handson unsupervised learning

Pembelajaran Langsung Tanpa Pengawasan Menggunakan Python

Repo ini berisi kode untuk buku O'Reilly Media, Inc. "Pembelajaran Praktis Tanpa Pengawasan Menggunakan Python: Cara Membangun Solusi Pembelajaran Mesin Terapan dari Data Tanpa Label" oleh Ankur A. Patel.

Situs Web Buku Resmi: https://www.unsupervisedlearningbook.com/thebook

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

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

Lebih lanjut tentang Penulis: https://www.ankurapatel.io

Rilis Pembaruan

Mei 2021: Menambahkan dukungan untuk TensorFlow 2.x, contoh Fashion MNIST, dan Tensorboard untuk Pengurangan Dimensi.

Deskripsi Buku

Banyak pakar industri yang menganggap pembelajaran tanpa pengawasan sebagai terobosan berikutnya dalam kecerdasan buatan, yang mungkin merupakan kunci utama dalam penelitian AI, yang disebut kecerdasan buatan umum. Karena sebagian besar data di dunia tidak diberi label, pembelajaran konvensional yang diawasi tidak dapat diterapkan; di sinilah pembelajaran tanpa pengawasan berperan. Pembelajaran tanpa pengawasan dapat diterapkan pada kumpulan data yang tidak diberi label untuk menemukan pola bermakna yang terkubur jauh di dalam data, pola yang mungkin hampir mustahil untuk diungkap oleh manusia.

Penulis Ankur Patel memberikan pengetahuan praktis tentang cara menerapkan pembelajaran tanpa pengawasan menggunakan dua framework Python sederhana yang siap produksi - scikit-learn dan TensorFlow. Dengan contoh dan kode praktis yang diberikan, Anda akan mengidentifikasi pola data yang sulit ditemukan dan mendapatkan wawasan bisnis yang lebih mendalam, mendeteksi anomali, melakukan rekayasa dan pemilihan fitur otomatis, serta menghasilkan kumpulan data sintetis. Yang Anda butuhkan hanyalah pemrograman dan pengalaman pembelajaran mesin untuk memulai.

• Bandingkan kekuatan dan kelemahan berbagai pendekatan pembelajaran mesin: pembelajaran yang diawasi, tanpa pengawasan, dan penguatan
• Menyiapkan dan mengelola proyek pembelajaran mesin secara menyeluruh - mulai dari akuisisi data hingga pembuatan model dan penerapan solusi dalam produksi
• Gunakan algoritme reduksi dimensi untuk mengungkap informasi paling relevan dalam data dan membangun sistem deteksi anomali untuk menangkap penipuan kartu kredit
• Terapkan algoritme pengelompokan untuk mengelompokkan pengguna - seperti peminjam pinjaman - ke dalam kelompok yang berbeda dan homogen
• Gunakan autoencoder untuk melakukan rekayasa dan pemilihan fitur otomatis
• Gabungkan algoritme pembelajaran yang diawasi dan tanpa pengawasan untuk mengembangkan solusi semi-supervisi
• Bangun sistem rekomendasi film menggunakan mesin Boltzmann yang dibatasi
• Hasilkan gambaran sintetik menggunakan jaringan keyakinan mendalam dan jaringan permusuhan generatif
• Lakukan pengelompokan pada data deret waktu seperti elektrokardiogram
• Jelajahi keberhasilan pembelajaran tanpa pengawasan hingga saat ini dan masa depan yang menjanjikan

Kolaborasi Google

Jika Anda ingin menggunakan Google Colab (bukan mesin lokal Anda), ikuti petunjuk berikut untuk menjalankan kode di Google Colab.

Siapkan Lingkungan Conda Utama

Jika Anda ingin menjalankan repo ini di mesin lokal Anda, ikuti petunjuk di bawah ini.

1. Jika Anda menggunakan macOS, instal Alat Baris Perintah Xcode menggunakan xcode-select --install di Terminal.

2. Instal distribusi Miniforge Python 3.8 berdasarkan OS Anda. Jika Anda menggunakan Windows, Anda dapat memilih distribusi Anaconda dari Python 3.8 daripada distribusi Miniforge, jika Anda mau.

3. Untuk dukungan GPU NVIDIA, instal CUDA 11.0. Ini hanya tersedia pada GPU NVIDIA tertentu.

4. Siapkan lingkungan Anaconda baru dan ikuti petunjuk ini berdasarkan OS Anda.

Untuk Windows :

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

Untuk macOS :

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

5. Unduh data dari Google Drive (file terlalu besar untuk disimpan dan diakses di Github).

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

6. Jalankan notebook menggunakan Jupyter.

    jupyter notebook
   

7. Jika Anda mengalami masalah atau kesalahan apa pun dengan pengaturan atau kode atau apa pun, silakan kirim email ke penulis di [email protected].

Siapkan TensorFlow untuk Lingkungan macOS Conda

Harap ikuti petunjuk berikut untuk menyiapkan TensorFlow untuk macOS.

Untuk 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 
```

Silakan lihat panduan TensorFlow untuk macOS ini jika Anda mengalami masalah atau hubungi kami.