logo

TechCodeview

Výukový program strojového učenia

ML-Výukový program

Výukový program strojového učenia pokrýva základné a pokročilé koncepty, špeciálne navrhnutý tak, aby vyhovoval študentom aj skúseným profesionálom.

Tento tutoriál strojového učenia vám pomôže získať solídny úvod do základov strojového učenia a preskúmať širokú škálu techník vrátane učenia pod dohľadom, bez dozoru a posilňovania.



sql dátové typy

Strojové učenie (ML) je subdoménou umelej inteligencie (AI), ktorá sa zameriava na vývoj systémov, ktoré sa učia – alebo zlepšujú výkon – na základe údajov, ktoré prijímajú. Umelá inteligencia je široké slovo, ktoré označuje systémy alebo stroje, ktoré sa podobajú ľudskej inteligencii. Strojové učenie a AI sú často diskutované spoločne a termíny sa občas používajú zameniteľne, hoci neznamenajú to isté. Zásadný rozdiel je v tom, že zatiaľ čo všetko strojové učenie je AI, nie každé AI je strojové učenie.

Čo je strojové učenie?

Strojové učenie je študijný odbor, ktorý dáva počítačom schopnosť učiť sa bez toho, aby boli explicitne naprogramované. ML je jedna z najzaujímavejších technológií, s ktorou by sa človek kedy stretol. Ako je zrejmé z názvu, dáva počítaču, ktorý ho robí podobnejším ľuďom: schopnosť učiť sa. Strojové učenie sa dnes aktívne používa, možno na oveľa viac miestach, ako by sa dalo očakávať.

Najnovšie články o strojovom učení

Obsah

Vlastnosti strojového učenia

  • Strojové učenie je technológia založená na údajoch. Veľké množstvo údajov generovaných organizáciami na dennej báze. Vďaka pozoruhodným vzťahom v údajoch teda organizácie robia lepšie rozhodnutia.
  • Stroj sa môže sám učiť z minulých údajov a automaticky sa zlepšovať.
  • Z daného súboru údajov zisťuje rôzne vzory na údajoch.
  • Pre veľké organizácie je branding dôležitý a bude jednoduchšie zacieliť na príbuznú zákaznícku základňu.
  • Je to podobné ako dolovanie údajov, pretože sa tiež zaoberá obrovským množstvom údajov.

Úvod :

  1. Začíname so strojovým učením
  2. Úvod do strojového učenia
  3. Čo je strojové učenie?
  4. Úvod do údajov v strojovom učení
  5. Demystifikujúce strojové učenie
  6. ML – Aplikácie
  7. Najlepšie knižnice Pythonu pre strojové učenie
  8. Umelá inteligencia | Predstavenie
  9. Strojové učenie a umelá inteligencia
  10. Rozdiel medzi strojovým učením a umelou inteligenciou
  11. Agenti v umelej inteligencii
  12. 10 otázok na pohovor so základným strojovým učením

Pochopenie spracovania údajov
  • Python | Vytvorte testovacie dátové sady pomocou Sklearnu
  • Python | Generujte testovacie množiny údajov pre strojové učenie
  • Python | Predspracovanie údajov v Pythone
  • Čistenie dát
  • Škálovanie funkcií – 1. časť
  • Mierka funkcií – 2. časť
  • Python | Označenie Kódovanie množín údajov
  • Python | Jedno horúce kódovanie množín údajov
  • Spracovanie nevyvážených údajov pomocou algoritmu SMOTE a Near Miss v Pythone
  • Falošná premenná pasca v regresných modeloch

    • Učenie pod dohľadom:

    1. Začíname s klasifikáciou
    2. Základný koncept klasifikácie
    3. Typy regresných techník
    4. Klasifikácia vs regresia
    5. ML | Typy učenia – učenie pod dohľadom
    6. Viactriedna klasifikácia pomocou scikit-learn
    7. Gradientný zostup:
      • Algoritmus gradientového zostupu a jeho varianty
      • Stochastický gradientový zostup (SGD)
      • Mini-Batch Gradient Descent s Pythonom
      • Techniky optimalizácie pre gradientový zostup
      • Úvod do nástroja na optimalizáciu prechodu založeného na hybnosti
    8. Lineárna regresia:
      • Úvod do lineárnej regresie
      • Gradientný zostup v lineárnej regresii
      • Matematické vysvetlenie fungovania lineárnej regresie
      • Normálna rovnica v lineárnej regresii
      • Lineárna regresia (implementácia Pythonu)
      • Jednoduchá lineárna regresia pomocou R
      • Jednorozmerná lineárna regresia v Pythone
      • Viacnásobná lineárna regresia pomocou Pythonu
      • Viacnásobná lineárna regresia pomocou R
      • Lokálne vážená lineárna regresia
      • Zovšeobecnené lineárne modely
      • Python | Lineárna regresia pomocou sklearn
      • Lineárna regresia pomocou Tensorflow
      • Praktický prístup k jednoduchej lineárnej regresii pomocou R
      • Lineárna regresia pomocou PyTorch
      • Pyspark | Lineárna regresia pomocou Apache MLlib
      • ML | Boston Housing Kaggle Challenge s lineárnou regresiou
    9. Python | Implementácia Polynomiálna regresia
    10. Softmax regresia pomocou TensorFlow
    11. Logistická regresia:
      • Pochopenie logistickej regresie
      • Prečo logistická regresia v klasifikácii?
      • Logistická regresia pomocou Pythonu
      • Nákladová funkcia v logistickej regresii
      • Logistická regresia pomocou Tensorflow
    12. Naivný Bayes Klasifikátory
    13. Podporný vektor:
      • Podpora vektorových strojov (SVM) v Pythone
      • Ladenie hyperparametrov SVM pomocou GridSearchCV
      • Podpora vektorových strojov (SVM) v R
      • Použitie SVM na vykonanie klasifikácie na nelineárnom súbore údajov
    14. Rozhodovací strom:
      • Rozhodovací strom
      • Regresia rozhodovacieho stromu pomocou sklearn
      • Rozhodovací strom Úvod s príkladom
      • Implementácia rozhodovacieho stromu pomocou Pythonu
      • Rozhodovací strom v softvérovom inžinierstve
    16. Náhodný les:
      • Náhodná lesná regresia v Pythone
      • Klasifikátor súboru
      • Klasifikátor hlasovania pomocou Sklearnu
      • Klasifikátor vrecovania

    Učenie bez dozoru:

    1. ML | Typy učenia – Učenie bez dozoru
    2. Učenie pod dohľadom a bez dozoru
    3. Klastrovanie v strojovom učení
    4. Rôzne typy klastrovacích algoritmov
    5. K znamená klastrovanie – úvod
    6. Elbow Method pre optimálnu hodnotu k v KMeans
    7. Náhodná inicializačná pasca v K-Means
    8. ML | Algoritmus K-means++
    9. Analýza testovacích údajov pomocou K-Means Clustering v Pythone
    10. Mini Batch K-znamená klastrovací algoritmus
    11. Zhlukovanie stredného posunu
    12. DBSCAN – zhlukovanie založené na hustote
    13. Implementácia algoritmu DBSCAN pomocou Sklearnu
    14. Fuzzy Clustering
    15. Spektrálne zhlukovanie
    16. Zhlukovanie OPTIKY
    17. OPTICS Clustering Implementácia pomocou Sklearnu
    18. Hierarchické zhlukovanie (aglomeratívne a deliace zhlukovanie)
    19. Implementácia aglomeratívneho klastrovania pomocou Sklearnu
    20. Gaussov model zmesi

    Posilňovacie vzdelávanie:

    1. Posilňovacie učenie
    2. Algoritmus posilnenia učenia: Implementácia Pythonu pomocou Q-learningu
    3. Úvod do Thompsonovho vzorkovania
    4. Genetický algoritmus pre posilnenie učenia
    5. SARSA posilňovacie vzdelávanie
    6. Q-Learning v Pythone

    Zníženie rozmerov:

    1. Úvod do redukcie rozmerov
    2. Úvod do Kernel PCA
    3. Analýza hlavných komponentov (PCA)
    4. Analýza hlavných komponentov s Pythonom
    5. Nízke približné hodnoty
    6. Prehľad lineárnej diskriminačnej analýzy (LDA)
    7. Matematické vysvetlenie lineárnej diskriminačnej analýzy (LDA)
    8. Generalizovaná analýza diskriminácie (GDA)
    9. Nezávislá analýza komponentov
    10. Mapovanie funkcií
    11. Extra stromový klasifikátor pre výber funkcií
    12. Chí-kvadrát test pre výber funkcie – matematické vysvetlenie
    13. ML | Algoritmus T-distribuovaného stochastického susedného vkladania (t-SNE).
    14. Python | Ako a kde použiť škálovanie funkcií?
    15. Parametre pre výber funkcií
    16. Nedostatočná a nadmerná výbava v strojovom učení

    Spracovanie prirodzeného jazyka:

    1. Úvod do spracovania prirodzeného jazyka
    2. Predspracovanie textu v Pythone | Sada - 1
    3. Predspracovanie textu v Pythone | Súprava 2
    4. Odstránenie zastavovacích slov pomocou NLTK v Pythone
    5. Tokenizujte text pomocou NLTK v pythone
    6. Ako funguje tokenizácia textu, vety, slov
    7. Úvod do Stemmingu
    8. Odvodzovanie slov pomocou NLTK
    9. Lematizácia pomocou NLTK
    10. Lemmatizácia pomocou TextBlob
    11. Ako získať synonymá/antonymá z NLTK WordNet v Pythone?

    Neurálne siete :

    1. Úvod do umelých neutrálnych sietí | Set 1
    2. Úvod do umelej neurónovej siete | Súprava 2
    3. Úvod do ANN (umelé neurónové siete) | Sada 3 (hybridné systémy)
    4. Úvod do ANN | Sada 4 (Sieťové architektúry)
    5. Aktivačné funkcie
    6. Implementácia tréningového procesu umelej neurónovej siete v Pythone
    7. Jediná neurónová neurónová sieť v Pythone
    8. Konvolučné neurónové siete
      • Úvod do konvolučnej neurónovej siete
      • Úvod do združovacej vrstvy
      • Úvod do čalúnenia
      • Typy vypchávok v konvolučnej vrstve
      • Aplikácia konvolučnej neurónovej siete na mnist dataset
    9. Opakujúce sa neurónové siete
      • Úvod do rekurentnej neurónovej siete
      • Vysvetlenie rekurentných neurónových sietí
      • model seq2seq
      • Úvod do dlhodobej krátkodobej pamäte
      • Vysvetlenie sietí s dlhou krátkodobou pamäťou
      • Gated Recurrent Unit Networks (GAN)
      • Generovanie textu pomocou Gated Recurrent Unit Networks
    10. GANs – Generative Adversarial Network
      • Úvod do siete Generative Adversarial Network
      • Generative Adversarial Networks (GAN)
      • Prípady použitia generatívnych adverzných sietí
      • Budovanie generatívnej adverznej siete pomocou Keras
      • Modálny kolaps v sieťach GAN
    11. Úvod do hlbokého Q-Learningu
    12. Implementácia hlbokého Q-Learningu pomocou Tensorflow

    ML – Nasadenie:

    1. Nasaďte svoju webovú aplikáciu Machine Learning (Streamlit) na Heroku
    2. Nasaďte model strojového učenia pomocou knižnice Streamlit
    3. Nasaďte model strojového učenia pomocou banky Flask
    4. Python – Vytvorte používateľské rozhrania na prototypovanie modelu strojového učenia pomocou Gradio
    5. Ako pripraviť údaje pred nasadením modelu strojového učenia?
    6. Nasadenie modelov ML ako API pomocou FastAPI
    7. Nasadenie Scrapy spider na ScrapingHub

    ML – aplikácie:

    1. Predpoveď zrážok pomocou lineárnej regresie
    2. Identifikácia ručne písaných číslic pomocou logistickej regresie v PyTorch
    3. Diagnostika rakoviny prsníka Kaggle Wisconsin pomocou logistickej regresie
    4. Python | Implementácia systému filmových odporúčaní
    5. Podporte Vector Machine na rozpoznávanie tvárových prvkov v C++
    6. Rozhodovacie stromy – Falošné (falšované) puzzle s mincami (12 mincí)
    7. Detekcia podvodov s kreditnou kartou
    8. NLP analýza recenzií reštaurácií
    9. Aplikácia Multinomial Naive Bayes na problémy NLP
    10. Kompresia obrazu pomocou zoskupovania K-means
    11. Hlboké učenie | Generovanie obrázkových titulkov pomocou postáv Avengers EndGames
    12. Ako Google používa strojové učenie?
    13. Ako NASA používa strojové učenie?
    14. 5 ohromujúcich spôsobov Facebook využíva strojové učenie
    15. Cielená reklama pomocou strojového učenia
    16. Ako strojové učenie používajú známe spoločnosti?

