ML HARwithDTs
1.0.0
Die menschliche Aktivitätserkennung (HAR) bezieht sich auf die Fähigkeit von Maschinen, verschiedene von den Benutzern durchgeführte Aktivitäten zu identifizieren. Das von diesen Systemen/Algorithmen erfasste Wissen ist in viele Anwendungen integriert, in denen das zugehörige Gerät es verwendet, um Aktionen oder Gesten zu identifizieren und vordefinierte Aufgaben als Reaktion durchzuführen.
Wir sind daran interessiert, menschliche Aktivitäten basierend auf Beschleunigungsmesserdaten zu klassifizieren. Wir werden einen öffentlich verfügbaren Datensatz namens UCI-Har verwenden. Der Datensatz kann hier heruntergeladen werden. Nur für Ihre Referenz ist auch ein YouTube -Video der Autoren, die die Beschleunigungsmesserdaten des Teilnehmers sammeln, auch hier verfügbar.
Wir werden die RAW Accelerometer -Daten im Ordner "Inertial_signals" verwenden. Das bereitgestellte Skript CombineScript.py , organisiert und sortiert Beschleunigungsdaten, erstellt separate Klassen für jede Kategorie und kompiliert Teilnehmerdaten in diese Klassen. MakeDataset.py Skript wird verwendet, um alle Teilnehmerdaten durchzulesen und einen einzelnen Datensatz zu erstellen. Der Datensatz wird dann in den Zug-, Test- und Validierungssatz aufgeteilt. Wir konzentrieren uns auf die ersten 10 Sekunden der Aktivität, die aufgrund einer Stichprobenrate von 50 Hz zu den ersten 500 Datenproben führen.
CombineScript.py und MakeDataset.py in denselben Ordner, der den UCI-Datensatz enthält. Stellen Sie sicher, dass Sie in den Ordner umgezogen sind, bevor Sie die Skripte ausführen. Wenn Sie die Skripte aus einem anderen Ordner ausführen, müssen Sie mit den Pfaden in den Skripten herumspielen, damit es funktioniert.CombineScript.py und geben Sie die Pfade zum Testen und Trainer im UCI-Datensatz an. Dadurch wird ein Ordner namens Combined erstellt, der alle Daten von allen Teilnehmern enthält. So werden die meisten Datensätze organisiert. Sie können in Zukunft ähnliche Datensatzstrukturen begegnen.MakeDataset.py ausführen und den Pfad zum Combined Ordner geben. Dadurch wird ein Datensatz erstellt, der den Zug-, Test- und Validierungssatz enthält. Sie können diesen Datensatz verwenden, um Ihre Modelle zu trainieren.Auf der Aufforderung von Null-Shots beinhaltet die Bereitstellung eines Sprachmodells mit einer Eingabeaufforderung oder einer Reihe von Anweisungen, mit denen es Text generieren oder eine Aufgabe ohne explizite Trainingsdaten oder beschriftete Beispiele ausführen kann. Es wird erwartet, dass das Modell hochwertige Text erzeugt oder die Aufgabe genau ausschließlich auf der Eingabeaufforderung und ihrem internen Wissen ausführt.
Nur wenige Schussaufforderung ähnelt der Aufforderung von Null-Schotten, beinhaltet jedoch die Bereitstellung einer begrenzten Anzahl von Beispielen oder Eingabeaufforderungen, die für die spezifische Aufgabe oder den Datensatz relevant sind. Es wird dann erwartet, dass das Modell hochwertige Text erzeugt oder die Aufgabe genau basierend auf den wenigen beschrifteten Beispielen und ihrem internen Wissen ausführt.
Sie wurden mit einem Python-Notizbuch zur Verfügung gestellt, das demonstriert, wie man mit einem Sprachmodell (LLM) null-shot- und wenige Shot-Aufforderung verwendet wird. Das Beispiel im Notizbuch umfasst textbasierte Aufgaben, aber LLMs können auch auf eine Vielzahl von Aufgaben angewendet werden (Schüler, die am Erlernen von mehr Lesen hier und hier lesen können).
Abfragen werden in Form von geschützten Beschleunigungsmesserdaten bereitgestellt, und das Modell sollte die durchgeführte Aktivität vorhersagen.
Für diese Übungsmarken hängt nicht von den Zahlen ab, die Sie erhalten, sondern von dem von Ihnen folgenden Vorgang. Verwenden Sie Apps wie Physics Toolbox Suite von Ihrem Smartphone aus, um Ihre Daten im .csv/.txt -Format zu sammeln. Stellen Sie sicher, dass mindestens 15 Sekunden Daten gesammelt werden, und die Kanten abschneiden, um 10 Sekunden relevanter Daten zu erhalten. Nehmen Sie auch ein Video von sich selbst auf, während Sie Daten aufzeichnen. Dieses Video wird in einigen zukünftigen Aufgaben erforderlich sein. Sammeln Sie 3-5 Proben pro Aktivitätsklasse.
