homemade machine learning herunterladen - homemade machine learning Quellcode-Download

homemade machine learning

Python

1.0.0

Herunterladen

Selbstgemachtes maschinelles Lernen

?? Die Ukraine wird von der russischen Armee angegriffen. ZIVILISTEN WERDEN GETÖTET. WOHNGEBIETE WERDEN BOMBARDIERT.
Helfen Sie der Ukraine über:
Serhiy Prytula Wohltätigkeitsstiftung
Come Back Alive Charity Foundation
Nationalbank der Ukraine
Weitere Informationen auf war.ukraine.ua und MFA der Ukraine

Lesen Sie dies in anderen Sprachen: Español

Sie könnten interessiert sein an:
Hausgemachtes GPT • JS
Interaktive Experimente zum maschinellen Lernen

Die Octave/MatLab-Version dieses Repositorys finden Sie im Projekt „Machine-Learning-Octave“.

Dieses Repository enthält Beispiele beliebter Algorithmen für maschinelles Lernen, die in Python implementiert sind, wobei die dahinter stehende Mathematik erläutert wird. Jeder Algorithmus verfügt über eine interaktive Jupyter Notebook- Demo, mit der Sie mit Trainingsdaten und Algorithmuskonfigurationen experimentieren und die Ergebnisse, Diagramme und Vorhersagen sofort direkt in Ihrem Browser sehen können. In den meisten Fällen basieren die Erklärungen auf diesem großartigen Kurs zum maschinellen Lernen von Andrew Ng.

Der Zweck dieses Repositorys besteht nicht darin, Algorithmen für maschinelles Lernen mithilfe von Einzeilern aus Bibliotheken von ^{Drittanbietern} zu implementieren , sondern vielmehr darin, die Implementierung dieser Algorithmen von Grund auf zu üben und ein besseres Verständnis der Mathematik hinter jedem Algorithmus zu erlangen. Aus diesem Grund werden alle Algorithmenimplementierungen als „hausgemacht“ bezeichnet und sind nicht für die Verwendung in der Produktion gedacht.

Überwachtes Lernen

Beim überwachten Lernen haben wir einen Satz Trainingsdaten als Eingabe und einen Satz Beschriftungen oder „richtige Antworten“ für jeden Trainingssatz als Ausgabe. Dann trainieren wir unser Modell (Parameter des maschinellen Lernalgorithmus), um die Eingabe korrekt der Ausgabe zuzuordnen (um eine korrekte Vorhersage zu treffen). Der ultimative Zweck besteht darin, solche Modellparameter zu finden, die auch für neue Eingabebeispiele erfolgreich die korrekte Eingabe-Ausgabe- Zuordnung (Vorhersagen) aufrechterhalten.

Rückschritt

Bei Regressionsproblemen machen wir reale Wertvorhersagen. Grundsätzlich versuchen wir, entlang der Trainingsbeispiele eine Linie/Ebene/n-dimensionale Ebene zu zeichnen.

Anwendungsbeispiele: Aktienkursprognose, Verkaufsanalyse, Abhängigkeit von einer beliebigen Zahl usw.

? Lineare Regression

? Mathematik | Lineare Regression – Theorie und Links für weiterführende Literatur
Code | Lineare Regression – Implementierungsbeispiel
▶️ Demo | Univariate lineare Regression – prognostizieren Sie den country happiness anhand economy GDP
▶️ Demo | Multivariate lineare Regression – Vorhersage country happiness anhand des economy GDP und freedom index
▶️ Demo | Nichtlineare Regression – Verwenden Sie die lineare Regression mit Polynom- und Sinusfunktionen , um nichtlineare Abhängigkeiten vorherzusagen

Einstufung

Bei Klassifizierungsproblemen teilen wir Eingabebeispiele nach bestimmten Merkmalen auf.

Anwendungsbeispiele: Spam-Filter, Spracherkennung, Suche nach ähnlichen Dokumenten, Erkennung handschriftlicher Briefe usw.

? Logistische Regression

? Mathematik | Logistische Regression – Theorie und Links für weiterführende Literatur
Code | Logistische Regression – Implementierungsbeispiel
▶️ Demo | Logistische Regression (lineare Grenze) – Vorhersage der class basierend auf petal_length und petal_width
▶️ Demo | Logistische Regression (nichtlineare Grenze) – Vorhersage der Mikrochip- validity basierend auf param_1 und param_2
▶️ Demo | Multivariate logistische Regression | MNIST – handgeschriebene Ziffern aus 28x28 Pixel großen Bildern erkennen
▶️ Demo | Multivariate logistische Regression | Fashion MNIST – Kleidungstypen anhand von 28x28 -Pixel-Bildern erkennen

Unüberwachtes Lernen

Unüberwachtes Lernen ist ein Zweig des maschinellen Lernens, der aus Testdaten lernt, die nicht gekennzeichnet, klassifiziert oder kategorisiert wurden. Anstatt auf Feedback zu reagieren, identifiziert unüberwachtes Lernen Gemeinsamkeiten in den Daten und reagiert auf der Grundlage des Vorhandenseins oder Fehlens solcher Gemeinsamkeiten in jedem neuen Datenelement.

