[PYTHON] Das maschinelle Lernen in einem Monat auf ein praktisches Niveau bringen # 1 (Startausgabe)

Einführung

Ich erhielt einen einmonatigen kostenlosen Forschungszeitraum von Company und begann, maschinelles Lernen zu studieren, an dem ich mich seit einiger Zeit interessiert hatte. Da es eine große Sache ist, werde ich mein Lernen aufzeichnen. Heute, am ersten Tag, war es ein unorganisierter Verweis auf die Literatur und Lernmethoden zum Lernen von maschinellem Lernen.

Liste früherer Artikel

• Starttag 1
• Tag 2 Online-Kurs
• Tag 3 Oktave Tutorial
• Tag 4 Erster Schritt des maschinellen Lernens aus der linearen Regression
• Tag 5 Implementieren der linearen Regression in Oktave
• Tag 6 Vektorielle Implementierung durch Octave
• Tag 7 Logistische Rückgabe (Klassifizierungsproblem) Teil 1
• Tag 8 Logistische Rückgabe (Klassifizierungsproblem) Teil 2
• Tag 9 Überanpassung
• Normalisierung Tag 10
• Tag 11 Neuronales Netz Nr. 1
• Tag 12 Neuronales Netz Nr. 2
• Tag 13 Zusammenfassung der Kenntnisse, die zur Implementierung der für maschinelles Lernen erforderlichen Methode mit dem steilsten Abstieg erforderlich sind
• Zusammenfassung, was zu tun ist, wenn maschinelles Lernen am 14. Tag nicht korrekt ist
• Ergebnis des Studiums des maschinellen Lernens von null bis zu einem Monat am letzten Tag

Ziele setzen

Wir haben uns die Ziele für einen Monat wie folgt gesetzt.

1. Sie können mithilfe eines Ansatzes des maschinellen Lernens Lösungen für neue Probleme vorschlagen.
2. Sie können Vorschläge machen, um die manuell geleistete Arbeit durch Computerarbeit zu ersetzen.
3. Üben Sie, was Sie vorgeschlagen haben, oder erstellen Sie ein Projekt, das geübt werden kann.
4. Lösen Sie einfache Probleme, die tatsächlich vorhanden sind, und verwenden Sie sie als Ergebnis freier Forschung.

Vorbereitungen

Um diesen kurzen Monat sinnvoll zu verbringen, habe ich zunächst einige Bücher anstelle des Vorlaufs vor der freien Recherche vorbereitet.

Das Buch, das ich gekauft habe (nicht gelesen)

• Data Mining für Unternehmen
• Ein gutes Buch, das ein Kollege jedes Mal herausbringt, wenn ein interner LT
• Ich möchte zwischen Theorie und Praxis hin und her gehen, also möchte ich es im Praxisteil lesen
• (Ich mag Theorie, aber ich werde müde und müde von Theorie allein)
• Erste Mustererkennung
• Dies ist auch eines der praktischen Beispiele für maschinelles Lernen
• Einführung in die statistische Modellierung für die Datenanalyse
• Bekannt als "Midoribon"
• Es wird empfohlen, dies als Kenntnis der Statistik aufzunehmen.
• Verarbeitung natürlicher Sprache (Unterrichtsmaterialien der Broadcasting University)
• Einige der geplanten Aufgaben erfordern offensichtlich Kenntnisse der natürlichen Sprache
• Deep Learning (Machine Learning Professional Series)
• Wenn Sie es trotzdem tun, möchten Sie tief lernen.
• Ich persönlich mag Go und Poker, daher würde ich mich freuen, wenn ich es dort anwenden könnte.
• Zinsrahmen.

Das Buch, das ich gekauft und gelesen habe

• Einführung in die strategische Datenwissenschaft
• Was ist Datenwissenschaft?
• Was kann und was nicht
• Nützlichkeit der Datenwissenschaft
• Wenn Sie es zuerst lesen, werden Sie vor dem Lernen aufgeregter sein!
• (Wenn Sie dies nicht lesen und aufgeregt sind, ist es nicht geeignet.)
• Es ist gut, es im Sinne einer Beurteilung zu lesen.
• Aggregate Knowledge Programming
• Ich habe es vor 8 Jahren gelesen und möchte es daher überprüfen.
• Zu dieser Zeit habe ich sogar Python gestartet, um dies zu lesen.
• Dieses Mal habe ich nur das Inhaltsverzeichnis erneut bestätigt.
• Einführung in die Theorie des maschinellen Lernens für IT-Ingenieure
• Verlasse den Titel. Ich habe die Theorie des maschinellen Lernens breit und flach gelernt.
• Das Lesememo wurde zu einer Linkliste für zukünftiges Lernen.
• Viele Werkzeuge werden eingeführt, so dass es einfach zu üben ist.
• Ich werde die Lesehinweise am Ende als Anhang zu diesem Artikel zusammenfassen.

Die freie Forschung hat endlich begonnen

Und heute, dem ersten Tag, habe ich verschiedene Websites und Folien nach dem Zufallsprinzip durchgesehen, um zu entscheiden, welche Art von Kurs ich studieren möchte.

Die Folie, die ich gesehen habe

• Vor der Einführung in das maschinelle Lernen
• Geschichte über Datenanalyse durch maschinelles Lernen
• Tutorial für maschinelles Lernen
• Einführung in Support Vector Machine
• Tutorial für maschinelles Lernen mit scikit-learn
• Deep Learning

Die Seite, die ich gesehen habe

• Zusammenfassung der Artikel, die für den ersten Schritt des maschinellen Lernens nützlich sind
• Was ich in diesem Jahr angefangen habe, maschinelles Lernen zu lernen, was ich jetzt mit maschinellem Lernen machen möchte
• Was ich möchte, dass Leute, die mit maschinellem Lernen beginnen, im Auge behalten
• Begegnung mit Python zum maschinellen Lernen
• Beachten Sie, dass Anfänger des maschinellen Lernens "Python Machine Learning Programming" (Schnelllernkurs) lesen

Online-Kurs für maschinelles Lernen der Stanford University

Machine Learning - Stanford University | Coursera

Beendete WOCHE 1

• Das Feld des maschinellen Lernens ist sowieso gefragt!
• Maschinelles Lernen kann grob in "überwachtes Lernen und unbeaufsichtigtes Lernen" unterteilt werden.
• (Ich bin vorerst daran interessiert, mit einem Lehrer zu lernen)
• Überwachtes Lernen bedeutet, dass die richtige Antwort gegeben wird.
• Die Liste der Funktionen kann unendlich lang sein, aber es gibt Algorithmen, die damit umgehen können.
• Regressionsproblem => Vorhersage der kontinuierlichen Wertausgabe
• Klassifizierungsproblem => Vorhersage der diskreten Wertausgabe
• Wählen Sie Octave als Sprache für das Erlernen von maschinellem Lernen!
• Schnellstes Erlernen des maschinellen Lernens mit Octave in früheren Erfolgen
• Als Python.
• Python Ich habe versucht, verschiedene Dinge vorzubereiten ...
• Impressionen nach Beendigung von WOCHE 1
• Ungefähr 3 Stunden pro Woche.
• Wenn Sie es gemäß dem Zeitplan tun, dauert es bis ungefähr März
• Wenn Sie Ihr Bestes geben, können Sie 1 WOCHE am Morgen und eine weitere WOCHE am Nachmittag vorrücken.
• Der Inhalt ähnelt "Einführung in die Theorie des maschinellen Lernens für IT-Ingenieure".
• Es ist jedoch leicht zu verstehen, da es langsamer und detaillierter erklärt wird.

Ab morgen werden wir diesen Stanford-Kurs für maschinelles Lernen abhalten. Es scheint, dass es bis zur 11. WOCHE ist, und selbst wenn Sie eine morgens und eine nachmittags machen, endet sie in einer Woche, daher möchte ich diesen Kurs vor Weihnachten beenden und ein Gefühl dafür bekommen.

Wenn ich dann versuche, meine Hand zu bewegen, möchte ich nicht kontextverändert werden, weil ich stolpere oder mir Zeit an einem nicht wesentlichen Ort nehme. Deshalb werde ich die Umgebung für maschinelles Lernen in Python überprüfen und morgen die stärkste Umgebung erstellen. Ich dachte, aber ich muss auch eine Octave-Umgebung erstellen.

Was morgen zu tun?

• Machine Learning - Stanford University | Coursera
• Diese WOCHE 2, WOCHE 3
• (↑ Dies allein dauert 6 Stunden ...)
• Erstellen einer Oktavumgebung
• Überprüfen (oder Neuerstellen) der maschinellen Python-Lernumgebung
• pyenv / virtualenv
• anaconda
• IPython
• Jupyter
• NumPy
• pandas
• SciPy
• matplotlib
• PIL(Python Image Library)
• scikit-learn

Blinddarm

Einführung in die Theorie des maschinellen Lernens Lesen von Memo

Überblick

Einführung in die Theorie des maschinellen Lernens für IT-Ingenieure Technical Review Company Etsuji Nakai

Klassifizierung von Algorithmen für maschinelles Lernen

• Klassifikation: Algorithmus, der ein Klassenurteil erzeugt
• Regressionsanalyse: Algorithmus zur Vorhersage numerischer Werte
• Clustering: Ein Algorithmus für unbeaufsichtigte Gruppierung
• Andere (nicht behandelt)
• Ähnliche Übereinstimmung
• Analyse des gleichzeitigen Auftretens
• Link Vorhersage

Überprüfen Sie die Bedingungen

• Minimum Square Methode
• Trainingssatz, Funktionsvariablen, Zielvariablen
• Polygonale Approximation, Fehlerfunktion
• Überanpassungsproblem
• Höchstwahrscheinlich Schätzmethode
• Einstellen der Datengenerierungswahrscheinlichkeit
• Parameterauswertung (Parameter, der die Wahrscheinlichkeit maximiert)
• Bewertung der geschätzten Menge (Übereinstimmung positiv und universell)
• Perceptron
• Gerade Gleichung, die die Ebene teilt
• Auswertung der Klassifizierungsergebnisse nach Fehlerfunktion
• Probabilistische Gradientenabstiegsmethode-> Änderung der Parameter durch Gradientenvektor
• Geometrische Interpretation
• Bias-Term-Willkür und Algorithmus-Konvergenzgeschwindigkeit
• Geometrische Interpretation / Geometrische Bedeutung des Bias-Terms
• Logistische Regression
• Definition der Wahrscheinlichkeit des Auftretens von Daten
• Bestimmung von Parametern mit der wahrscheinlichsten Schätzmethode
• ROC-Kurve
• Anwendung der logistischen Regression auf reale Probleme
• Leistungsbewertung anhand der ROC-Kurve
• IRLS-Methode
• k bedeutet?
• Grundlagen des unbeaufsichtigten Lernmodells
• EM-Algorithmus
• Unüberwachtes Lernmodell nach der wahrscheinlichsten Schätzmethode
• Bernui Verteilung
• Bernui Mischverteilung
• