handson unsupervised learning

Aprendizagem prática não supervisionada usando Python

Este repositório contém o código do livro da O'Reilly Media, Inc. "Aprendizado prático não supervisionado usando Python: como construir soluções de aprendizado de máquina aplicado a partir de dados não rotulados", de Ankur A. Patel.

Site oficial do livro: https://www.unsupervisedlearningbook.com/thebook

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

Disponível no O'Reilly Safari: https://www.oreilly.com/library/view/hands-on-unsupervised-learning/9781492035633/

Mais sobre o autor: https://www.ankurapatel.io

Atualizações de lançamento

Maio de 2021: suporte adicionado para TensorFlow 2.x, exemplos Fashion MNIST e Tensorboard para redução de dimensionalidade.

Descrição do livro

Muitos especialistas do setor consideram a aprendizagem não supervisionada a próxima fronteira da inteligência artificial, que pode ser a chave para o Santo Graal da investigação em IA, a chamada inteligência artificial geral. Dado que a maioria dos dados mundiais não está rotulada, a aprendizagem supervisionada convencional não pode ser aplicada; é aqui que entra a aprendizagem não supervisionada. A aprendizagem não supervisionada pode ser aplicada a conjuntos de dados não rotulados para descobrir padrões significativos enterrados profundamente nos dados, padrões que podem ser quase impossíveis de serem descobertos pelos humanos.

O autor Ankur Patel fornece conhecimento prático sobre como aplicar o aprendizado não supervisionado usando duas estruturas Python simples e prontas para produção: scikit-learn e TensorFlow. Com os exemplos práticos e o código fornecidos, você identificará padrões difíceis de encontrar nos dados e obterá insights de negócios mais profundos, detectará anomalias, realizará engenharia e seleção automática de recursos e gerará conjuntos de dados sintéticos. Tudo que você precisa é de programação e alguma experiência em aprendizado de máquina para começar.

• Compare os pontos fortes e fracos das diferentes abordagens de aprendizado de máquina: aprendizado supervisionado, não supervisionado e por reforço
• Configure e gerencie um projeto de aprendizado de máquina de ponta a ponta - tudo, desde a aquisição de dados até a construção de um modelo e implementação de uma solução em produção
• Use algoritmos de redução de dimensionalidade para descobrir as informações mais relevantes nos dados e construir um sistema de detecção de anomalias para detectar fraudes de cartão de crédito
• Aplicar algoritmos de agrupamento para segmentar usuários - como tomadores de empréstimos - em grupos distintos e homogêneos
• Use codificadores automáticos para realizar engenharia e seleção automática de recursos
• Combine algoritmos de aprendizagem supervisionada e não supervisionada para desenvolver soluções semissupervisionadas
• Construa sistemas de recomendação de filmes usando máquinas Boltzmann restritas
• Gere imagens sintéticas usando redes de crenças profundas e redes adversárias generativas
• Realize agrupamento em dados de séries temporais, como eletrocardiogramas
• Explore os sucessos da aprendizagem não supervisionada até o momento e seu futuro promissor

Colaborador Google

Se desejar usar o Google Colab (em vez de sua máquina local), siga estas instruções para executar o código no Google Colab.

Configurar ambiente principal do Conda

Se você deseja executar este repositório em sua máquina local, siga estas instruções abaixo.

1. Se você estiver no macOS, instale as ferramentas de linha de comando do Xcode usando xcode-select --install no Terminal.

2. Instale a distribuição Miniforge do Python 3.8 com base no seu sistema operacional. Se você estiver no Windows, poderá escolher a distribuição Anaconda do Python 3.8 em vez da distribuição Miniforge, se desejar.

3. Para suporte a GPU NVIDIA, instale CUDA 11.0. Disponível apenas em GPUs NVIDIA selecionadas.

4. Configure o novo ambiente Anaconda e siga estas instruções com base no seu sistema operacional.

Para Windows :

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

Para macOS :

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

5. Baixe dados do Google Drive (os arquivos são muito grandes para serem armazenados e acessados ​​no Github).

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

6. Execute os notebooks usando Jupyter.

    jupyter notebook
   

7. Se você encontrar quaisquer problemas ou erros com a configuração ou o código ou qualquer outra coisa, envie um e-mail ao autor para [email protected].

Configurar o TensorFlow para ambiente macOS Conda

Siga estas instruções para configurar o TensorFlow para macOS.

Para 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 
```

Consulte este guia do TensorFlow para macOS se tiver problemas ou entre em contato conosco.