handson unsupervised learning
Better support for Tensor
يحتوي هذا الريبو على الكود الخاص بكتاب O'Reilly Media, Inc. "التعلم العملي غير الخاضع للرقابة باستخدام بايثون: كيفية بناء حلول التعلم الآلي التطبيقية من البيانات غير المسماة" بقلم Ankur A. Patel.
الموقع الرسمي للكتاب: https://www.unsupervisedlearningbook.com/thebook
متوفر على أمازون: https://www.amazon.com/Hands-Unsupervised-Learning-Using-Python/dp/1492035645
متوفر على O'Reilly Safari: https://www.oreilly.com/library/view/hands-on-unsupervised-learning/9781492035633/
المزيد عن المؤلف: https://www.ankurapatel.io
مايو 2021: تمت إضافة الدعم لـ TensorFlow 2.x وأمثلة Fashion MNIST وTensorboard لتقليل الأبعاد.
يعتبر العديد من خبراء الصناعة أن التعلم غير الخاضع للرقابة هو الحدود التالية في الذكاء الاصطناعي، وهو الحد الذي قد يحمل مفتاح الكأس المقدسة في أبحاث الذكاء الاصطناعي، أو ما يسمى بالذكاء الاصطناعي العام. نظرًا لأن غالبية بيانات العالم غير مصنفة، فلا يمكن تطبيق التعلم الخاضع للإشراف التقليدي؛ هذا هو المكان الذي يأتي فيه التعلم غير الخاضع للرقابة. يمكن تطبيق التعلم غير الخاضع للرقابة على مجموعات البيانات غير المسماة لاكتشاف أنماط ذات معنى مدفونة عميقًا في البيانات، وهي أنماط قد يكون من المستحيل على البشر اكتشافها.
يقدم المؤلف Ankur Patel معرفة عملية حول كيفية تطبيق التعلم غير الخاضع للإشراف باستخدام إطاري Python بسيطين وجاهزين للإنتاج - scikit-learn وTensorFlow. من خلال الأمثلة العملية والتعليمات البرمجية المقدمة، ستحدد الأنماط التي يصعب العثور عليها في البيانات وتكتسب رؤية أعمق للأعمال، وتكتشف الحالات الشاذة، وتنفذ هندسة الميزات التلقائية واختيارها، وتنشئ مجموعات بيانات تركيبية. كل ما تحتاجه هو البرمجة وبعض الخبرة في التعلم الآلي للبدء.
إذا كنت ترغب في استخدام Google Colab (بدلاً من جهازك المحلي)، فيرجى اتباع هذه التعليمات لتشغيل الكود على Google Colab.
إذا كنت ترغب في تشغيل هذا الريبو على جهازك المحلي، يرجى اتباع هذه التعليمات أدناه.
إذا كنت تستخدم نظام التشغيل macOS، فقم بتثبيت أدوات سطر أوامر Xcode باستخدام xcode-select --install في الوحدة الطرفية.
قم بتثبيت توزيعة Miniforge لـ Python 3.8 بناءً على نظام التشغيل لديك. إذا كنت تستخدم نظام التشغيل Windows، فيمكنك اختيار توزيعة Anaconda لـ Python 3.8 بدلاً من توزيعة Miniforge، إذا كنت ترغب في ذلك.
للحصول على دعم NVIDIA GPU، قم بتثبيت CUDA 11.0. هذا متاح فقط في وحدات معالجة الرسومات NVIDIA المحددة.
قم بإعداد بيئة Anaconda جديدة واتبع هذه التعليمات بناءً على نظام التشغيل لديك.
لنظام التشغيل Windows :
```
conda env create -f environment_windows.yml
conda activate unsupervisedLearning
pip install -r requirements_windows.txt
```
لنظام التشغيل Mac :
```
conda env create -f environment_mac.yml
conda activate unsupervisedLearning
pip install -r requirements_mac.txt
```
قم بتنزيل البيانات من Google Drive (الملفات كبيرة جدًا بحيث لا يمكن تخزينها والوصول إليها على Github).
https://drive.google.com/drive/folders/1TQVOPUU4tVOYZvdpbxUo6uOCh0jvWNhv?usp=sharing
قم بتشغيل دفاتر الملاحظات باستخدام Jupyter.
jupyter notebook
إذا واجهت أي مشاكل أو أخطاء في الإعداد أو الكود أو أي شيء آخر، يرجى إرسال بريد إلكتروني إلى المؤلف على [email protected].
يرجى اتباع هذه التعليمات لإعداد TensorFlow لنظام التشغيل macOS.
لنظام التشغيل Mac :
```
conda env create -f environment_tensorflow_mac.yml
conda activate tensorflow_mac
pip install -r requirements_tensorflow_mac.txt
For Apple Silicon Mac (M1):
pip install --upgrade --force --no-dependencies https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_macos-0.1a3-cp38-cp38-macosx_11_0_arm64.whl https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_addons_macos-0.1a3-cp38-cp38-macosx_11_0_arm64.whl
For Intel Mac:
pip install --upgrade --force --no-dependencies https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_macos-0.1a3-cp38-cp38-macosx_11_0_x86_64.whl https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_addons_macos-0.1a3-cp38-cp38-macosx_11_0_x86_64.whl
```
يرجى الرجوع إلى دليل TensorFlow لنظام التشغيل macOS إذا واجهت مشكلات أو اتصل بنا.
