homemade machine learning

การเรียนรู้ของเครื่องแบบโฮมเมด

- ยูเครนกำลังถูกโจมตีโดยกองทัพรัสเซีย พลเรือนกำลังถูกสังหาร พื้นที่อยู่อาศัยกำลังถูกทิ้งระเบิด

• ช่วยยูเครนผ่าน:
  • มูลนิธิการกุศล Serhiy Prytula
  • มูลนิธิการกุศล Come Back Alive
  • ธนาคารแห่งชาติของประเทศยูเครน
• ข้อมูลเพิ่มเติมเกี่ยวกับ war.ukraine.ua และ MFA ของยูเครน

---

อ่านสิ่งนี้ในภาษาอื่น: Español

คุณอาจสนใจ:

• GPT โฮมเมด • JS
• การทดลองการเรียนรู้ของเครื่องเชิงโต้ตอบ

สำหรับเวอร์ชัน Octave/MatLab ของที่เก็บนี้ โปรดตรวจสอบโปรเจ็กต์แมชชีนเลิร์นนิง-อ็อกเทฟ

พื้นที่เก็บข้อมูลนี้มีตัวอย่างของอัลกอริธึมการเรียนรู้ของเครื่องยอดนิยมที่ใช้งานใน Python โดยมีการอธิบายทางคณิตศาสตร์อยู่ด้านหลัง แต่ละอัลกอริธึมมีการสาธิต Jupyter Notebook แบบโต้ตอบที่ช่วยให้คุณสามารถเล่นกับข้อมูลการฝึกอบรม การกำหนดค่าอัลกอริธึม และดูผลลัพธ์ แผนภูมิ และการทำนาย ได้ทันทีในเบราว์เซอร์ของคุณ ในกรณีส่วนใหญ่ คำอธิบายจะขึ้นอยู่กับหลักสูตรการเรียนรู้ของเครื่องที่ยอดเยี่ยมนี้โดย Andrew Ng

วัตถุประสงค์ของพื้นที่เก็บข้อมูลนี้ ไม่ใช่ เพื่อใช้อัลกอริธึมการเรียนรู้ของเครื่องจักรโดยใช้ไลบรารีของบุคคล ^ที่ สามแบบหนึ่งบรรทัด แต่ เป็นการฝึกใช้อัลกอริธึมเหล่านี้ตั้งแต่เริ่มต้นและทำความเข้าใจคณิตศาสตร์ที่อยู่เบื้องหลังแต่ละอัลกอริทึมได้ดีขึ้น นั่นเป็นสาเหตุที่การใช้งานอัลกอริธึมทั้งหมดเรียกว่า "แบบโฮมเมด" และไม่ได้ตั้งใจเพื่อใช้ในการผลิต

การเรียนรู้ภายใต้การดูแล

ในการเรียนรู้แบบมีผู้สอน เรามีชุดข้อมูลการฝึกอบรมเป็นข้อมูลเข้าและชุดป้ายกำกับหรือ "คำตอบที่ถูกต้อง" สำหรับชุดการฝึกอบรมแต่ละชุดเป็นผลลัพธ์ จากนั้น เรากำลังฝึกโมเดลของเรา (พารามิเตอร์อัลกอริธึมการเรียนรู้ของเครื่อง) เพื่อแมปอินพุตกับเอาต์พุตอย่างถูกต้อง (เพื่อทำการคาดการณ์ที่ถูกต้อง) วัตถุประสงค์สูงสุดคือการค้นหาพารามิเตอร์โมเดลดังกล่าวซึ่งจะดำเนินการ แมปอินพุต→เอาต์พุต ให้ถูกต้องต่อไป (การคาดการณ์) ได้สำเร็จ แม้กระทั่งตัวอย่างอินพุตใหม่ก็ตาม

การถดถอย

ในปัญหาการถดถอย เราจะทำการทำนายมูลค่าจริง โดยพื้นฐานแล้วเราพยายามวาดเส้น/ระนาบ/ระนาบมิติตามตัวอย่างการฝึก

ตัวอย่างการใช้งาน: การคาดการณ์ราคาหุ้น, การวิเคราะห์การขาย, การพึ่งพาตัวเลขใดๆ เป็นต้น

- การถดถอยเชิงเส้น

• - คณิตศาสตร์ | การถดถอยเชิงเส้น - ทฤษฎีและลิงก์สำหรับอ่านเพิ่มเติม
• รหัส | การถดถอยเชิงเส้น - ตัวอย่างการใช้งาน
• สาธิต | Univariate Linear Regression - ทำนายคะแนน country happiness ตาม economy GDP
• สาธิต | การถดถอยเชิงเส้นหลายตัวแปร - ทำนายคะแนน country happiness ตาม economy GDP และ freedom index
• สาธิต | การถดถอยแบบไม่เชิงเส้น - ใช้การถดถอยเชิงเส้นพร้อมคุณสมบัติ พหุนาม และ ไซนัสอยด์ เพื่อทำนายการพึ่งพาแบบไม่เชิงเส้น

