Unduhan homemade machine learning - unduhan kode sumber homemade machine learning

homemade machine learning

ular piton

1.0.0

Unduh

Pembelajaran Mesin Buatan Sendiri

?? UKRAINA DISERANG TENTARA RUSIA. WARGA SIPIL TERBUNUH. DAERAH PERUMAHAN DIBOM.
Bantu Ukraina melalui:
Yayasan Amal Serhiy Prytula
Yayasan Amal Come Back Alive
Bank Nasional Ukraina
Info lebih lanjut tentang war.ukraine.ua dan MFA Ukraina

Baca ini dalam bahasa lain: Español

Anda mungkin tertarik pada:
GPT buatan sendiri • JS
Eksperimen Pembelajaran Mesin Interaktif

Untuk versi Oktaf/MatLab dari repositori ini, silakan periksa proyek oktaf pembelajaran mesin.

Repositori ini berisi contoh algoritme pembelajaran mesin populer yang diimplementasikan dengan Python dengan penjelasan matematika di belakangnya. Setiap algoritme memiliki demo Jupyter Notebook interaktif yang memungkinkan Anda bermain dengan data pelatihan, konfigurasi algoritme, dan segera melihat hasil, bagan, dan prediksi langsung di browser Anda . Dalam sebagian besar kasus, penjelasannya didasarkan pada kursus pembelajaran mesin hebat yang ditulis oleh Andrew Ng.

Tujuan dari repositori ini bukan untuk mengimplementasikan algoritme pembelajaran mesin dengan menggunakan one-liner perpustakaan pihak ^ketiga , melainkan untuk berlatih menerapkan algoritme ini dari awal dan mendapatkan pemahaman yang lebih baik tentang matematika di balik setiap algoritme. Itu sebabnya semua implementasi algoritma disebut "buatan sendiri" dan tidak dimaksudkan untuk digunakan dalam produksi.

Pembelajaran yang Diawasi

Dalam pembelajaran yang diawasi, kami memiliki sekumpulan data pelatihan sebagai masukan dan sekumpulan label atau "jawaban yang benar" untuk setiap kumpulan pelatihan sebagai keluaran. Kemudian kami melatih model kami (parameter algoritme pembelajaran mesin) untuk memetakan masukan ke keluaran dengan benar (untuk melakukan prediksi yang benar). Tujuan utamanya adalah untuk menemukan parameter model yang akan berhasil melanjutkan pemetaan input→output (prediksi) yang benar bahkan untuk contoh input baru.

Regresi

Dalam masalah regresi kami melakukan prediksi nilai nyata. Pada dasarnya kami mencoba menggambar garis/bidang/bidang n-dimensi sepanjang contoh pelatihan.

Contoh penggunaan: perkiraan harga saham, analisis penjualan, ketergantungan angka berapa pun, dll.

? Regresi Linier

? Matematika | Regresi Linier - teori dan tautan untuk bacaan lebih lanjut
Kode | Regresi Linier - contoh implementasi
▶️ Demo | Regresi Linier Univariat - memprediksi skor country happiness berdasarkan economy GDP
▶️ Demo | Regresi Linier Multivariat - memprediksi skor country happiness berdasarkan economy GDP dan freedom index
▶️ Demo | Regresi Non-linier - gunakan regresi linier dengan fitur polinomial dan sinusoidal untuk memprediksi ketergantungan non-linier

Klasifikasi

Dalam masalah klasifikasi kami membagi contoh masukan berdasarkan karakteristik tertentu.

Contoh penggunaan: filter spam, deteksi bahasa, pencarian dokumen serupa, pengenalan huruf tulisan tangan, dll.

? Regresi Logistik

? Matematika | Regresi Logistik - teori dan tautan untuk bacaan lebih lanjut
Kode | Regresi Logistik - contoh implementasi
▶️ Demo | Regresi Logistik (Batas Linier) - memprediksi class bunga Iris berdasarkan petal_length dan petal_width
▶️ Demo | Regresi Logistik (Batas Non-Linear) - memprediksi validity microchip berdasarkan param_1 dan param_2
▶️ Demo | Regresi Logistik Multivariat | MNIST - mengenali angka tulisan tangan dari gambar 28x28 piksel
▶️ Demo | Regresi Logistik Multivariat | Fashion MNIST - mengenali jenis pakaian dari gambar 28x28 piksel

Pembelajaran Tanpa Pengawasan

Pembelajaran tanpa pengawasan adalah cabang pembelajaran mesin yang belajar dari data pengujian yang belum diberi label, klasifikasi, atau kategori. Alih-alih merespons umpan balik, pembelajaran tanpa pengawasan mengidentifikasi kesamaan dalam data dan bereaksi berdasarkan ada atau tidaknya kesamaan tersebut di setiap data baru.

