Pengenalan kepada Pembelajaran Mesin di Python

Pembelajaran mesin adalah tindakan memberi komputer keupayaan untuk belajar tanpa pengaturcaraan secara eksplisit. Ini dilakukan dengan memberikan data kepada komputer dan menjadikan mereka mengubah data ke dalam model keputusan yang kemudiannya digunakan untuk ramalan masa depan. Kami juga akan merangka beberapa contoh python untuk meramalkan unsur -unsur atau peristiwa tertentu. Sebagai contoh, sebagai manusia, anda boleh belajar bagaimana bermain catur hanya dengan memerhatikan orang lain bermain catur. Dengan cara yang sama, komputer diprogramkan dengan menyediakan mereka dengan data yang mereka pelajari dan kemudian dapat meramalkan unsur -unsur atau syarat masa depan. Anda mungkin mudah untuk menulis program sedemikian dan ia akan memberikan hasil yang diperlukan, tetapi anda juga mungkin mendapati bahawa program ini tidak berfungsi dengan berkesan untuk dataset yang besar. Di sinilah pembelajaran mesin dimainkan. Ramalan Pembelajaran Mesin

Komputer kemudian belajar daripadanya dan boleh meramalkan dataset masa depan berdasarkan data yang dipelajari. Facebook, untuk mencari imej berdasarkan penerangan tertentu. Anda kini boleh mencari imej di Facebook dengan kata -kata yang menggambarkan kandungan foto. Oleh kerana tapak rangkaian sosial sudah mempunyai pangkalan data imej yang ditakrifkan, ia dapat mencari dan memadankan keterangan ke ciri -ciri dari foto dengan beberapa tahap ketepatan.Pokok Keputusan

• Analisis, regresi, dan algoritma kluster. Kami akan menulis program mudah untuk menunjukkan bagaimana kerja pembelajaran yang diawasi menggunakan Perpustakaan Sklearn dan bahasa Python.  
• Sklearn juga berinteraksi dengan baik dengan perpustakaan numpy dan scipy.
• Pasang Sklearn
• Panduan Pemasangan Sklearn menawarkan cara yang sangat mudah untuk memasangnya untuk pelbagai platform. Ia memerlukan beberapa kebergantungan:
python (& gt; = 3.6),

numpy (min versi 1.17.3) Cara yang lebih mudah adalah dengan hanya memasang Anaconda. Ini menjaga semua kebergantungan, jadi anda tidak perlu bimbang untuk memasangnya satu demi satu. Kami mahu dapat membezakan antara haiwan yang berbeza. Oleh itu, kami akan merancang algoritma yang boleh memberitahu secara khusus sama ada haiwan tertentu adalah kuda atau ayam.

Kami perlu mengumpul beberapa data sampel dari setiap jenis haiwan. Sesetengah data sampel ditunjukkan dalam jadual di bawah. Ayam akan diwakili oleh 0, manakala kuda akan diwakili oleh 1.

Kami kemudian menentukan pengelas yang akan berdasarkan kepada pokok keputusan. Berikut adalah cara meramalkan haiwan dengan ketinggian 7 inci, berat 0.6 kg, dan suhu 41:

Inilah cara meramalkan haiwan dengan ketinggian 38 inci, berat 600 kg, dan Pengetahuan data ini digunakan untuk menguji haiwan baru. Mengikut Wikipedia:

• dalam statistik,
regresi linear
• adalah pendekatan linear untuk memodelkan hubungan antara tindak balas skalar dan satu atau lebih pembolehubah penjelasan (juga dikenali sebagai pembolehubah yang bergantung dan bebas).

  Dataset boleh didapati di sini. Muat turun fail CSV ke dalam direktori kerja anda

  mari kita mulakan dengan mengimport kebergantungan yang diperlukan. Output:

  pip install -U scikit-learn<br>

  Seperti yang anda lihat di atas, data mengandungi KDNK dari negara-negara yang berbeza dari 1960 hingga 2016. Langkah seterusnya adalah untuk membuat array x dan y-dimensi. Model. Mesin kemudian akan dapat mencari hubungan antara data input dan yang lain yang mungkin anda inginkan. Tidak seperti dalam pembelajaran yang diawasi, di mana anda membentangkan mesin dengan beberapa data untuk melatih, pembelajaran tanpa pengawasan dimaksudkan untuk membuat komputer mencari corak atau hubungan antara dataset yang berbeza. ke dalam:

   Python 3.9.12 (main, Apr  5 2022, 06:56:58) <br>[GCC 7.5.0] :: Anaconda, Inc. on linux<br>Type "help", "copyright", "credits" or "license" for more information.<br>>>> import sklearn<br>>>> <br>

  clustering

  Persatuan

  from sklearn import tree<br>

  clustering

  features = [[7, 0.6, 40], [7, 0.6, 41], [37, 600, 37], [37, 600, 38]]<br>

  clustering bermaksud mengumpulkan data secara semulajadi. Sebagai contoh, anda boleh mengklasifikasikan tabiat membeli -belah pengguna dan menggunakan data untuk pengiklanan dengan mensasarkan pengguna berdasarkan pembelian dan tabiat membeli -belah mereka. Jenis pembelajaran ini boleh digunakan dalam buku bersekutu berdasarkan pengarang atau kategori, sama ada buku motivasi, fiksyen, atau pendidikan. Tutorial ini telah membantu anda memulakan dengan pembelajaran mesin. Ini hanya pengenalan -pembelajaran machine mempunyai banyak yang perlu diliputi, dan ini hanya sebahagian kecil daripada pembelajaran mesin yang boleh dilakukan. Sklearn hanyalah salah satu perpustakaan yang digunakan dalam pembelajaran mesin. Perpustakaan lain termasuk Tensorflow dan Keras. Di samping itu, jangan ragu untuk melihat apa yang kami ada untuk dijual dan untuk belajar di pasaran Envato. Dalam Pencegahan Penipuan, memperibadikan suapan berita di laman media sosial agar sesuai dengan keutamaan pengguna, penapisan e-mel dan malware, ramalan cuaca, dan juga dalam sektor e-dagang untuk meramalkan tabiat membeli-belah pengguna.

Atas ialah kandungan terperinci Pengenalan kepada Pembelajaran Mesin di Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!