handson unsupervised learning

Apprentissage pratique non supervisé à l'aide de Python

Ce référentiel contient le code du livre d'O'Reilly Media, Inc. « Hands-on Unsupervised Learning Using Python : How to Build Applied Machine Learning Solutions from Unlabeled Data » d'Ankur A. Patel.

Site Web officiel du livre : https://www.unsupervisedlearningbook.com/thebook

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

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

En savoir plus sur l'auteur : https://www.ankurapatel.io

Mises à jour des versions

Mai 2021 : ajout de la prise en charge de TensorFlow 2.x, des exemples Fashion MNIST et de Tensorboard pour la réduction de dimensionnalité.

Description du livre

De nombreux experts du secteur considèrent l’apprentissage non supervisé comme la prochaine frontière de l’intelligence artificielle, une frontière qui pourrait détenir la clé du Saint Graal dans la recherche sur l’IA, ce qu’on appelle l’intelligence artificielle générale. Étant donné que la majorité des données mondiales ne sont pas étiquetées, l’apprentissage supervisé conventionnel ne peut pas être appliqué ; C'est là qu'intervient l'apprentissage non supervisé. L'apprentissage non supervisé peut être appliqué à des ensembles de données non étiquetés pour découvrir des modèles significatifs enfouis profondément dans les données, modèles qui peuvent être presque impossibles à découvrir pour les humains.

L'auteur Ankur Patel fournit des connaissances pratiques sur la façon d'appliquer l'apprentissage non supervisé à l'aide de deux frameworks Python simples et prêts pour la production : scikit-learn et TensorFlow. Grâce aux exemples pratiques et au code fournis, vous identifierez les modèles difficiles à trouver dans les données et obtiendrez des informations commerciales plus approfondies, détecterez les anomalies, effectuerez l'ingénierie et la sélection automatiques des fonctionnalités et générerez des ensembles de données synthétiques. Tout ce dont vous avez besoin est de la programmation et d’une certaine expérience en apprentissage automatique pour commencer.

• Comparez les forces et les faiblesses des différentes approches d'apprentissage automatique : apprentissage supervisé, non supervisé et par renforcement
• Mettre en place et gérer un projet d'apprentissage automatique de bout en bout - de l'acquisition de données à la création d'un modèle et à la mise en œuvre d'une solution en production
• Utilisez des algorithmes de réduction de dimensionnalité pour découvrir les informations les plus pertinentes dans les données et créer un système de détection d'anomalies pour détecter la fraude par carte de crédit.
• Appliquer des algorithmes de clustering pour segmenter les utilisateurs, tels que les emprunteurs, en groupes distincts et homogènes.
• Utiliser des encodeurs automatiques pour effectuer l'ingénierie et la sélection automatiques des fonctionnalités
• Combiner des algorithmes d'apprentissage supervisé et non supervisé pour développer des solutions semi-supervisées
• Créez des systèmes de recommandation de films à l'aide de machines Boltzmann restreintes
• Générez des images synthétiques à l'aide de réseaux de croyances profondes et de réseaux contradictoires génératifs
• Effectuer un clustering sur des données de séries chronologiques telles que des électrocardiogrammes
• Explorez les succès de l'apprentissage non supervisé à ce jour et son avenir prometteur

Laboratoire collaboratif Google

Si vous souhaitez utiliser Google Colab (au lieu de votre ordinateur local), veuillez suivre ces instructions pour exécuter le code sur Google Colab.

Configurer l'environnement Conda principal

Si vous souhaitez exécuter ce dépôt sur votre ordinateur local, veuillez suivre ces instructions ci-dessous.

1. Si vous êtes sous macOS, installez les outils de ligne de commande Xcode à l'aide xcode-select --install dans Terminal.

2. Installez la distribution Miniforge de Python 3.8 en fonction de votre système d'exploitation. Si vous êtes sous Windows, vous pouvez choisir la distribution Anaconda de Python 3.8 au lieu de la distribution Miniforge, si vous le souhaitez.

3. Pour la prise en charge du GPU NVIDIA, installez CUDA 11.0. Ceci n'est disponible que sur certains GPU NVIDIA.

4. Configurez un nouvel environnement Anaconda et suivez ces instructions en fonction de votre système d'exploitation.

Pour Windows :

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

Pour macOS :

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

5. Téléchargez des données depuis Google Drive (les fichiers sont trop volumineux pour être stockés et accessibles sur Github).

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

6. Exécutez les notebooks à l’aide de Jupyter.

    jupyter notebook
   

7. Si vous rencontrez des problèmes ou des erreurs avec la configuration, le code ou quoi que ce soit d'autre, veuillez envoyer un e-mail à l'auteur à [email protected].

Configurer TensorFlow pour l'environnement macOS Conda

Veuillez suivre ces instructions pour configurer TensorFlow pour macOS.

Pour 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 
```

Veuillez vous référer à ce guide TensorFlow pour macOS si vous rencontrez des problèmes ou contactez-nous.