Kekelompokan

Dalam masalah pengelompokan, kami membagi contoh pelatihan berdasarkan karakteristik yang tidak diketahui. Algoritme itu sendiri yang memutuskan karakteristik apa yang akan digunakan untuk pemisahan.

Contoh penggunaan: segmentasi pasar, analisis jaringan sosial, pengorganisasian cluster komputasi, analisis data astronomi, kompresi gambar, dll.

? Algoritma K-means

? Matematika | Algoritma K-means - teori dan tautan untuk bacaan lebih lanjut
Kode | Algoritma K-means - contoh implementasi
▶️ Demo | Algoritma K-means - membagi bunga Iris menjadi beberapa kelompok berdasarkan petal_length dan petal_width

Deteksi Anomali

Deteksi anomali (juga deteksi outlier) adalah identifikasi item, peristiwa, atau observasi langka yang menimbulkan kecurigaan karena berbeda secara signifikan dari sebagian besar data.

Contoh penggunaan: deteksi intrusi, deteksi penipuan, pemantauan kesehatan sistem, penghapusan data anomali dari kumpulan data, dll.

? Deteksi Anomali menggunakan Distribusi Gaussian

? Matematika | Deteksi Anomali menggunakan Distribusi Gaussian - teori dan tautan untuk bacaan lebih lanjut
Kode | Deteksi Anomali menggunakan Distribusi Gaussian - contoh implementasi
▶️ Demo | Deteksi Anomali - temukan anomali dalam parameter operasional server seperti latency dan threshold

Jaringan Syaraf Tiruan (NN)

Jaringan saraf itu sendiri bukanlah sebuah algoritma, melainkan sebuah kerangka kerja untuk banyak algoritma pembelajaran mesin yang berbeda untuk bekerja sama dan memproses input data yang kompleks.

Contoh penggunaan: sebagai pengganti semua algoritma lain pada umumnya, pengenalan gambar, pengenalan suara, pemrosesan gambar (menerapkan gaya tertentu), terjemahan bahasa, dll.

? Perceptron Multilapis (MLP)

? Matematika | Multilayer Perceptron - teori dan tautan untuk bacaan lebih lanjut
Kode | Multilayer Perceptron - contoh implementasi
▶️ Demo | Perceptron Multilapis | MNIST - mengenali angka tulisan tangan dari gambar 28x28 piksel
▶️ Demo | Perceptron Multilapis | Fashion MNIST - mengenali jenis pakaian dari gambar 28x28 piksel

Peta Pembelajaran Mesin

Sumber peta topik pembelajaran mesin berikut adalah postingan blog yang luar biasa ini

Prasyarat

Menginstal Python

Pastikan Anda telah menginstal Python di mesin Anda.

Anda mungkin ingin menggunakan pustaka Python standar venv untuk membuat lingkungan virtual dan menginstal Python, pip , dan semua paket dependen dan menyajikannya dari direktori proyek lokal untuk menghindari kekacauan dengan paket seluruh sistem dan versinya.

Menginstal Dependensi

Instal semua dependensi yang diperlukan untuk proyek dengan menjalankan:

pip install -r requirements.txt

Meluncurkan Jupyter Secara Lokal

Semua demo dalam proyek dapat dijalankan langsung di browser Anda tanpa menginstal Jupyter secara lokal. Namun jika Anda ingin meluncurkan Jupyter Notebook secara lokal, Anda dapat melakukannya dengan menjalankan perintah berikut dari folder root proyek:

jupyter notebook

Setelah itu Notebook Jupyter akan dapat diakses melalui http://localhost:8888 .

Meluncurkan Jupyter dari Jarak Jauh

Setiap bagian algoritma berisi tautan demo ke Jupyter NBViewer. Ini adalah pratinjau online cepat untuk notebook Jupyter tempat Anda dapat melihat kode demo, bagan, dan data langsung di browser Anda tanpa menginstal apa pun secara lokal. Jika Anda ingin mengubah kode dan bereksperimen dengan buku catatan demo, Anda perlu meluncurkan buku catatan di Binder. Anda dapat melakukannya hanya dengan mengeklik tautan "Jalankan di Binder" di sudut kanan atas NBViewer.