Посібник з машинного навчання охоплює базові та складні концепції, спеціально розроблений для студентів і досвідчених професіоналів.

Цей підручник з машинного навчання допоможе вам ознайомитися з основами машинного навчання та вивчити широкий спектр методів, зокрема контрольоване, неконтрольоване та навчання з підкріпленням.

Машинне навчання (ML) — це піддомен штучного інтелекту (AI), який зосереджується на розробці систем, які навчаються — або покращують продуктивність — на основі даних, які вони поглинають. Штучний інтелект – це широке слово, яке стосується систем або машин, схожих на людський інтелект. Машинне навчання та штучний інтелект часто обговорюються разом, і іноді ці терміни використовуються як синоніми, хоча вони не означають те саме. Важлива відмінність полягає в тому, що, хоча все машинне навчання є ШІ, не весь ШІ є машинним навчанням.

Що таке машинне навчання?

Машинне навчання – це область дослідження, яка дає комп’ютерам можливість навчатися без явного програмування. ML — одна з найцікавіших технологій, з якою можна було стикатися. Як видно з назви, це надає комп’ютеру те, що робить його більш схожим на людину: здатність до навчання. Машинне навчання сьогодні активно використовується, можливо, у набагато більшій кількості місць, ніж можна було очікувати.

Останні статті про машинне навчання

Зміст

• вступ
• Навчання без контролю
• Навчання з підкріпленням
• Зменшення розмірності
• Обробка природної мови
• Нейронні мережі
• ML – Розгортання
• ML – Програми
• Різне

Особливості машинного навчання

• Машинне навчання — це технологія, що керується даними. Велика кількість даних, що генерується організаціями щодня. Отже, завдяки помітним зв’язкам у даних організації приймають кращі рішення.
• Машина може навчатися на основі попередніх даних і автоматично вдосконалюватися.
• З наданого набору даних він виявляє різні шаблони даних.
• Для великих організацій брендинг важливий, тому буде легше націлюватися на пов’язану клієнтську базу.
• Це схоже на інтелектуальний аналіз даних, оскільки він також має справу з величезною кількістю даних.

Вступ:

1. Початок роботи з машинним навчанням
2. Вступ до машинного навчання
3. Що таке машинне навчання?
4. Вступ до даних у машинному навчанні
5. Демістифікація машинного навчання
6. ML – Програми
7. Найкращі бібліотеки Python для машинного навчання
8. Штучний інтелект | Вступ
9. Машинне навчання та штучний інтелект
10. Різниця між машинним навчанням і штучним інтелектом
11. Агенти зі штучного інтелекту
12. 10 основних запитань для співбесіди з машинного навчання

Розуміння обробки даних

Python | Створення тестових наборів даних за допомогою Sklearn

Python | Створення тестових наборів даних для машинного навчання

Python | Попередня обробка даних у Python

Очищення даних

Масштабування функцій – Частина 1

Масштабування функцій – Частина 2

Python | Кодування міток наборів даних

Python | Одне гаряче кодування наборів даних

Обробка незбалансованих даних за допомогою SMOTE та Near Miss Algorithm у Python

Пастка фіктивної змінної в регресійних моделях

Контрольоване навчання:

1. Початок роботи з класифікацією
2. Основне поняття класифікації
3. Види регресійних методів
4. Класифікація проти регресії
5. ML | Типи навчання – Навчання під контролем
6. Багатокласова класифікація за допомогою scikit-learn
7. Градієнтний спуск:
   • Алгоритм градієнтного спуску та його різновиди
   • Стохастичний градієнтний спуск (SGD)
   • Міні-пакетний градієнтний спуск за допомогою Python
   • Методи оптимізації для градієнтного спуску
   • Вступ до оптимізатора градієнта на основі Momentum
8. Лінійна регресія :
   • Вступ до лінійної регресії
   • Градієнтний спуск у лінійній регресії
   • Математичне пояснення роботи лінійної регресії
   • Нормальне рівняння в лінійній регресії
   • Лінійна регресія (реалізація Python)
   • Проста лінійна регресія з використанням R
   • Однофакторна лінійна регресія в Python
   • Множинна лінійна регресія з використанням Python
   • Множинна лінійна регресія з використанням R
   • Локально зважена лінійна регресія
   • Узагальнені лінійні моделі
   • Python | Лінійна регресія з використанням sklearn
   • Лінійна регресія з використанням Tensorflow
   • Практичний підхід до простої лінійної регресії з використанням R
   • Лінійна регресія з використанням PyTorch
   • Писпарк | Лінійна регресія з використанням Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge з лінійною регресією
9. Python | Впровадження Поліноміальна регресія
10. Регресія Softmax за допомогою TensorFlow
11. Логістична регресія:
    • Розуміння логістичної регресії
    • Чому логістична регресія в класифікації?
    • Логістична регресія з використанням Python
    • Функція витрат у логістичній регресії
    • Логістична регресія з використанням Tensorflow
12. Наївний Байєс Класифікатори
13. Вектор підтримки:
    • Підтримка векторних машин (SVM) у Python
    • Налаштування гіперпараметрів SVM за допомогою GridSearchCV
    • Підтримка векторних машин (SVM) у R
    • Використання SVM для виконання класифікації нелінійного набору даних
14. Дерево рішень:
15. • Дерево рішень
    • Регресія дерева рішень за допомогою sklearn
    • Дерево рішень Вступ із прикладом
    • Реалізація дерева рішень за допомогою Python
    • Дерево рішень у програмній інженерії
15. Випадковий ліс:
    • Регресія випадкового лісу в Python
    • Класифікатор ансамблю
    • Класифікатор голосування за допомогою Sklearn
      
