | Generarea de subtitrări folosind personajele Avengers EndGames
12. Cum folosește Google învățarea automată?
13. Cum folosește NASA învățarea automată?
14. 5 moduri uimitoare în care Facebook folosește învățarea automată
    
15. Publicitate direcționată folosind Machine Learning
16. Cum este folosită învățarea automată de către companiile celebre?

Diverse:

1. Recunoașterea modelelor | Introducere
2. Calculați eficiența clasificatorului binar
3. Regresie logistică v/s Clasificarea arborelui de decizie
4. R vs Python în Datascience
5. Explicația funcțiilor fundamentale implicate în algoritmul A3C
6. Confidențialitate diferențială și învățare profundă
7. Inteligența artificială vs învățare automată vs învățare profundă
8. Introducere în Multi-Task Learning (MTL) pentru învățare profundă
9. Top 10 algoritmi pe care fiecare inginer de învățare automată ar trebui să-i cunoască
10. Mașină virtuală Azure pentru învățare automată
11. 30 de minute pentru învățarea automată
12. Ce este AutoML în Machine Learning?
13. Matricea de confuzie în învățarea automată

Condiții preliminare pentru a învăța învățarea automată

• Cunoștințe de ecuații liniare, grafice de funcții, statistici, algebră liniară, probabilitate, calcul etc.
• Sunt recomandate orice cunoștințe de limbaj de programare precum Python, C++, R.

Întrebări frecvente despre tutorialul de învățare automată

Î.1 Ce este învățarea automată și cum este diferită de învățarea profundă?

Răspuns :

scanner.next java

Învățarea automată dezvoltă programe care pot accesa date și pot învăța din acestea. Învățarea profundă este subdomeniul învățării automate. Învățarea profundă acceptă extragerea automată a caracteristicilor din datele brute.

Q.2. Care sunt diferitele tipuri de algoritmi de învățare automată?

Răspuns :

• Algoritmi supravegheați: aceștia sunt algoritmii care învață din datele etichetate, de ex. imagini etichetate cu fața de câine sau nu. Algoritmul depinde de datele supravegheate sau etichetate. de exemplu. regresie, detectarea obiectelor, segmentare.
• Algoritmi nesupravegheați: aceștia sunt algoritmii care învață din datele neetichetate, de ex. o grămadă de imagini date pentru a face un set similar de imagini. de exemplu. clustering, reducerea dimensionalității etc.
• Algoritmi semi-supravegheați: algoritmi care utilizează atât date supravegheate, cât și nesupravegheate. Majoritatea utilizării datelor pentru acești algoritmi nu sunt date supravegheate. de exemplu. detectarea anamaliei.

Q.3. De ce folosim machine learning?

Răspuns :

jdbc jdbc

Învățarea automată este folosită pentru a lua decizii bazate pe date. Modelând algoritmii pe baza datelor istorice, algoritmii găsesc tiparele și relațiile care sunt dificil de detectat de oameni. Aceste modele sunt acum utilizate în continuare pentru referințele viitoare pentru a prezice soluția problemelor nevăzute.

Î.4. Care este diferența dintre inteligența artificială și învățarea automată?

Răspuns :

INTELIGENŢĂ ARTIFICIALĂ	ÎNVĂȚARE AUTOMATĂ
Dezvoltați un sistem inteligent care efectuează o varietate de lucrări complexe.	Construiți mașini care pot îndeplini doar locurile de muncă pentru care s-au instruit.
Funcționează ca un program care face lucru inteligent.	Mașina sistemelor de sarcini preia date și învață din date.
AI are o mare varietate de aplicații.	ML permite sistemelor să învețe lucruri noi din date.
AI conduce înțelepciunea.	ML duce la cunoaștere.