การจำแนกประเภท

ในปัญหาการจำแนกประเภท เราแบ่งตัวอย่างข้อมูลเข้าตามลักษณะเฉพาะบางประการ

ตัวอย่างการใช้งาน: ตัวกรองสแปม การตรวจจับภาษา การค้นหาเอกสารที่คล้ายกัน การจดจำตัวอักษรที่เขียนด้วยลายมือ ฯลฯ

- การถดถอยโลจิสติก

• - คณิตศาสตร์ | การถดถอยโลจิสติก - ทฤษฎีและลิงก์สำหรับอ่านเพิ่มเติม
• รหัส | การถดถอยโลจิสติก - ตัวอย่างการใช้งาน
• สาธิต | การถดถอยแบบลอจิสติก (ขอบเขตเชิงเส้น) - ทำนาย class ดอกไม้ของไอริสโดยพิจารณาจาก petal_length และ petal_width
• สาธิต | Logistic Regression (Non-Linear Boundary) - ทำนาย validity ของไมโครชิปตาม param_1 และ param_2
• สาธิต | การถดถอยโลจิสติกหลายตัวแปร | MNIST - จดจำตัวเลขที่เขียนด้วยลายมือจากรูปภาพขนาด 28x28 พิกเซล
• สาธิต | การถดถอยโลจิสติกหลายตัวแปร | Fashion MNIST - จดจำประเภทเสื้อผ้าจากรูปภาพ 28x28 พิกเซล

การเรียนรู้แบบไม่มีผู้ดูแล

การเรียนรู้แบบไม่มีผู้ดูแลเป็นสาขาหนึ่งของการเรียนรู้ของเครื่องที่เรียนรู้จากข้อมูลทดสอบที่ไม่ได้รับการติดป้ายกำกับ จัดประเภท หรือจัดหมวดหมู่ แทนที่จะตอบสนองต่อข้อเสนอแนะ การเรียนรู้แบบไม่มีผู้ดูแลจะระบุความเหมือนกันในข้อมูลและตอบสนองตามการมีหรือไม่มีสิ่งเหมือนกันในข้อมูลใหม่แต่ละชิ้น

การจัดกลุ่ม

ในการจัดกลุ่มปัญหา เราแบ่งตัวอย่างการฝึกอบรมตามลักษณะที่ไม่รู้จัก อัลกอริธึมจะตัดสินใจเองว่าจะใช้คุณลักษณะใดในการแยก

ตัวอย่างการใช้งาน: การแบ่งส่วนตลาด การวิเคราะห์เครือข่ายโซเชียล จัดระเบียบคลัสเตอร์คอมพิวเตอร์ การวิเคราะห์ข้อมูลทางดาราศาสตร์ การบีบอัดภาพ ฯลฯ

- K-หมายถึงอัลกอริทึม

• - คณิตศาสตร์ | อัลกอริทึม K-means - ทฤษฎีและลิงก์สำหรับอ่านเพิ่มเติม
• รหัส | อัลกอริทึม K-means - ตัวอย่างการใช้งาน
• สาธิต | อัลกอริธึม K-means - แบ่งดอกไอริสออกเป็นกระจุกตาม petal_length และ petal_width

การตรวจจับความผิดปกติ

การตรวจจับความผิดปกติ (หรือการตรวจจับค่าผิดปกติ) คือการระบุสิ่งของ เหตุการณ์ หรือการสังเกตที่หายาก ซึ่งทำให้เกิดความสงสัยโดยมีความแตกต่างอย่างมีนัยสำคัญจากข้อมูลส่วนใหญ่

ตัวอย่างการใช้งาน: การตรวจจับการบุกรุก การตรวจจับการฉ้อโกง การตรวจสอบสภาพของระบบ การลบข้อมูลที่ผิดปกติออกจากชุดข้อมูล ฯลฯ

- การตรวจจับความผิดปกติโดยใช้การแจกแจงแบบเกาส์เซียน

• - คณิตศาสตร์ | การตรวจจับความผิดปกติโดยใช้การแจกแจงแบบเกาส์เซียน - ทฤษฎีและลิงก์สำหรับการอ่านเพิ่มเติม
• รหัส | การตรวจจับความผิดปกติโดยใช้การแจกแจงแบบเกาส์เซียน - ตัวอย่างการใช้งาน
• สาธิต | การตรวจจับความผิดปกติ - ค้นหาความผิดปกติในพารามิเตอร์การทำงานของเซิร์ฟเวอร์ เช่น latency และ threshold

