handson unsupervised learning

Praktisches unbeaufsichtigtes Lernen mit Python

Dieses Repo enthält den Code für das Buch „Hands-on Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data“ von O'Reilly Media, Inc. von Ankur A. Patel.

Offizielle Buch-Website: https://www.unsupervisedlearningbook.com/thebook

Verfügbar auf Amazon: https://www.amazon.com/Hands-Unsupervised-Learning-Using-Python/dp/1492035645

Verfügbar auf O'Reilly Safari: https://www.oreilly.com/library/view/hands-on-unsupervised-learning/9781492035633/

Mehr zum Autor: https://www.ankurapatel.io

Release-Updates

Mai 2021: Unterstützung für TensorFlow 2.x, Fashion MNIST-Beispiele und Tensorboard für Dimensionalitätsreduktion hinzugefügt.

Buchbeschreibung

Viele Branchenexperten betrachten unbeaufsichtigtes Lernen als die nächste Grenze der künstlichen Intelligenz, die möglicherweise den Schlüssel zum heiligen Gral der KI-Forschung, der sogenannten allgemeinen künstlichen Intelligenz, darstellt. Da der Großteil der Daten weltweit unbeschriftet ist, kann herkömmliches überwachtes Lernen nicht angewendet werden; Hier kommt unüberwachtes Lernen ins Spiel. Unüberwachtes Lernen kann auf unbeschriftete Datensätze angewendet werden, um tief in den Daten verborgene sinnvolle Muster zu entdecken, Muster, die für Menschen möglicherweise kaum aufzudecken sind.

Der Autor Ankur Patel bietet praktisches Wissen zur Anwendung von unüberwachtem Lernen mit zwei einfachen, produktionsbereiten Python-Frameworks – scikit-learn und TensorFlow. Mithilfe der praktischen Beispiele und des bereitgestellten Codes können Sie schwer zu findende Muster in Daten identifizieren und tiefere Geschäftseinblicke gewinnen, Anomalien erkennen, automatisches Feature-Engineering und -Auswahl durchführen und synthetische Datensätze generieren. Alles, was Sie brauchen, ist Programmieren und etwas Erfahrung im maschinellen Lernen, um loszulegen.

• Vergleichen Sie die Stärken und Schwächen der verschiedenen Ansätze des maschinellen Lernens: überwachtes, unüberwachtes und verstärkendes Lernen
• Richten Sie ein Machine-Learning-Projekt durchgängig ein und verwalten Sie es – von der Datenerfassung über den Aufbau eines Modells bis hin zur Implementierung einer Lösung in der Produktion
• Verwenden Sie Algorithmen zur Dimensionsreduzierung, um die relevantesten Informationen in Daten aufzudecken und ein Anomalieerkennungssystem aufzubauen, um Kreditkartenbetrug aufzudecken
• Wenden Sie Clustering-Algorithmen an, um Benutzer – beispielsweise Kreditnehmer – in verschiedene und homogene Gruppen zu unterteilen
• Verwenden Sie Autoencoder, um die automatische Feature-Entwicklung und -Auswahl durchzuführen
• Kombinieren Sie überwachte und unüberwachte Lernalgorithmen, um halbüberwachte Lösungen zu entwickeln
• Erstellen Sie Filmempfehlungssysteme mit eingeschränkten Boltzmann-Maschinen
• Generieren Sie synthetische Bilder mithilfe von Deep-Believe-Netzwerken und generativen gegnerischen Netzwerken
• Führen Sie Clustering für Zeitreihendaten wie Elektrokardiogramme durch
• Entdecken Sie die bisherigen Erfolge des unbeaufsichtigten Lernens und seine vielversprechende Zukunft

Google-Kolaboratorium

Wenn Sie Google Colab (anstelle Ihres lokalen Computers) verwenden möchten, befolgen Sie bitte diese Anweisungen, um den Code auf Google Colab auszuführen.

Richten Sie die Conda-Hauptumgebung ein

Wenn Sie dieses Repo auf Ihrem lokalen Computer ausführen möchten, befolgen Sie bitte die folgenden Anweisungen.

1. Wenn Sie macOS verwenden, installieren Sie die Xcode-Befehlszeilentools mit xcode-select --install im Terminal.

2. Installieren Sie die Miniforge-Distribution von Python 3.8 basierend auf Ihrem Betriebssystem. Wenn Sie Windows verwenden, können Sie bei Bedarf die Anaconda-Distribution von Python 3.8 anstelle der Miniforge-Distribution wählen.

3. Für NVIDIA-GPU-Unterstützung installieren Sie CUDA 11.0. Dies ist nur auf ausgewählten NVIDIA-GPUs verfügbar.

4. Richten Sie eine neue Anaconda-Umgebung ein und befolgen Sie diese Anweisungen basierend auf Ihrem Betriebssystem.

Für Windows :

 ```
conda env create -f environment_windows.yml
conda activate unsupervisedLearning
pip install -r requirements_windows.txt
```

Für macOS :

 ```
conda env create -f environment_mac.yml
conda activate unsupervisedLearning
pip install -r requirements_mac.txt
```

5. Laden Sie Daten von Google Drive herunter (Dateien sind zu groß, um sie auf Github zu speichern und darauf zuzugreifen).

    https://drive.google.com/drive/folders/1TQVOPUU4tVOYZvdpbxUo6uOCh0jvWNhv?usp=sharing
   

6. Führen Sie die Notebooks mit Jupyter aus.

    jupyter notebook
   

7. Wenn Sie Probleme oder Fehler mit der Einrichtung, dem Code oder irgendetwas anderem haben, senden Sie bitte eine E-Mail an den Autor an [email protected].

Richten Sie TensorFlow für die macOS Conda-Umgebung ein

Bitte befolgen Sie diese Anweisungen, um TensorFlow für macOS einzurichten.

Für macOS :

 ```
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 
```

Bitte lesen Sie diese TensorFlow für macOS-Anleitung, wenn Sie auf Probleme stoßen, oder kontaktieren Sie uns.