Vervollständigen Sie die Entscheidungsbaumumsetzung in Baum/Basis.py. Der Code sollte in Python geschrieben werden und nicht vorhandene Bibliotheken als die in der Klasse freigegebenen oder bereits im Code importierten Bibliotheken verwenden. Ihr Entscheidungsbaum sollte für vier Fälle funktionieren: i) diskrete Merkmale, diskrete Ausgabe; ii) diskrete Merkmale, reale Ausgabe; iii) reale Merkmale, diskrete Ausgabe; Echte Funktionen, echte Ausgabe. Ihr Modell sollte nur echte Eingänge akzeptieren (für diskrete Eingänge können Sie die Attribute in einhot codierte Vektoren umwandeln). Ihr Entscheidungsbaum sollte in der Lage sein, InformationGain mit Entropie oder GiniIndex als Kriterien für die Aufteilung für diskrete Ausgabe zu verwenden. Ihr Entscheidungsbaum sollte in der Lage sein, InformationGain mit MSE als Kriterien für die Aufteilung für die echte Ausgabe zu verwenden. Ihr Code sollte auch in der Lage sein, den Entscheidungsbaum zu zeichnen/anzuzeigen. [2,5 Punkte]
Sie sollten die folgenden Dateien bearbeiten.
metrics.py : Füllen Sie die Leistungsmetriken in dieser Datei aus.
usage.py : Führen Sie diese Datei aus, um Ihre Lösungen zu überprüfen.
Baum (Verzeichnis): Modul für Entscheidungsbaum.
base.py : Komplette Entscheidungsbaumklasse.utils.py : Vervollständigen Sie alle Dienstprogrammfunktionen.__init__.py : Bearbeiten Sie dies nichtSie sollten useage.py ausführen, um Ihre Lösungen zu überprüfen.
Generieren Sie Ihren Datensatz mit den folgenden Codezeilen
from sklearn . datasets import make_classification
X , y = make_classification (
n_features = 2 , n_redundant = 0 , n_informative = 2 , random_state = 1 , n_clusters_per_class = 2 , class_sep = 0.5 )
# For plotting
import matplotlib . pyplot as plt
plt . scatter ( X [:, 0 ], X [:, 1 ], c = y )a) Zeigen Sie die Verwendung Ihres Entscheidungsbaums auf dem obigen Datensatz an. Die ersten 70% der Daten sollten für Trainingszwecke und die verbleibenden 30% für Testzwecke verwendet werden. Zeigen Sie die Genauigkeit, die Präzision und den Rückruf des Entscheidungsbaums, den Sie im Testdatensatz implementiert haben. [0,5 Mark]
b) Verwenden Sie die 5-fache Kreuzvalidierung im Datensatz. Mit verschachtelter Kreuzvalidierung die optimale Tiefe des Baumes finden. [1 Mark]
Sie sollten
classification-exp.pyfür den Code bearbeiten, der die obigen Experimente enthält.
a) Zeigen Sie die Verwendung Ihres Entscheidungsbaums für das Problem der Automobileffizienz. [0,5 Punkte]
b) Vergleichen Sie die Leistung Ihres Modells mit dem Entscheidungsbaummodul von Scikit Learn. [0,5 Punkte]
Sie sollten
auto-efficiency.pybearbeiten.py für den Code, der die obigen Experimente enthält.
Erstellen Sie einige gefälschte Daten, um einige Experimente zur Laufzeitkomplexität Ihres Entscheidungsbaumalgorithmus durchzuführen. Erstellen Sie einen Datensatz mit N -Samples und M -Binärfunktionen. Variieren Sie m und n, um die Zeit zu zeichnen, die für: 1) den Baum lernen, 2) Vorhersage für Testdaten. Wie sind diese Ergebnisse mit der theoretischen Zeitkomplexität für die Erstellung und Vorhersage von Entscheidungenbäumen verglichen? Sie sollten den Vergleich für alle vier Fälle von Entscheidungsbäumen durchführen. [1 Marks]
Sie sollten
experiments.pybearbeiten.py für den Code, der die obigen Experimente enthält.
Sie müssen die Themenfragen (Visualisierung, Zeitanalyse, Anzeigen von Diagrammen) beantworten, indem Sie Asst#<task-name>_<Q#>.md erstellen
