logo

TechCodeview

Tutorial d'aprenentatge automàtic

ML-Tutorial

làtex de mida de text

El tutorial d'aprenentatge automàtic cobreix conceptes bàsics i avançats, especialment dissenyats per atendre tant els estudiants com els professionals amb experiència.

Aquest tutorial d'aprenentatge automàtic us ajuda a obtenir una introducció sòlida als fonaments de l'aprenentatge automàtic i a explorar una àmplia gamma de tècniques, com ara l'aprenentatge supervisat, no supervisat i de reforç.



L'aprenentatge automàtic (ML) és un subdomini d'intel·ligència artificial (IA) que se centra a desenvolupar sistemes que aprenen o milloren el rendiment a partir de les dades que ingereixen. La intel·ligència artificial és una paraula àmplia que fa referència a sistemes o màquines que s'assemblen a la intel·ligència humana. L'aprenentatge automàtic i la intel·ligència artificial es discuteixen sovint junts, i els termes s'utilitzen ocasionalment de manera intercanviable, tot i que no signifiquen el mateix. Una distinció crucial és que, tot i que tot l'aprenentatge automàtic és IA, no tota la IA és aprenentatge automàtic.

Què és l'aprenentatge automàtic?

L'aprenentatge automàtic és el camp d'estudi que dóna als ordinadors la capacitat d'aprendre sense ser programats explícitament. ML és una de les tecnologies més emocionants que mai hauria trobat. Com es desprèn del nom, dóna a l'ordinador que el fa més semblant als humans: La capacitat d'aprendre. L'aprenentatge automàtic s'està utilitzant activament avui dia, potser en molts més llocs dels que s'esperaria.

Articles recents sobre aprenentatge automàtic

Taula de contingut

Característiques de l'aprenentatge automàtic

  • L'aprenentatge automàtic és una tecnologia basada en dades. Gran quantitat de dades generades per les organitzacions diàriament. Per tant, gràcies a les relacions notables en les dades, les organitzacions prenen millors decisions.
  • La màquina pot aprendre a si mateixa de les dades anteriors i millorar automàticament.
  • A partir del conjunt de dades donat, detecta diversos patrons de dades.
  • Per a les grans organitzacions, la marca és important i serà més fàcil orientar-se a una base de clients relacionable.
  • És similar a la mineria de dades perquè també tracta la gran quantitat de dades.

Introducció:

  1. Introducció a l'aprenentatge automàtic
  2. Una introducció a l'aprenentatge automàtic
  3. Què és l'aprenentatge automàtic?
  4. Introducció a les dades en l'aprenentatge automàtic
  5. Desmitificant l'aprenentatge automàtic
  6. ML – Aplicacions
  7. Les millors biblioteques de Python per a l'aprenentatge automàtic
  8. Intel·ligència Artificial | Una introducció
  9. Aprenentatge automàtic i intel·ligència artificial
  10. Diferència entre aprenentatge automàtic i intel·ligència artificial
  11. Agents en Intel·ligència Artificial
  12. 10 preguntes bàsiques d'entrevista d'aprenentatge automàtic

  • Entendre el tractament de dades
  • Python | Creeu conjunts de dades de prova amb Sklearn
  • Python | Genereu conjunts de dades de prova per a l'aprenentatge automàtic
  • Python | Preprocessament de dades en Python
  • Neteja de dades
  • Escala de funcions: part 1
  • Escala de funcions: part 2
  • Python | Codificació d'etiquetes de conjunts de dades
  • Python | One Hot Encoding de conjunts de dades
  • Tractament de dades desequilibrades amb SMOTE i l'algoritme Near Miss a Python
  • Trampa variable simulada en models de regressió

    • Aprenentatge supervisat:

