Vadnica za strojno učenje zajema osnovne in napredne koncepte, ki so posebej zasnovani za študente in izkušene delavce.

Ta vadnica za strojno učenje vam pomaga pridobiti dober uvod v osnove strojnega učenja in raziskati široko paleto tehnik, vključno z nadzorovanim, nenadzorovanim in učenjem z okrepitvijo.

oblazinjenje css

Strojno učenje (ML) je poddomena umetne inteligence (AI), ki se osredotoča na razvoj sistemov, ki se učijo – ali izboljšajo delovanje – na podlagi podatkov, ki jih zaužijejo. Umetna inteligenca je široka beseda, ki se nanaša na sisteme ali stroje, ki so podobni človeški inteligenci. Strojno učenje in umetna inteligenca se pogosto obravnavata skupaj, izraza pa se občasno uporabljata zamenljivo, čeprav ne pomenita iste stvari. Bistvena razlika je, da čeprav je vse strojno učenje umetna inteligenca, ni vsaka umetna inteligenca strojno učenje.

Kaj je strojno učenje?

Strojno učenje je področje študija, ki daje računalnikom možnost učenja, ne da bi bili eksplicitno programirani. ML je ena najbolj vznemirljivih tehnologij, s katerimi bi se kdo kdaj srečal. Kot je razvidno iz imena, daje računalniku tisto, kar ga dela bolj podobnega človeku: Sposobnost učenja. Strojno učenje se danes aktivno uporablja, morda na veliko več mestih, kot bi pričakovali.

Najnovejši članki o strojnem učenju

Kazalo

• Uvod
• Učenje brez nadzora
• Okrepitveno učenje
• Zmanjšanje dimenzionalnosti
• Obdelava naravnega jezika
• Nevronske mreže
• ML – uvajanje
• ML – Aplikacije
• razno

Značilnosti strojnega učenja

• Strojno učenje je tehnologija, ki temelji na podatkih. Velika količina podatkov, ki jih dnevno ustvarijo organizacije. Organizacije torej sprejemajo boljše odločitve z opaznimi razmerji v podatkih.
• Stroj se lahko uči iz preteklih podatkov in se samodejno izboljša.
• Iz podanega nabora podatkov zazna različne vzorce podatkov.
• Za velike organizacije je blagovna znamka pomembna in postalo bo lažje ciljati na sorodno bazo strank.
• Podobno je podatkovnemu rudarjenju, saj se prav tako ukvarja z ogromno količino podatkov.

Uvod:

1. Kako začeti s strojnim učenjem
2. Uvod v strojno učenje
3. Kaj je strojno učenje?
4. Uvod v podatke v strojnem učenju
5. Demistifikacija strojnega učenja
6. ML – Aplikacije
7. Najboljše knjižnice Python za strojno učenje
8. Umetna inteligenca | Uvod
9. Strojno učenje in umetna inteligenca
10. Razlika med strojnim učenjem in umetno inteligenco
11. Agenti v umetni inteligenci
12. 10 osnovnih vprašanj za intervju o strojnem učenju

Razumevanje obdelave podatkov

Python | Ustvarite testne nabore podatkov s Sklearnom

Python | Ustvari testne nize podatkov za strojno učenje

Python | Predobdelava podatkov v Pythonu

Čiščenje podatkov

Skaliranje funkcij – 1. del

Skaliranje funkcij – 2. del

Python | Kodiranje oznak naborov podatkov

Python | Eno vroče kodiranje naborov podatkov

Ravnanje z neuravnoteženimi podatki s SMOTE in algoritmom Near Miss v Pythonu

Prestrezanje navideznih spremenljivk v regresijskih modelih

Učenje pod nadzorom:

1. Kako začeti s klasifikacijo
2. Osnovni koncept klasifikacije
3. Vrste regresijskih tehnik
4. Klasifikacija proti regresiji
5. ML | Vrste učenja – nadzorovano učenje
6. Večrazredna klasifikacija z uporabo scikit-learn
7. Gradientni spust:
   • Algoritem Gradient Descent in njegove različice
   • Stohastični gradientni spust (SGD)
   • Mini-paketni gradientni spust s Pythonom
   • Optimizacijske tehnike za gradientni spust
   • Uvod v optimizator gradienta na osnovi zagona
8. Linearna regresija :
   • Uvod v linearno regresijo
   • Gradientni spust v linearni regresiji
   • Matematična razlaga delovanja linearne regresije
   • Normalna enačba v linearni regresiji
   • Linearna regresija (implementacija Python)
   • Preprosta linearna regresija z uporabo R
   • Univariatna linearna regresija v Pythonu
   • Večkratna linearna regresija z uporabo Pythona
   • Večkratna linearna regresija z uporabo R
   • Lokalno utežena linearna regresija
   • Generalizirani linearni modeli
   • Python | Linearna regresija z uporabo sklearn
   • Linearna regresija z uporabo Tensorflow
   • Praktični pristop k preprosti linearni regresiji z uporabo R
   • Linearna regresija z uporabo PyTorcha
   • Pyspark | Linearna regresija z uporabo Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge z linearno regresijo
9. Python | Izvedba Polinomska regresija
10. Regresija Softmax z uporabo TensorFlow
11. Logistična regresija:
    • Razumevanje logistične regresije
    • Zakaj logistična regresija pri klasifikaciji?
    • Logistična regresija z uporabo Pythona
    • Funkcija stroškov v logistični regresiji
    • Logistična regresija z uporabo Tensorflow
12. Naivni Bayes Klasifikatorji
13. Podporni vektor:
    • Podpora za vektorske stroje (SVM) v Pythonu
    • Nastavitev hiperparametrov SVM z uporabo GridSearchCV
    • Podporni vektorski stroji (SVM) v R
    • Uporaba SVM za izvedbo klasifikacije na nelinearnem nizu podatkov
14. Drevo odločanja:
15. • Drevo odločitev
    • Regresija drevesa odločanja z uporabo sklearn
    • Odločitveno drevo Uvod s primerom
    • Izvedba odločitvenega drevesa z uporabo Pythona
    • Odločitveno drevo v programskem inženirstvu
15. Naključni gozd:
    • Naključna gozdna regresija v Pythonu
    • Ansambelski klasifikator
    • Klasifikator glasovanja z uporabo Sklearn
      
    • Klasifikator vreč

Učenje brez nadzora:

1. ML | Vrste učenja – nenadzorovano učenje
2. Nadzorovano in nenadzorovano učenje
3. Gručenje v strojnem učenju
4. Različne vrste algoritmov združevanja v gruče
5. K pomeni grozdenje – uvod
6. Metoda Elbow za optimalno vrednost k v KMeans
7. Naključna inicializacijska past v K-Means
8. ML | Algoritem K-means++
9. Analiza testnih podatkov z uporabo K-Means Clustering v Pythonu
10. Algoritem za združevanje v skupine Mini Batch K-means
11. Združevanje v srednje premike
12. DBSCAN – združevanje v gruče na podlagi gostote
13. Implementacija algoritma DBSCAN z uporabo Sklearn
14. Mehko združevanje v gruče
15. Spektralno združevanje
16. OPTIKA Grozdenje
17. OPTICS Clustering Implementation using Sklearn
18. Hierarhično združevanje (aglomerativno in delitveno združevanje)
19. Implementacija aglomerativnega grozdenja z uporabo Sklearn
20. Gaussov model mešanice

Okrepitveno učenje:

1. Učenje s krepitvijo
2. Algoritem za krepitev učenja: Implementacija Pythona z uporabo Q-learninga
3. Uvod v Thompsonovo vzorčenje
4. Genetski algoritem za krepitveno učenje
5. SARSA Reinforcement Learning
6. Q-učenje v Pythonu

Zmanjšanje dimenzionalnosti:

1. Uvod v zmanjšanje dimenzionalnosti
2. Uvod v kernel PCA
3. Analiza glavnih komponent (PCA)
4. Analiza glavnih komponent s Pythonom
5. Približki nizkega ranga
6. Pregled linearne diskriminantne analize (LDA)
7. Matematična razlaga linearne diskriminantne analize (LDA)
8. Generalizirana diskriminantna analiza (GDA)
9. Neodvisna analiza komponent
10. Preslikava funkcij
11. Dodatni drevesni klasifikator za izbiro funkcij
12. Hi-kvadrat test za izbiro značilnosti – matematična razlaga
13. ML | Algoritem T-razdeljene stohastične vdelave sosedov (t-SNE).
14. Python | Kako in kje uporabiti skaliranje funkcij?
15. Parametri za izbiro funkcije
16. Premajhno in preveč opremljeno v strojnem učenju

Obdelava naravnega jezika:

1. Uvod v obdelavo naravnega jezika
2. Predhodna obdelava besedila v Pythonu | Komplet – 1
3. Predhodna obdelava besedila v Pythonu | Komplet 2
4. Odstranjevanje stop besed z NLTK v Pythonu
5. Tokenizirajte besedilo z uporabo NLTK v pythonu
6. Kako deluje tokenizacija besedila, stavka, besed
7. Uvod v stemming
8. Izhajajoče besede z NLTK
9. Lematizacija z NLTK
10. Lematizacija s TextBlobom
11. Kako pridobiti sinonime/antonime iz NLTK WordNet v Pythonu?

Nevronske mreže:

1. Uvod v umetna nevtralna omrežja | Komplet 1
2. Uvod v umetno nevronsko mrežo | Komplet 2
3. Uvod v ANN (umetne nevronske mreže) | 3. sklop (hibridni sistemi)
4. Uvod v ANN | Komplet 4 (omrežne arhitekture)
5. Aktivacijske funkcije
6. Implementacija procesa usposabljanja za umetno nevronsko mrežo v Pythonu
7. Ena nevronska nevronska mreža v Pythonu
8. Konvolucijske nevronske mreže
   • Uvod v konvolucijsko nevronsko mrežo
   • Uvod v plast združevanja
   • Uvod v oblazinjenje
   • Vrste oblazinjenja v konvolucijski plasti
   • Uporaba konvolucijske nevronske mreže na naboru podatkov mnist
9. Ponavljajoče se nevronske mreže
   • Uvod v ponavljajoče se nevronske mreže
   • Razlaga ponavljajočih se nevronskih mrež
   • model seq2seq
   • Uvod v dolgoročni kratkoročni spomin
   • Razlaga omrežij dolgotrajnega pomnilnika
   • Gated Recurrent Unit Networks (GAN)
   • Generiranje besedila z uporabo omrežij Gated Recurrent Unit
10. GANs – Generative Adversarial Network
    • Uvod v generativno kontradiktorno mrežo
    • Generativna kontradiktorna omrežja (GAN)
    • Primeri uporabe generativnih kontradiktornih omrežij
    • Gradnja generativne kontradiktorne mreže z uporabo Kerasa
    • Modalni kolaps v GAN-jih
11. Uvod v poglobljeno učenje Q
12. Implementacija poglobljenega učenja Q z uporabo Tensorflow

ML – uvajanje:

1. Namestite svojo spletno aplikacijo za strojno učenje (Streamlit) na Heroku
2. Razmestite model strojnega učenja z uporabo knjižnice Streamlit
3. Razmestite model strojnega učenja z uporabo Flaska
4. Python – ustvarite uporabniške vmesnike za izdelavo prototipov modela strojnega učenja z Gradio
5. Kako pripraviti podatke pred uvedbo modela strojnega učenja?
6. Uvajanje modelov ML kot API z uporabo FastAPI
   
7. Uvajanje Scrapy pajka na ScrapingHub

ML – Aplikacije:

1. Napovedovanje padavin z uporabo linearne regresije
2. Prepoznavanje ročno napisanih števk z uporabo logistične regresije v PyTorchu
3. Kaggle Breast Cancer Wisconsin Diagnoza z uporabo logistične regresije
4. Python | Implementacija sistema Movie Recommender
5. Podprite Vector Machine za prepoznavanje obraznih potez v C++
6. Drevesa odločanja – lažna (ponarejena) sestavljanka s kovanci (sestavljanka z 12 kovanci)
7. Odkrivanje goljufij s kreditnimi karticami
8. NLP analiza ocen restavracij
9. Uporaba naivnega multinomskega Bayesa pri problemih NLP
10. Stiskanje slike z združevanjem v skupine K-means
11. Globoko učenje | Ustvarjanje napisov slik z liki igre Avengers EndGames
12. Kako Google uporablja strojno učenje?
13. Kako NASA uporablja strojno učenje?
14. 5 osupljivih načinov, kako Facebook uporablja strojno učenje
    
15. Ciljno oglaševanje z uporabo strojnega učenja
16. Kako strojno učenje uporabljajo znana podjetja?

Razno:

1. Prepoznavanje vzorcev | Uvod
2. Izračunajte učinkovitost binarnega klasifikatorja
3. Logistična regresija proti klasifikaciji drevesa odločanja
4. R proti Pythonu v Datascience
5. Razlaga osnovnih funkcij, vključenih v algoritem A3C
6. Diferencialna zasebnost in globoko učenje
7. Umetna inteligenca proti strojnemu učenju proti globokemu učenju
8. Uvod v večopravilno učenje (MTL) za poglobljeno učenje
9. 10 najboljših algoritmov, ki bi jih moral poznati vsak inženir strojnega učenja
10. Virtualni stroj Azure za strojno učenje
11. 30 minut do strojnega učenja
12. Kaj je AutoML v strojnem učenju?
13. Matrika zmede v strojnem učenju

Predpogoji za učenje strojnega učenja

• Poznavanje linearnih enačb, grafov funkcij, statistike, linearne algebre, verjetnosti, računa itd.
• Priporočljivo je kakršno koli znanje programskih jezikov, kot so Python, C++, R.

Pogosta vprašanja o vadnici strojnega učenja

V.1 Kaj je strojno učenje in kako se razlikuje od globokega učenja?

Odgovori :

Strojno učenje razvija programe, ki lahko dostopajo do podatkov in se iz njih učijo. Globoko učenje je poddomena strojnega učenja. Globoko učenje podpira samodejno pridobivanje funkcij iz neobdelanih podatkov.

V.2. Katere so različne vrste algoritmov strojnega učenja?

Odgovori :

• Nadzorovani algoritmi: To so algoritmi, ki se učijo iz označenih podatkov, npr. slike, označene z obrazom psa ali ne. Algoritem je odvisen od nadzorovanih ali označenih podatkov. npr. regresija, detekcija objektov, segmentacija.
• Nenadzorovani algoritmi: To so algoritmi, ki se učijo iz neoznačenih podatkov, npr. kup slik, danih za izdelavo podobnega niza slik. npr. združevanje v gruče, zmanjšanje dimenzij itd.
• Polnadzorovani algoritmi: Algoritmi, ki uporabljajo tako nadzorovane kot nenadzorovane podatke. Večji del podatkov, ki se uporabljajo za te algoritme, niso nadzorovani podatki. npr. odkrivanje anamolije.

V.3. Zakaj uporabljamo strojno učenje?

Odgovori :

Strojno učenje se uporablja za sprejemanje odločitev na podlagi podatkov. Z modeliranjem algoritmov na podlagi zgodovinskih podatkov algoritmi najdejo vzorce in razmerja, ki jih ljudje težko odkrijejo. Ti vzorci se zdaj še naprej uporabljajo za prihodnje reference za napovedovanje rešitev nevidnih težav.

binarno iskalno drevo proti binarnemu drevesu

V.4. Kakšna je razlika med umetno inteligenco in strojnim učenjem?

Odgovori :

UMETNA INTELIGENCA	STROJNO UČENJE
Razvijte inteligenten sistem, ki opravlja različna zapletena opravila.	Konstruirajte stroje, ki lahko opravijo le dela, za katera so se izšolali.
Deluje kot program, ki opravlja pametno delo.	Stroj sistemov opravil sprejema podatke in se uči iz podatkov.
AI ima široko paleto aplikacij.	ML omogoča sistemom, da se iz podatkov naučijo novih stvari.
AI vodi modrost.	ML vodi do znanja.