    • Класифікатор мішків

Навчання без контролю:

1. ML | Типи навчання – навчання без контролю
2. Контрольоване та неконтрольоване навчання
3. Кластеризація в машинному навчанні
4. Різні типи алгоритмів кластеризації
5. K означає Clustering – Introduction
6. Метод ліктя для оптимального значення k у KMeans
7. Перехоплення випадкової ініціалізації в K-Means
8. ML | Алгоритм K-means++
9. Аналіз тестових даних за допомогою K-Means Clustering у Python
10. Алгоритм кластеризації Mini Batch K-means
11. Кластеризація середнього зсуву
12. DBSCAN – кластеризація на основі щільності
13. Реалізація алгоритму DBSCAN за допомогою Sklearn
14. Нечітка кластеризація
15. Спектральна кластеризація
16. ОПТИКА Кластеризація
17. Реалізація кластеризації OPTICS за допомогою Sklearn
18. Ієрархічна кластеризація (агломеративна та роздільна кластеризація)
19. Реалізація агломеративної кластеризації за допомогою Sklearn
20. Модель суміші Гауса

Навчання з підкріпленням:

1. Навчання з підкріпленням
2. Алгоритм навчання посилення: реалізація Python за допомогою Q-навчання
3. Вступ до вибірки Томпсона
4. Генетичний алгоритм навчання з підкріпленням
5. SARSA Reinforcement Learning
6. Q-навчання на Python

Зменшення розмірності:

1. Вступ до зменшення розмірності
2. Вступ до Kernel PCA
3. Аналіз основних компонентів (PCA)
4. Аналіз основних компонентів за допомогою Python
5. Апроксимації низького рангу
6. Огляд лінійного дискримінантного аналізу (LDA)
7. Математичне пояснення лінійного дискримінантного аналізу (LDA)
8. Узагальнений дискримінантний аналіз (GDA)
9. Незалежний аналіз компонентів
10. Відображення функцій
11. Додатковий класифікатор дерева для вибору ознак
12. Тест хі-квадрат для вибору ознак – математичне пояснення
13. ML | Алгоритм T-розподіленого стохастичного вбудовування сусідів (t-SNE).
14. Python | Як і де застосувати масштабування функцій?
15. Параметри для вибору функції
16. Недостатнє та переобладнання в машинному навчанні

Обробка природної мови:

1. Вступ до обробки природної мови
2. Попередня обробка тексту в Python | Набір – 1
3. Попередня обробка тексту в Python | Набір 2
4. Видалення стоп-слів за допомогою NLTK у Python
5. Токенізуйте текст за допомогою NLTK у python
6. Як працює токенізація тексту, речення, слів
7. Вступ до стемінгу
8. Похідні слова з NLTK
9. Лематизація за допомогою NLTK
10. Лематизація за допомогою TextBlob
11. Як отримати синоніми/антоніми з NLTK WordNet у Python?

Нейронні мережі:

1. Введення в штучні нейтральні мережі | Набір 1
2. Вступ до штучної нейронної мережі | Набір 2
3. Вступ до ШНМ (штучні нейронні мережі) | Набір 3 (гібридні системи)
4. Вступ до ШНМ | Набір 4 (мережні архітектури)
5. Функції активації
6. Реалізація процесу навчання штучної нейронної мережі на Python
7. Нейронна мережа одного нейрона в Python
8. Згорткові нейронні мережі
   • Вступ до згорткової нейронної мережі
   • Вступ до рівня об’єднання
   • Введення в Padding
   • Типи заповнення шару згортки
   • Застосування згорткової нейронної мережі до набору даних mnist
9. Рекурентні нейронні мережі
   • Вступ до рекурентної нейронної мережі
   • Пояснення рекурентних нейронних мереж
   • модель seq2seq
   • Введення в довгострокову пам'ять
   • Пояснення мереж довготривалої короткострокової пам’яті
   • Gated Recurrent Unit Networks (GAN)
   • Генерація тексту за допомогою Gated Recurrent Unit Networks
10. GANs – Generative Adversarial Network
    • Вступ до генеративної змагальної мережі
    • Генеративні змагальні мережі (GAN)
    • Випадки використання генеративних змагальних мереж
    • Побудова генеративної змагальної мережі за допомогою Keras
    • Модальне згортання в GAN
11. Вступ до Deep Q-Learning
12. Впровадження глибокого Q-навчання за допомогою Tensorflow