Clustering

Bei Clustering-Problemen teilen wir die Trainingsbeispiele nach unbekannten Merkmalen auf. Der Algorithmus entscheidet selbst, welches Merkmal für die Aufteilung verwendet wird.

Anwendungsbeispiele: Marktsegmentierung, Analyse sozialer Netzwerke, Organisation von Computerclustern, Analyse astronomischer Daten, Bildkomprimierung usw.

? K-bedeutet Algorithmus

? Mathematik | K-Means-Algorithmus – Theorie und Links für weitere Lektüre
Code | K-Means-Algorithmus – Implementierungsbeispiel
▶️ Demo | K-means-Algorithmus – teilt Irisblüten basierend auf petal_length und petal_width in Cluster auf

Anomalieerkennung

Unter Anomalieerkennung (auch Ausreißererkennung) versteht man die Identifizierung seltener Elemente, Ereignisse oder Beobachtungen, die Verdacht erregen, weil sie erheblich von der Mehrzahl der Daten abweichen.

Anwendungsbeispiele: Erkennung von Eindringlingen, Betrugserkennung, Überwachung des Systemzustands, Entfernen anomaler Daten aus dem Datensatz usw.

? Anomalieerkennung mithilfe der Gaußschen Verteilung

? Mathematik | Anomalieerkennung mithilfe der Gaußschen Verteilung – Theorie und Links für weitere Lektüre
Code | Anomalieerkennung mithilfe der Gaußschen Verteilung – Implementierungsbeispiel
▶️ Demo | Anomalieerkennung – Finden Sie Anomalien in Serverbetriebsparametern wie latency und threshold

Neuronales Netzwerk (NN)

Das neuronale Netzwerk selbst ist kein Algorithmus, sondern vielmehr ein Rahmenwerk für die Zusammenarbeit vieler verschiedener maschineller Lernalgorithmen und die Verarbeitung komplexer Dateneingaben.

Anwendungsbeispiele: als Ersatz für alle anderen Algorithmen im Allgemeinen, Bilderkennung, Spracherkennung, Bildverarbeitung (Anwenden eines bestimmten Stils), Sprachübersetzung usw.

? Mehrschichtiges Perzeptron (MLP)

? Mathematik | Mehrschichtiges Perzeptron – Theorie und Links für weiterführende Lektüre
Code | Multilayer Perceptron – Implementierungsbeispiel
▶️ Demo | Mehrschichtiges Perzeptron | MNIST – handgeschriebene Ziffern aus 28x28 Pixel großen Bildern erkennen
▶️ Demo | Mehrschichtiges Perzeptron | Fashion MNIST – Erkennen Sie die Art der Kleidung anhand von 28x28 -Pixel-Bildern

Karte des maschinellen Lernens

Die Quelle der folgenden Themenkarte zum maschinellen Lernen ist dieser wunderbare Blogbeitrag

Voraussetzungen

Python installieren

Stellen Sie sicher, dass Python auf Ihrem Computer installiert ist.

Möglicherweise möchten Sie die venv-Standard-Python-Bibliothek verwenden, um virtuelle Umgebungen zu erstellen und Python, pip und alle abhängigen Pakete aus dem lokalen Projektverzeichnis zu installieren und bereitzustellen, um Probleme mit systemweiten Paketen und deren Versionen zu vermeiden.

Abhängigkeiten installieren

Installieren Sie alle für das Projekt erforderlichen Abhängigkeiten, indem Sie Folgendes ausführen:

pip install -r requirements.txt

Jupyter lokal starten

Alle Demos im Projekt können direkt in Ihrem Browser ausgeführt werden, ohne dass Jupyter lokal installiert werden muss. Wenn Sie Jupyter Notebook jedoch lokal starten möchten, können Sie dies tun, indem Sie den folgenden Befehl im Stammordner des Projekts ausführen:

jupyter notebook

Danach wird Jupyter Notebook über http://localhost:8888 zugänglich sein.

Jupyter aus der Ferne starten

Jeder Algorithmusabschnitt enthält Demo-Links zu Jupyter NBViewer. Dies ist eine schnelle Online-Vorschau für Jupyter-Notebooks, mit der Sie Democode, Diagramme und Daten direkt in Ihrem Browser sehen können, ohne etwas lokal installieren zu müssen. Wenn Sie den Code ändern und mit dem Demo-Notebook experimentieren möchten, müssen Sie das Notebook in Binder starten. Sie können dies tun, indem Sie einfach auf den Link „Auf Binder ausführen“ in der oberen rechten Ecke des NBViewers klicken.