    1. Iniciació a la classificació
    2. Concepte bàsic de classificació
    3. Tipus de tècniques de regressió
    4. Classificació vs regressió
    5. ML | Tipus d'aprenentatge: aprenentatge supervisat
    6. Classificació multiclasse mitjançant scikit-learn
    7. Descens del gradient:
      • Algorisme de descens de degradats i les seves variants
      • Descens del gradient estocàstic (SGD)
      • Mini-batch gradient descens amb Python
      • Tècniques d'optimització per a la baixada de gradients
      • Introducció a l'Optimitzador de degradats basat en Momentum
    8. Regressió lineal:
      • Introducció a la regressió lineal
      • Descens del gradient en regressió lineal
      • Explicació matemàtica del treball de regressió lineal
      • Equació normal en regressió lineal
      • Regressió lineal (implementació de Python)
      • Regressió lineal simple utilitzant R
      • Regressió lineal univariada en Python
      • Regression lineal múltiple amb Python
      • La regressió lineal múltiple utilitzant R
      • Regressió lineal ponderada localment
      • Models lineals generalitzats
      • Python | Regresió lineal amb sklearn
      • Regressió lineal utilitzant Tensorflow
      • Un enfocament pràctic de la regressió lineal simple utilitzant R
      • Regression lineal utilitzant PyTorch
      • Pyspark | Regressió lineal utilitzant Apache MLlib
      • ML | Boston Housing Kaggle Challenge amb regressió lineal
    9. Python | Implementació de Regressió polinòmica
    10. Regresió Softmax utilitzant TensorFlow
    11. Regressió logística :
      • Comprendre la regressió logística
      • Per què la regressió logística en la classificació?
      • Regressió logística amb Python
      • Funció de cost en regressió logística
      • Regression logística mitjançant Tensorflow
    12. Bayes ingenu Classificadors
    13. Vector de suport:
      • Suport de màquines vectorials (SVM) a Python
      • Ajust d'hiperparàmetres SVM mitjançant GridSearchCV
      • Suport de màquines vectorials (SVM) a R
      • Ús de SVM per realitzar una classificació en un conjunt de dades no lineal
    14. Arbre de decisions:
      • Arbre de decisions
      • Regression de l'arbre de decisions mitjançant sklearn
      • Introducció a l'arbre de decisions amb exemple
      • Implementació de l'arbre de decisions mitjançant Python
      • Arbre de decisió en enginyeria del programari
    16. Bosc aleatori:
      • Regression forestal aleatòria en Python
      • Classificador de conjunts
      • Classificador de votació amb Sklearn
      • Classificador d'embossaments

    Aprenentatge no supervisat:

    1. ML | Tipus d'aprenentatge: aprenentatge no supervisat
    2. Aprenentatge supervisat i no supervisat
    3. Clúster en aprenentatge automàtic
    4. Diferents tipus d'algorisme d'agrupació
    5. K significa Clustering - Introducció
    6. Mètode del colze per al valor òptim de k en KMeans
    7. Trampa d'inicialització aleatòria en K-Means
    8. ML | Algoritme K-means++
    9. Anàlisi de dades de prova mitjançant K-Means Clustering a Python
    10. Mini Batch K-means algorisme de agrupació
    11. Agrupació de canvi mitjà
    12. DBSCAN: agrupació basada en densitat
    13. Implementació de l'algorisme DBSCAN mitjançant Sklearn
    14. Agrupació difusa
    15. Clúster espectral
    16. Clúster ÒPTICA
    17. Implementació del clúster d'OPTICA mitjançant Sklearn
    18. Clúster jeràrquic (aglomeració i divisió)
    19. Implementació del clúster aglomeratiu mitjançant Sklearn
    20. Model gaussià de mescles

    Aprenentatge de reforç:

    1. Aprenentatge de reforç
    2. Algoritme d'aprenentatge de reforç: implementació de Python mitjançant Q-learning
    3. Introducció a Thompson Sampling
    4. Algoritme genètic per a l'aprenentatge per reforç
    5. Aprenentatge de reforç SARSA
    6. Q-Learning en Python

    Reducció de la dimensionalitat:

    1. Introducció a la reducció de dimensionalitat
    2. Introducció al Kernel PCA
    3. Anàlisi de components principals (PCA)
    4. Anàlisi de components principals amb Python
    5. Aproximacions de baix rang
    6. Visió general de l'anàlisi discriminant lineal (LDA)
    7. Explicació matemàtica de l'anàlisi discriminant lineal (LDA)
    8. Anàlisi discriminant generalitzada (GDA)
    9. Anàlisi independent de components
    10. Mapatge de funcions
    11. Classificador d'arbre addicional per a la selecció de funcions
    12. Test de Chi-quadrat per a la selecció de característiques - Explicació matemàtica
    13. ML | Algoritme d'incorporació de veïns estocàstics distribuïts en T (t-SNE).
    14. Python | Com i on aplicar l'escala de funcions?
    15. Paràmetres per a la selecció de funcions
    16. Underfitting i Overfitting en Machine Learning

    Processament del llenguatge natural:

    1. Introducció al processament del llenguatge natural
    2. Preprocessament de text en Python | Set - 1
    3. Preprocessament de text en Python | Set 2
    4. Eliminació de paraules d'aturada amb NLTK a Python
    5. Tokenitza el text amb NLTK a Python
    6. Com funciona el text, la frase i les paraules simbòlics
    7. Introducció a Stemming
    8. Paraules derivades amb NLTK
    9. Lematització amb NLTK
    10. Lematització amb TextBlob
    11. Com obtenir sinònims/antònims de NLTK WordNet a Python?

    Xarxes neuronals:

    1. Introducció a les xarxes artificials neutrals | Set 1
    2. Introducció a les xarxes neuronals artificials | Set 2
    3. Introducció a les ANN (Xarxes Neuronals Artificials) | Set 3 (sistemes híbrids)
    4. Introducció a ANN | Set 4 (arquitectures de xarxa)
    5. Funcions d'activació
    6. Implementació del procés d'entrenament de xarxes neuronals artificials en Python
    7. Una xarxa neuronal d'una sola neurona a Python
    8. Xarxes neuronals convolucionals
      • Introducció a la xarxa neuronal de convolució
      • Introducció a la capa de agrupació
      • Introducció al farciment
      • Tipus de farciment en capa de convolució
      • Aplicació de la xarxa neuronal convolucional al conjunt de dades mnist
    9. Xarxes neuronals recurrents
      • Introducció a la Xarxa Neural Recurrent
      • Explicació de les xarxes neuronals recurrents
      • model seq2seq
      • Introducció a la memòria a curt termini
      • Explicació de xarxes de memòria a curt termini
      • Xarxes d'unitats recurrents amb porta (GAN)
      • Generació de text mitjançant xarxes d'unitats recurrents amb porta
    10. GANs – Xarxa adversària generativa
      • Introducció a la Xarxa Adversarial Generativa
      • Xarxes adversàries generatives (GAN)
      • Casos d'ús de xarxes adversàries generatives
      • Construir una xarxa adversària generativa utilitzant Keras
      • Col·lapse modal a les GAN
    11. Introducció al Deep Q-Learning
    12. Implementació de Deep Q-Learning mitjançant Tensorflow

    ML - Desplegament:

    1. Desplegueu la vostra aplicació web d'aprenentatge automàtic (Streamlit) a Heroku
    2. Desplegueu un model d'aprenentatge automàtic mitjançant la biblioteca Streamlit
    3. Desplegueu el model d'aprenentatge automàtic mitjançant Flask
    4. Python: creeu interfícies d'usuari per crear prototips de models d'aprenentatge automàtic amb Gradio
    5. Com preparar les dades abans de desplegar un model d'aprenentatge automàtic?
    6. Implementació de models ML com a API mitjançant FastAPI
    7. Desplegant Scrapy spider a ScrapingHub

    ML - Aplicacions:

    1. Predicció de pluges mitjançant regressió lineal
    2. Identificació de dígits escrits a mà mitjançant la regressió logística a PyTorch
    3. Diagnòstic de Wisconsin del càncer de mama Kaggle mitjançant la regressió logística
    4. Python | Implementació del sistema de recomanació de pel·lícules
    5. Admet Vector Machine per reconèixer els trets facials en C++
    6. Arbres de decisió: trencaclosques de monedes falses (falsificades) (Trenc de 12 monedes)
    7. Detecció de frau amb targeta de crèdit
    8. Anàlisi PNL de les ressenyes de restaurants
    9. Aplicació de Bayes naïf multinomial a problemes de PNL
    10. Compressió d'imatges mitjançant agrupació K-means
    11. Aprenentatge profund | Generació de subtítols de la imatge utilitzant els personatges d'Avengers EndGames
    12. Com utilitza Google l'aprenentatge automàtic?
    13. Com utilitza la NASA l'aprenentatge automàtic?
    14. 5 maneres al·lucinants en què Facebook utilitza l'aprenentatge automàtic
    15. Publicitat dirigida mitjançant aprenentatge automàtic
    16. Com utilitzen l'aprenentatge automàtic les empreses famoses?

