Machine Learning with Python

Notebook Jupyter Pembelajaran Mesin Python (situs web ML)

Tirthajyoti Sarkar, Fremont, California (Silakan terhubung di LinkedIn di sini)

---

Lihat juga Repo super berguna yang saya kurasi

• Makalah yang banyak dikutip dan bermanfaat terkait dengan pembelajaran mesin, pembelajaran mendalam, AI, teori permainan, pembelajaran penguatan

• Tautan sumber daya yang dikurasi dengan cermat untuk ilmu data di satu tempat

Persyaratan

• Python 3.6+
• NumPy ( pip install numpy )
• Panda ( pip install pandas )
• Scikit-belajar ( pip install scikit-learn )
• SciPy ( pip install scipy )
• Statsmodels ( pip install statsmodels )
• MatplotLib ( pip install matplotlib )
• Seaborn ( pip install seaborn )
• Sympy ( pip install sympy )
• Labu ( pip install flask )
• WTForms ( pip install wtforms )
• Tensorflow ( pip install tensorflow>=1.15 )
• Keras ( pip install keras )
• pdpipe ( pip install pdpipe )

---

Anda bisa memulai dengan artikel yang saya tulis di majalah Heartbeat (di platform Medium):

"Beberapa Peretasan dan Trik Penting untuk Pembelajaran Mesin dengan Python"

Buku catatan jenis tutorial penting tentang Pandas dan Numpy

Notebook Jupyter mencakup berbagai fungsi dan operasi pada topik NumPy, Pandans, Seaborn, Matplotlib, dll.

• Operasi Numpy yang mendetail
• Operasi Panda yang mendetail
• Dasar-dasar cepat Numpy dan Pandas
• Dasar-dasar cepat Matplotlib dan Seaborn
• Operasi Panda tingkat lanjut
• Cara membaca berbagai sumber data
• Demo pembacaan PDF dan pemrosesan tabel
• Seberapa cepat operasi Numpy dibandingkan dengan kode Python murni? (Baca artikel saya di Medium terkait topik ini)
• Membaca cepat dari Numpy menggunakan format file .npy (Baca artikel saya di Medium tentang topik ini)

Buku catatan jenis tutorial yang mencakup regresi, klasifikasi, pengelompokan, pengurangan dimensi, dan beberapa algoritma jaringan saraf dasar

Regresi

• Regresi linier sederhana dengan pembangkitan t-statistik

• Berbagai cara untuk melakukan regresi linier dengan Python dan perbandingan kecepatannya (lihat artikel yang saya tulis di freeCodeCamp)

• Regresi multivariat dengan regularisasi

• Regresi polinomial menggunakan fitur pipeline scikit-learn (lihat artikel yang saya tulis di Towards Data Science )

• Pohon keputusan dan regresi Random Forest (menunjukkan bagaimana Random Forest bekerja sebagai meta-estimator yang kuat/teratur yang menolak overfitting)

• Analisis visual terperinci dan uji diagnostik kesesuaian untuk masalah regresi linier

• Regresi linier yang kuat menggunakan HuberRegressor dari Scikit-learn

---

Klasifikasi

• Regresi/klasifikasi logistik (Ini Notebooknya)

• k -klasifikasi tetangga terdekat (Ini Notebooknya)

• Pohon Keputusan dan Klasifikasi Hutan Acak (Ini Buku Catatannya)

• Mendukung klasifikasi mesin vektor (Ini Notebooknya) ( lihat artikel yang saya tulis di Menuju Ilmu Data pada SVM dan algoritma pengurutan)

• Klasifikasi Naive Bayes (Ini Notebooknya)

---

Kekelompokan

• K -means clustering (Ini Notebooknya)

• Propagasi afinitas (menunjukkan kompleksitas waktu dan pengaruh faktor redaman) (Ini Notebooknya)

• Teknik mean-shift (menunjukkan kompleksitas waktu dan pengaruh noise pada penemuan cluster) (Ini Notebooknya)

• DBSCAN (menunjukkan bagaimana secara umum dapat mendeteksi area dengan kepadatan tinggi terlepas dari bentuk cluster, yang gagal dilakukan oleh k-means) (Ini Notebooknya)

• Pengelompokan hierarki dengan Dendogram menunjukkan cara memilih jumlah cluster yang optimal (Ini Notebooknya)

---

Pengurangan dimensi

• Analisis komponen utama

---

Pembelajaran Mendalam/Jaringan Syaraf Tiruan

• Buku catatan demo untuk mengilustrasikan keunggulan jaringan saraf dalam untuk tugas perkiraan fungsi nonlinier yang kompleks
• Pembuatan jaringan padat 1 lapisan tersembunyi dan 2 lapisan tersembunyi secara bertahap menggunakan metode TensorFlow dasar

---

Pembuatan data acak menggunakan ekspresi simbolik

• Cara menggunakan paket Sympy untuk menghasilkan kumpulan data acak menggunakan ekspresi matematika simbolik.

• Berikut artikel saya di Medium tentang topik ini: Regresi acak dan pembuatan masalah klasifikasi dengan ekspresi simbolik

---

Teknik pembuatan data sintetis

• Buku catatan di sini

Contoh penerapan sederhana (menyajikan model ML di API web)

• Melayani model regresi linier melalui antarmuka server HTTP sederhana. Pengguna perlu meminta prediksi dengan menjalankan skrip Python. Menggunakan Flask dan Gunicorn .

• Melayani jaringan saraf berulang (RNN) melalui halaman web HTTP, lengkap dengan formulir web, tempat pengguna dapat memasukkan parameter dan mengklik tombol untuk menghasilkan teks berdasarkan model RNN yang telah dilatih sebelumnya. Menggunakan Flask , Jinja , Keras / TensorFlow , WTForms .

---

Pemrograman berorientasi objek dengan pembelajaran mesin

Menerapkan beberapa prinsip inti OOP dalam konteks pembelajaran mesin dengan membuat estimator mirip Scikit-learn Anda sendiri, dan menjadikannya lebih baik.

Lihat artikel saya di Medium tentang topik ini.

• Pemrograman berorientasi objek untuk data scientist: Bangun estimator ML Anda
• Bagaimana perpaduan sederhana pemrograman berorientasi objek dapat mempertajam prototipe pembelajaran mendalam Anda

---

Unit menguji kode ML dengan Pytest

Periksa file dan instruksi terperinci di direktori Pytest untuk memahami bagaimana seseorang harus menulis kode/modul pengujian unit untuk model pembelajaran mesin

---

Pembuatan profil memori dan waktu

Membuat profil kode ilmu data dan model ML untuk jejak memori dan waktu komputasi adalah area yang penting namun sering kali diabaikan. Berikut adalah beberapa Buku Catatan yang menunjukkan idenya,

• Pembuatan profil memori menggunakan Scalene
• Kode ilmu data profil waktu