Der erste Schritt des maschinellen Lernens ~ Für diejenigen, die versuchen möchten, mit Python zu implementieren ~

Beginn des maschinellen Lernens ab Teil1

Einführung

Hallo. Mein Name ist Mizutakawater und ich werde ab April 2020 Mitglied der Gesellschaft sein. Ich mag Baseball und Lacrosse. Ich lerne in meiner Abschlussforschung, wie man das Lernen stärkt, aber maschinelles Lernen! Künstliche Intelligenz! AI! Gibt es nicht etwas, das es leicht verständlich erklärt? Ich fühlte, dass. (Erstens denke ich oft, dass akademische Bücher und technische Bücher von Ingenieuren für Anfänger im Vergleich zur Literaturwissenschaft zu unfreundlich sind. Ist es die Kultur der Ingenieure, Dinge zu sagen, die leicht zu verstehen sind, unverständlich? ??) ← Es scheint von einem erfahrenen Ingenieur getötet zu werden

Übrigens, _Es ist für Anfänger wirklich leicht zu verstehen (← wichtiges Konzept) _Einführung des maschinellen Lernens, ich würde gerne Python verwenden! !! Es mag Unterschiede in den Details geben, aber ich werde mich leicht verständlich machen, wie ein Ingenieur mit einem Hintergrund der freien Künste.

Einführung

Begriffe, an die Sie sich erinnern möchten

Es ist ein plötzliches Wort, aber ich muss es ertragen, weil es nur zwei gibt (lacht). Auch wenn Sie sich nicht an die Wörter erinnern, gibt es kein Problem, wenn Sie nur die Gliederung verstehen können.

	Überblick	Notation(Benutzerdefiniert)
Erklärende Variable	Zur Vorhersage verwendete Daten, auch Merkmalsmenge genannt	X
Objektive Variable	Numerische Werte und Daten, die Sie vorhersagen möchten	y

Beispiel: Vorhersage von 100 m Laufzeit (Zielvariable) aus Größe, Gewicht und Alter (erklärende Variable) von Leichtathleten

Arten des maschinellen Lernens

Maschinelles Lernen kann in drei Hauptkategorien unterteilt werden! Ich werde sofort lernen, während ich die erklärenden Variablen und objektiven Variablen verwende, die früher herauskamen (auch als Überprüfung).

―― 1 Lernen mit einem Lehrer

Erklärende Variable(X)Objektive Variable mit(y)Vorhersagen.
Richtige Antwortdaten(Erklärende Variable)Bereiten Sie von dort aus die gewünschten Daten vor(Objektive Variable)Bild vorherzusagen

―― 2 Lernen ohne Lehrer

Sagen Sie anhand der erklärenden Variablen voraus, was die Zielvariable selbst gut ist, wenn die Zielvariable unbekannt ist

―― 3 Stärkung des Lernens

Das Programm lernt selbst bessere Entscheidungen

Dieses Mal ist das Konzept für jeden leicht zu verstehen. Lernen wir also das überwachte Lernen kennen, das die Grundlage für die Grundlagen bildet! Unbeaufsichtigtes Lernen und verbessertes Lernen sind verschiedene Programme!

Beim Lernen überwachtes Lernen

Es gibt zwei Arten von überwachtem Lernen.

Art	Inhalt	Beispiel
Rückkehr	Numerische Vorhersage	100m Laufzeitvorhersage
Einstufung	Kategorie Vorhersage	Vorhersage von Mann oder Frau

Es gibt Wörter, die schwer zurückzugeben scheinen, wie z. → Am Ende ist es der Unterschied zwischen der Vorhersage von Zahlen (= Regression) und der Vorhersage von Attributen (= Klassifizierung)!

Jetzt lernen wir beim Üben __Return __ von __Teacher Learning __!