โครงข่ายประสาทเทียม (NN)

โครงข่ายประสาทเทียมนั้นไม่ใช่อัลกอริธึม แต่เป็นเฟรมเวิร์กสำหรับอัลกอริธึมการเรียนรู้ของเครื่องต่างๆ เพื่อทำงานร่วมกันและประมวลผลอินพุตข้อมูลที่ซับซ้อน

ตัวอย่างการใช้งาน: ทดแทนอัลกอริธึมอื่นๆ โดยทั่วไป การจดจำรูปภาพ การจดจำเสียง การประมวลผลภาพ (การใช้สไตล์เฉพาะ) การแปลภาษา ฯลฯ

- มัลติเลเยอร์เพอร์เซปตรอน (MLP)

• - คณิตศาสตร์ | Perceptron หลายชั้น - ทฤษฎีและลิงก์สำหรับการอ่านเพิ่มเติม
• รหัส | Multilayer Perceptron - ตัวอย่างการใช้งาน
• สาธิต | Perceptron หลายชั้น | MNIST - จดจำตัวเลขที่เขียนด้วยลายมือจากรูปภาพ 28x28 พิกเซล
• สาธิต | Perceptron หลายชั้น | Fashion MNIST - จดจำประเภทของเสื้อผ้าจากรูปภาพ 28x28 พิกเซล

แผนที่การเรียนรู้ของเครื่อง

แหล่งที่มาของแผนผังหัวข้อแมชชีนเลิร์นนิงต่อไปนี้คือโพสต์บนบล็อกที่ยอดเยี่ยมนี้

ข้อกำหนดเบื้องต้น

การติดตั้งไพธอน

ตรวจสอบให้แน่ใจว่าคุณได้ติดตั้ง Python บนเครื่องของคุณแล้ว

คุณอาจต้องการใช้ไลบรารี Python มาตรฐาน venv เพื่อสร้างสภาพแวดล้อมเสมือนและมี Python, pip และแพ็คเกจที่ต้องพึ่งพาทั้งหมดที่จะติดตั้งและให้บริการจากไดเร็กทอรีโปรเจ็กต์ในเครื่องเพื่อหลีกเลี่ยงการยุ่งกับแพ็คเกจทั้งระบบและเวอร์ชันของพวกเขา

การติดตั้งการพึ่งพา

ติดตั้งการขึ้นต่อกันทั้งหมดที่จำเป็นสำหรับโปรเจ็กต์โดยการรัน:

pip install -r requirements.txt

เปิดตัว Jupyter ในพื้นที่

การสาธิตทั้งหมดในโครงการอาจทำงานได้โดยตรงในเบราว์เซอร์ของคุณโดยไม่ต้องติดตั้ง Jupyter ในเครื่อง แต่ถ้าคุณต้องการเปิด Jupyter Notebook ในเครื่อง คุณสามารถทำได้โดยการรันคำสั่งต่อไปนี้จากโฟลเดอร์รูทของโปรเจ็กต์:

jupyter notebook

หลังจาก Jupyter Notebook นี้จะสามารถเข้าถึงได้โดย http://localhost:8888

เปิดตัว Jupyter จากระยะไกล

แต่ละส่วนของอัลกอริทึมจะมีลิงก์สาธิตไปยัง Jupyter NBViewer นี่คือโปรแกรมดูตัวอย่างออนไลน์ที่รวดเร็วสำหรับโน้ตบุ๊ก Jupyter ซึ่งคุณอาจเห็นโค้ดสาธิต แผนภูมิ และข้อมูลในเบราว์เซอร์ของคุณได้ทันทีโดยไม่ต้องติดตั้งสิ่งใดในเครื่อง ในกรณีที่คุณต้องการ เปลี่ยน โค้ดและ ทดลอง ใช้สมุดบันทึกสาธิต คุณจะต้องเปิดสมุดบันทึกใน Binder คุณสามารถทำได้โดยคลิกลิงก์ "Execute on Binder" ที่มุมขวาบนของ NBViewer

ชุดข้อมูล

รายการชุดข้อมูลที่ใช้สำหรับการสาธิต Jupyter Notebook อาจพบได้ในโฟลเดอร์ข้อมูล

สนับสนุนโครงการ

คุณสามารถสนับสนุนโครงการนี้ได้ทาง ❤️️ GitHub หรือ ❤️️ Patreon

ผู้เขียน

• @trekhleb