    Diversos:

    1. Reconeixement de patrons | Introducció
    2. Calcular l'eficiència del classificador binari
    3. Regression logística v/s Classificació de l'arbre de decisió
    4. R vs Python a Datascience
    5. Explicació de les funcions fonamentals implicades en l'algorisme A3C
    6. Privadesa diferencial i aprenentatge profund
    7. Intel·ligència artificial vs aprenentatge automàtic vs aprenentatge profund
    8. Introducció a l'aprenentatge multitasca (MTL) per a l'aprenentatge profund
    9. Els 10 millors algorismes que tot enginyer d'aprenentatge automàtic hauria de conèixer
    10. Màquina virtual Azure per a l'aprenentatge automàtic
    11. 30 minuts per a l'aprenentatge automàtic
    12. Què és AutoML a l'aprenentatge automàtic?
    13. Matriu de confusió en aprenentatge automàtic

    Requisits previs per aprendre aprenentatge automàtic

    • Coneixements d'equacions lineals, gràfics de funcions, estadística, àlgebra lineal, probabilitat, càlcul, etc.
    • Es recomana qualsevol coneixement de llenguatge de programació com Python, C++, R.

    Preguntes freqüents sobre Tutorial d'aprenentatge automàtic

    P.1 Què és l'aprenentatge automàtic i en què es diferencia de l'aprenentatge profund?

    Respon :

    L'aprenentatge automàtic desenvolupa programes que poden accedir a les dades i aprendre d'elles. L'aprenentatge profund és el subdomini de l'aprenentatge automàtic. L'aprenentatge profund admet l'extracció automàtica de funcions de les dades en brut.

    P.2. Quins són els diferents tipus d'algoritmes d'aprenentatge automàtic?

    Respon :

    • Algorismes supervisats: són els algorismes que aprenen de les dades etiquetades, p. imatges etiquetades amb cara de gos o no. L'algorisme depèn de les dades supervisades o etiquetades. per exemple. regressió, detecció d'objectes, segmentació.
    • Algorismes no supervisats: són els algorismes que aprenen de les dades no etiquetades, p. munt d'imatges donades per fer un conjunt similar d'imatges. per exemple. agrupació, reducció de dimensionalitat, etc.
    • Algorismes semisupervisats: algorismes que utilitzen dades supervisades o no supervisades. La major part de les dades utilitzades per a aquests algorismes no són dades supervisades. per exemple. detecció d'anamòlia.

    P.3. Per què utilitzem l'aprenentatge automàtic?

    Respon :

    L'aprenentatge automàtic s'utilitza per prendre decisions basades en dades. Modelant els algorismes a partir de dades històriques, els algorismes troben els patrons i les relacions que són difícils de detectar per als humans. Aquests patrons s'utilitzen ara per a futures referències per predir la solució de problemes no vists.

    unix crear directori

    P.4. Quina diferència hi ha entre la intel·ligència artificial i l'aprenentatge automàtic?

    Respon :

    INTEL · LIGÈNCIA ARTIFICIAL APRENENTATGE MÀQUIN
    Desenvolupar un sistema intel·ligent que realitzi una varietat de feines complexes. Construeix màquines que només poden realitzar els treballs per als quals s'han format.
    Funciona com un programa que fa un treball intel·ligent. La màquina dels sistemes de tasques pren dades i aprèn de les dades.
    La IA té una àmplia varietat d'aplicacions. ML permet als sistemes aprendre coses noves a partir de les dades.
    La IA lidera la saviesa. ML condueix al coneixement.