ML – розгортання:

1. Розгорніть веб-програму машинного навчання (Streamlit) на Heroku
2. Розгорніть модель машинного навчання за допомогою бібліотеки Streamlit
3. Розгорніть модель машинного навчання за допомогою Flask
4. Python – створюйте інтерфейси користувача для прототипування моделі машинного навчання за допомогою Gradio
5. Як підготувати дані перед розгортанням моделі машинного навчання?
6. Розгортання моделей ML як API за допомогою FastAPI
   
7. Розгортання Scrapy spider на ScrapingHub

ML – програми:

1. Прогнозування кількості опадів за допомогою лінійної регресії
2. Ідентифікація рукописних цифр за допомогою логістичної регресії в PyTorch
3. Kaggle Breast Cancer Wisconsin Діагностика за допомогою логістичної регресії
4. Python | Впровадження системи рекомендацій фільмів
5. Підтримка Vector Machine для розпізнавання рис обличчя в C++
6. Дерево рішень – головоломка з фальшивими монетами (головоломка з 12 монетами)
7. Виявлення шахрайства з кредитними картками
8. НЛП аналіз відгуків про ресторани
9. Застосування багаточлена наївного Байєса до проблем НЛП
10. Стиснення зображення за допомогою кластеризації K-means
11. Глибоке навчання | Генерація підписів до зображень за допомогою персонажів Avengers EndGames
12. Як Google використовує машинне навчання?
13. Як NASA використовує машинне навчання?
14. 5 вражаючих способів Facebook використовує машинне навчання
    
15. Цільова реклама з використанням машинного навчання
16. Як машинне навчання використовують відомі компанії?

Різне:

1. Розпізнавання образів | вступ
2. Розрахувати ефективність двійкового класифікатора
3. Логістична регресія проти класифікації дерева рішень
4. R проти Python в Datascience
5. Пояснення основних функцій алгоритму A3C
6. Диференціальна конфіденційність і глибоке навчання
7. Штучний інтелект проти машинного навчання проти глибокого навчання
8. Вступ до багатозадачного навчання (MTL) для глибокого навчання
9. 10 найкращих алгоритмів, які повинен знати кожен інженер машинного навчання
10. Віртуальна машина Azure для машинного навчання
11. 30 хвилин до машинного навчання
12. Що таке AutoML у машинному навчанні?
13. Матриця плутанини в машинному навчанні

Передумови для вивчення машинного навчання

• Знання лінійних рівнянь, графіків функцій, статистики, лінійної алгебри, ймовірності, обчислення тощо.
• Рекомендується знання будь-якої мови програмування, наприклад Python, C++, R.

Поширені запитання щодо підручника з машинного навчання

Q.1 Що таке машинне навчання та чим воно відрізняється від глибокого навчання?

Відповідь :

Машинне навчання розробляє програми, які можуть отримувати доступ до даних і вчитися на них. Глибоке навчання є піддоменом машинного навчання. Глибоке навчання підтримує автоматичне вилучення функцій із необроблених даних.

З.2. Які є різні типи алгоритмів машинного навчання?

Відповідь :

• Контрольовані алгоритми: це алгоритми, які вивчають дані з мітками, напр. зображення, помічені обличчям собаки чи ні. Алгоритм залежить від контрольованих або позначених даних. напр. регресія, виявлення об'єктів, сегментація.
• Неконтрольовані алгоритми: це алгоритми, які навчаються на немаркованих даних, напр. купа зображень, наданих для створення подібного набору зображень. напр. кластеризація, зменшення розмірності тощо.
• Напівконтрольовані алгоритми: алгоритми, які використовують як контрольовані, так і неконтрольовані дані. Більшість даних, які використовуються для цих алгоритмів, не є контрольованими даними. напр. виявлення анамолії.

З.3. Чому ми використовуємо машинне навчання?

Відповідь :

Машинне навчання використовується для прийняття рішень на основі даних. Моделюючи алгоритми на основі історичних даних, алгоритми знаходять закономірності та зв’язки, які людям важко виявити. Ці шаблони тепер використовуються для подальшого використання для майбутніх посилань для прогнозування вирішення невидимих ​​проблем.

З.4. Яка різниця між штучним інтелектом і машинним навчанням?

Відповідь :

ШТУЧНИЙ ІНТЕЛЕКТ	МАШИННЕ НАВЧАННЯ
Розробіть інтелектуальну систему, яка виконує різноманітні складні завдання.	Створюйте машини, які можуть виконувати лише ту роботу, якій вони навчені.
Він працює як програма, яка виконує розумну роботу.	Машина системи завдань отримує дані та навчається на них.
ШІ має широкий спектр застосувань.	ML дозволяє системам вивчати нові речі з даних.
ШІ веде до мудрості.	ML веде до знань.