    Rôzne:

    1. Rozpoznávanie vzorov | Úvod
    2. Vypočítajte účinnosť binárneho klasifikátora
    3. Logistická regresia v/s klasifikácia rozhodovacieho stromu
    4. R vs Python v Datascience
    5. Vysvetlenie základných funkcií zahrnutých v algoritme A3C
    6. Diferenciálne súkromie a hlboké učenie
    7. Umelá inteligencia vs strojové učenie vs hlboké učenie
    8. Úvod do Multi-Task Learning (MTL) pre hlboké vzdelávanie
    9. 10 najlepších algoritmov, ktoré by mal poznať každý inžinier strojového učenia
    10. Virtuálny stroj Azure pre strojové učenie
    11. 30 minút strojového učenia
    12. Čo je AutoML v strojovom učení?
    13. Matica zmätku v strojovom učení

    Predpoklady naučiť sa strojové učenie

    • Znalosť lineárnych rovníc, grafov funkcií, štatistiky, lineárnej algebry, pravdepodobnosti, počtu atď.
    • Odporúčajú sa akékoľvek znalosti programovacieho jazyka ako Python, C++, R.

    Časté otázky o výuke strojového učenia

    Q.1 Čo je strojové učenie a ako sa líši od hlbokého učenia?

    Odpoveď :

    rozdiel medzi ľadom a snehom

    Strojové učenie vyvíja programy, ktoré môžu pristupovať k údajom a učiť sa z nich. Hlboké učenie je subdoménou strojového učenia. Hlboké učenie podporuje automatickú extrakciu funkcií z nespracovaných údajov.

    Q.2. Aké sú rôzne typy algoritmov strojového učenia?

    Odpoveď :

    prológový jazyk
    • Kontrolované algoritmy: Sú to algoritmy, ktoré sa učia z označených údajov, napr. obrázky označené psou tvárou alebo nie. Algoritmus závisí od kontrolovaných alebo označených údajov. napr. regresia, detekcia objektov, segmentácia.
    • Non-Supervised algorithms: Sú to algoritmy, ktoré sa učia z neoznačených údajov, napr. veľa obrázkov na vytvorenie podobnej sady obrázkov. napr. zhlukovanie, redukcia rozmerov atď.
    • Algoritmy s čiastočným dohľadom: Algoritmy, ktoré používajú údaje pod dohľadom alebo bez dohľadu. Väčšina údajov používaných pre tieto algoritmy nie sú kontrolované údaje. napr. detekcia anamoly.

    Q.3. Prečo používame strojové učenie?

    Odpoveď :

    Strojové učenie sa používa na rozhodovanie na základe údajov. Modelovaním algoritmov na základe historických údajov algoritmy nachádzajú vzory a vzťahy, ktoré je pre ľudí ťažké odhaliť. Tieto vzory sa teraz ďalej používajú pre budúce referencie na predpovedanie riešenia neviditeľných problémov.

    Q.4. Aký je rozdiel medzi umelou inteligenciou a strojovým učením?

    Odpoveď :

    UMELA INTELIGENCIA STROJOVÉ UČENIE
    Vyviňte inteligentný systém, ktorý bude vykonávať rôzne zložité úlohy. Konštruujte stroje, ktoré dokážu vykonávať iba úlohy, na ktoré boli vyškolení.
    Funguje ako program, ktorý robí inteligentnú prácu. Systém úloh stroj berie dáta a učí sa z nich.
    AI má širokú škálu aplikácií. ML umožňuje systémom učiť sa nové veci z údajov.
    AI vedie múdrosť. ML vedie k poznaniu.