Загрузить handson unsupervised learning - handson unsupervised learning Загрузка исходного кода

handson unsupervised learning

AI Исходный код

Better support for Tensor

Скачать

Практическое обучение без учителя с использованием Python

Этот репозиторий содержит код для книги O'Reilly Media, Inc. «Практическое обучение без учителя с использованием Python: как создавать прикладные решения машинного обучения на основе немаркированных данных» Анкура А. Пателя.

Официальный сайт книги: https://www.unsupervisedlearningbook.com/thebook.

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

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

Подробнее об авторе: https://www.ankurapatel.io

Обновления выпуска

Май 2021 г.: добавлена поддержка TensorFlow 2.x, примеров Fashion MNIST и Tensorboard для уменьшения размерности.

Описание книги

Многие отраслевые эксперты считают обучение без присмотра следующим рубежом в области искусственного интеллекта, который может содержать ключ к Святому Граалю в исследованиях ИИ, так называемому общему искусственному интеллекту. Поскольку большая часть мировых данных не размечена, традиционное обучение с учителем не может быть применено; Именно здесь на помощь приходит обучение без учителя. Обучение без учителя можно применять к неразмеченным наборам данных, чтобы обнаружить значимые закономерности, спрятанные глубоко в данных, закономерности, которые людям практически невозможно обнаружить.

Автор Анкур Патель предоставляет практические знания о том, как применять обучение без учителя, используя две простые, готовые к использованию среды Python — scikit-learn и TensorFlow. С помощью практических примеров и предоставленного кода вы сможете выявить закономерности в данных, которые трудно обнаружить, получить более глубокое понимание бизнеса, обнаружить аномалии, выполнить автоматическое проектирование и выбор функций, а также создать синтетические наборы данных. Все, что вам нужно, это программирование и некоторый опыт машинного обучения, чтобы начать работу.

Сравните сильные и слабые стороны различных подходов машинного обучения: контролируемого, неконтролируемого и обучения с подкреплением.
Комплексная настройка проекта машинного обучения и управление им — все, от сбора данных до построения модели и внедрения решения в производство.
Используйте алгоритмы уменьшения размерности, чтобы выявить наиболее важную информацию в данных и создать систему обнаружения аномалий для выявления случаев мошенничества с кредитными картами.
Применяйте алгоритмы кластеризации для сегментации пользователей, например заемщиков по кредитам, на отдельные и однородные группы.
Используйте автоэнкодеры для автоматического проектирования и выбора функций.
Объедините алгоритмы контролируемого и неконтролируемого обучения для разработки полуконтролируемых решений.
Создавайте системы рекомендации фильмов, используя ограниченные машины Больцмана.
Создавайте синтетические изображения, используя сети глубоких убеждений и генеративно-состязательные сети.
Выполнение кластеризации данных временных рядов, таких как электрокардиограммы.
Узнайте об успехах обучения без учителя на сегодняшний день и его многообещающем будущем.

Google Колаборатория

Если вы хотите использовать Google Colab (вместо своего локального компьютера), следуйте этим инструкциям, чтобы запустить код в Google Colab.

Настройка основной среды Conda

Если вы хотите запустить этот репозиторий на своем локальном компьютере, следуйте инструкциям ниже.

Если вы используете macOS, установите инструменты командной строки Xcode, используя xcode-select --install в терминале.
Установите дистрибутив Python 3.8 Miniforge в зависимости от вашей ОС. Если вы используете Windows, вы можете выбрать дистрибутив Python 3.8 Anaconda вместо дистрибутива Miniforge, если хотите.
Для поддержки графического процессора NVIDIA установите CUDA 11.0. Это доступно только на некоторых графических процессорах NVIDIA.
Настройте новую среду Anaconda и следуйте этим инструкциям в зависимости от вашей ОС.

Для Windows :

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

Для MacOS :

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

Загрузите данные с Google Диска (файлы слишком велики для хранения и доступа к Github).
```
 https://drive.google.com/drive/folders/1TQVOPUU4tVOYZvdpbxUo6uOCh0jvWNhv?usp=sharing
```
Запустите блокноты с помощью Jupyter.
```
 jupyter notebook
```
Если у вас возникнут какие-либо проблемы или ошибки с настройкой, кодом или чем-либо еще, напишите автору по адресу [email protected].

Настройка TensorFlow для среды macOS Conda

Следуйте этим инструкциям, чтобы настроить TensorFlow для macOS.

Для 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 
```

Если у вас возникнут проблемы, обратитесь к этому руководству по TensorFlow для macOS или свяжитесь с нами.

Расширять

Дополнительная информация