Trainieren

Numerische Vorhersage

Zunächst ein einfaches Problem. Denken wir nach

Es gibt A ~ D. Ihre Größe und ihr Gewicht sind wie folgt. Herr A: 40 kg, 150 cm Herr B: 50 kg, 160 cm Herr C: 60 kg, 170 cm Herr D: 70 kg, 180 cm

Wie groß ist dann Herr E, der 55 kg wiegt (kann vorhergesagt werden)?

question1

Verbinden Sie wahrscheinlich die vier Linien mit einer geraden Linie, wie in der Abbildung gezeigt, und diese gerade Linie überlappt nur 55 kg! !! !! Ja, 165 cm! Ich denke es ist so. Dies ist die lineare Formel für x (die, die ich in 1 gelernt habe!)

y(Höhe) = x(Körpergewicht) + 110

Es ist wirklich einfach, das stimmt. Und diese gerade Linie ist die Zielfunktion zur Vorhersage der Zielvariablen. __ Maschinelles Lernen (Rückkehr) ist fast das Ziel, diese Zielfunktion zu finden __! (Es gibt verschiedene Ansätze für verschiedene Algorithmen, aber ignorieren Sie sie! Es tut mir leid!) Weil Wenn Sie die Formel dieser geraden Linie kennen, können Sie die Höhe durch Ersetzen von X = 55 ermitteln Es ist einfach Aber ich glaube nicht, dass es so bequeme Daten gibt!

Es wird also lange dauern, also lernen wir beim nächsten Mal, wie man die Zielfunktion findet, wenn die Daten (erklärende Variable) komplizierter sind ~ (Oh, was ist der Zweck? Der Zweck ist __ über die Rückkehr des überwachten maschinellen Lernens __ zu lernen! Wie prognostizieren Sie die Größe einer Person mit einem Gewicht von 55 kg, wenn die erklärenden Variablen etwas komplizierter sind? ?? Ich bin froh, wenn du die Geschichte verstehst ~)

Dies ist das Ende von Teil 1 des theoretischen Abschnitts. Das Folgende ist die Code-Implementierung von Python.

Implementierung des obigen Graphen durch Python!

Wir haben auch __python als Thema gesungen, also lernen wir, wie man dieses Diagramm erstellt. Es kann genau richtig für Anfänger sein! Da es für Anfänger ist, beginnen wir mit dem Aufbau der Umgebung! (Die vollständige Implementierung des maschinellen Lernens durch Python wird beim nächsten Mal implementiert!)

Umgebung

Verwendete Umgebung: Anaconda, MacOs
Herausgeber, Ausführungsumgebung: Jupyter Notebook

Vorteile der Verwendung von Anaconda und Jupyter Notebook

Anaconda ist ein Tool, mit dem Sie die Ausführungsumgebung von Pytho einfach verwalten können. Aufbau der Umgebung für das erste Hindernis für die Programmierung. Mit Anaconda geht das schnell. Es gibt keine Möglichkeit, dies nicht auszunutzen.

Installation von Anaconda

Gehen Sie hier zur offiziellen Homepage und installieren Sie sie, nicht das Terminal.

https://www.anaconda.com/distribution/#macos

Befolgen Sie zur Installation die Anweisungen auf dem Bildschirm, installieren Sie jedoch die Python3-Version anstelle von Python2. Wenn Sie sich verlaufen, lesen Sie bitte diese Seite Anaconda Install

Öffne JupyterNoteBook und springe zur Seite unten und du bist fertig!

Unten finden Sie den Code, der im obigen Editor implementiert werden soll

#Import des Moduls in das Wandbild
import matplotlib.pyplot as plt
#Erklärende Variablen setzen
X = [40, 50, 60, 70]
#Zielvariable einstellen
y = [x+110 for x in X]
#Grafik Wandbild
#Diagramminstanziierung
plt.figure(facecolor="w", figsize=(8, 6))
#Gitter(Gittergewebe)Einstellen
plt.grid(True)
#Größe und Gewicht jeder Person
plt.scatter(X, y)
plt.scatter(55, 165, color="red")
#Rosa gerade Linie der Zielfunktion
plt.plot(X, y, color="pink")

#Diagrammübersicht
plt.xlabel("weight(kg)")
plt.ylabel("height(cm)")
plt.title("predict")
# plt.savefig("Verzeichnispfad, den Sie speichern möchten"/Dateiname, den Sie speichern möchten") #Wenn Sie das Diagramm speichern möchten

Wenn Sie jetzt so etwas wie die Wiedergabetaste oben links drücken, sollte die Grafik angezeigt werden!

Am Ende Nächster Hinweis

Dieses Mal lernte ich die Einführung von "Learn Machine Learning", den Aufbau einer Programmierausführungsumgebung und die Implementierung einfacher Diagramme. Ich habe alle geschrieben, von denen ich wünschte, ich hätte sie. nächstes Mal

Was ist eine einfache Regressionsanalyse? Ich würde gerne schreiben. Vielen Dank!