[PYTHON] Maschinelles Lernen ab 0 für theoretische Physikstudenten # 1

Inhaltsverzeichnis ―― 1. Aktuelle Situation ―― 2. Informationen zur Programmiersprache ―― 3. Von nun an

1. Aktuelle Situation

Diese Qiita ist für Studenten der Naturwissenschaften gedacht, die in Zukunft IT-Ingenieure werden möchten ・ Was Sie verstehen können, auch wenn Sie bei 0 beginnen ・ Visualisierung der Ergebnisse der eigenen Studie Es ist ein Memorandum, für das ich angefangen habe. (Ich bin ein Mädchen, das nicht viel Wissen hat. Ich wäre dankbar, wenn Sie mir Korrekturen oder Ratschläge geben könnten.

Hintergrund

Maschinenbau → theoretische Physik → IT-Ingenieur (Zukunft) Student der Naturwissenschaften mit Hintergrund

Programmierkenntnisse (Stand Juni 2020)

C-Sprache → Grundlegende Informationsverarbeitung, keine Entwicklungserfahrung Python → Kann grundlegende Informationsverarbeitung durchführen, hat keine Entwicklungserfahrung

Entwicklungsumgebung

MacOS -10.13.6 Python -2.7.16 (Mac-Erstausrüstung) python -3.8.0

2. Informationen zur Programmiersprache

Typische Programmiersprache

System / Anwendung: Java, C, Ruby, PHP Webdesign-System: JavaScript, PHP, HTML Künstliche Intelligenz: Python Hinweis * Einfache Klassifizierung. Es gibt Bereiche, in denen jeder angewendet werden kann.

Eigenschaften jeder Sprache (gerade untersucht)

Java: Eine klassenbasierte objektorientierte Allzweckprogrammiersprache (Objekt: ein Komplex aus Daten und Code). Ähnlich der C-Sprache. Eine der beliebtesten Programmiersprachen in Webanwendungen.

C: Allgemeine Programmiersprache. Die Betriebsumgebung ist stark eingeschränkt. Abgeleitete Quellen wie C ++ und Java. Wird in System- und Anwendungssystemen verwendet.

Javascript: Eine prototypbasierte objektorientierte Skriptsprache. Wird zum Entwerfen von Websites und Wen-Apps verwendet. Wird von vielen Webbrowsern verwendet. Hinweis * Eine andere Sprache als Java.

Ruby: Eine objektorientierte Skriptsprache, die vom Japaner Yukihiro Matsumoto entwickelt wurde. Python ist die konkurrierende Sprache nach Perl. Wird in Webanwendungen, bei der Erstellung von Homepages usw. verwendet. Leicht verständlicher Code, der von Japanern entwickelt wurde, sodass japanische Informationen leicht zu erhalten sind.

PHP: Hat Eigenschaften als Programmiersprache und Verarbeitungssystem. Die Sprache ist nah an C und Java. Sie können dynamische Webseiten auf der Serverseite erstellen. Es kann in Apps verwendet werden, wird jedoch häufig in Websites verwendet.

HTML: Eine Auszeichnungssprache zum Erstellen von Webseiten. Die meisten Webseiten sind in HTML erstellt.

Python: Ein Allzweckcode, der einfach und leicht zu erlernen ist. Es verfügt über zahlreiche Bibliotheken, lässt sich leicht auf verschiedene Bereiche anwenden (Sie können einen von anderen erstellten Programmblock verwenden) und verfügt über zahlreiche kompatible Betriebsumgebungen (Hardware, Betriebssystem). Es wird in der künstlichen Intelligenz und im maschinellen Lernen eingesetzt.

Welche Sprache zu lernen

** Weltnachfrage **

Ist Mainstream?

** Einfach und leicht zu erlernen ** -Skriptsprache: Da der Quellmantel so ausgeführt werden kann, wie er ist, können die Ergebnisse sofort angezeigt werden und das Lernen ist einfach. ex) Python, JavaScript, Ruby, PHP

-Compilersprache: Sie müssen den Quellcode kompilieren, um ihn auszuführen. ex) C, Java

** Anwendung funktioniert ** -Python → Eine umfangreiche Bibliothek (ein Paket, das Funktionen für einen bestimmten Zweck zusammenfasst) und eine breite Palette von Anwendungen. ex) App, künstliche Intelligenz, Statistik / Datenanalyse, IoT-Entwicklung Hinweis * Eine Sammlung mehrerer Funktionen → Modul Eine Sammlung von Modulen → Paket Eine Sammlung von Paketen → Bibliothek Bibliothek = Eine Sammlung einer großen Anzahl von Programmen, die etwas können.

・ JavaScript → Web Front Engineer erforderlich. Es wird für den Teil verwendet, der sich auf das Verhalten des Benutzers im Browser bezieht.

・ Ruby → Wird für die Anwendungsentwicklung verwendet. Die Bibliothek Ruby on Rails wird häufig verwendet. Da es von den Japanern entwickelt wurde, können Sie das Konzept einer Programmiersprache, die auf Japanisch objektorientiert heißt, fest erlernen.

3. Von nun an

** Zweck des Lernens **

  1. Nehmen Sie Kontakt mit verschiedenen Sprachen auf und wissen Sie, was erreicht werden kann. (Um zu entscheiden, in welchem Bereich Ingenieur werden sollen) × Berufswahl mit Zweck ○ Berufswahl mit Geschick

  2. Anwendung auf Forschungsaktivitäten Anwendung der Technologie der künstlichen Intelligenz auf die Physik

** Art des Ingenieurs und erforderliche Sprache (ebenso wie das Schreiben von Notizen) **

** Sprache zu lernen **

Python lernen und maschinelles Lernen für eine Weile für die Forschung ausführen. Danach möchte ich Ruby und Java alleine lernen und Entwicklungserfahrung sammeln.

Verweise

Recommended Posts

Maschinelles Lernen ab 0 für theoretische Physikstudenten # 1
Maschinelles Lernen ab 0 für theoretische Physikstudenten # 2
Maschinelles Lernen von Grund auf neu (maschinelles Lernen mit Kaggle)
Python-Lernnotiz für maschinelles Lernen von Chainer aus Kapitel 2
Lernmethode zum Lernen von maschinellem Lernen von Grund auf neu (Version März 2020)
Datensatz für maschinelles Lernen
Japanische Vorverarbeitung für maschinelles Lernen
[Maschinelles Lernen] Unkorrelation aus der Mathematik verstehen
<Für Anfänger> Python-Bibliothek <Für maschinelles Lernen>
Informationen zum maschinell erlernten Meeting für HRTech
[Empfohlenes Tagging für maschinelles Lernen # 4] Skript für maschinelles Lernen ...?
Newton-Methode für maschinelles Lernen (von 1 Variablen zu mehreren Variablen)
Verstärken Sie Bilder für maschinelles Lernen mit Python
"Python AI Programmierung" ab 0 für Windows
Erste Schritte für Anfänger des maschinellen Lernens (KI)
Verwenden Sie die API-Gruppe A3RT für maschinelles Lernen aus Python
Eine Einführung in OpenCV für maschinelles Lernen
Warum Python für maschinelles Lernen ausgewählt wird
"Verwendbare" One-Hot-Codierungstechnik für maschinelles Lernen
Maschinelles Lernen
[Shakyo] Begegnung mit Python zum maschinellen Lernen
[Python] Webanwendungsdesign für maschinelles Lernen
Eine Einführung in Python für maschinelles Lernen
Erstellen einer Entwicklungsumgebung für maschinelles Lernen
Feature Engineering für maschinelles Lernen Beginnend mit dem 4. Google Colaboratory - Interacting Features
Eine Einführung in maschinelles Lernen für Bot-Entwickler
Maschinelles Lernen beginnend mit Python Personal Memorandum Part2
Maschinelles Lernen beginnend mit Python Personal Memorandum Part1
Hinweise zum maschinellen Lernen (von Zeit zu Zeit aktualisiert)
Algorithmus für maschinelles Lernen (von der Klassifizierung in zwei Klassen bis zur Klassifizierung in mehreren Klassen)
[Hinweis] Python beim Starten von maschinellem Lernen / Deep Learning [Links]
[Python] Sammeln Sie Bilder mit Icrawler für maschinelles Lernen [1000 Blatt]
Überblick über maschinelle Lerntechniken, die aus Scikit-Learn gelernt wurden
Sammeln Sie Bilder für maschinelles Lernen (Bing Search API)
[Für Anfänger] Einführung in die Vektorisierung beim maschinellen Lernen
[CodeIQ] Ich habe die Wahrscheinlichkeitsverteilung von Würfeln geschrieben (aus dem CodeIQ-Mathematikkurs für maschinelles Lernen [Wahrscheinlichkeitsverteilung]).
[Python] Speichern Sie PDF von Google Colaboratory in Google Drive! -Lass uns Daten für maschinelles Lernen sammeln-
[Memo] Maschinelles Lernen
Klassifikation des maschinellen Lernens
Beispiel für maschinelles Lernen
Bildersammlung Python-Skript zum Erstellen von Datensätzen für maschinelles Lernen
[Empfohlenes Tagging beim maschinellen Lernen # 2] Erweiterung des Scraping-Skripts
[Empfohlenes Tagging beim maschinellen Lernen # 2.5] Änderung des Scraping-Skripts
[Maschinelles Lernen] SVM sowohl aus Scikit-Lernen als auch aus Mathematik verstehen
Python-Lernnotiz für maschinelles Lernen von Chainer Kapitel 1 und 2
Installation von TensorFlow, einer Bibliothek für maschinelles Lernen von Google
Vorbereitung zum Starten von "Python Machine Learning Programming" (für macOS)
[Python] Ich habe einen Klassifikator für Iris erstellt [Maschinelles Lernen]
Pip die maschinelle Lernbibliothek von einem Ende (Ubuntu)
14 E-Mail-Newsletter zum Sammeln von Informationen zum maschinellen Lernen
Konstruktionsnotiz für eine maschinelle Lernumgebung von Python
xgboost: Effektives Modell für maschinelles Lernen für Tabellendaten
Erstellen Sie mit Winsows 10 eine maschinelle Lernumgebung von Grund auf neu
Einführung in das maschinelle Lernen mit Simple Perceptron
Alles für Anfänger, um maschinelles Lernen zu können
Aufbau einer Umgebung für maschinelles Lernen von Grund auf neu (Windows 10 + Anaconda + VSCode + Tensorflow + GPU-Version)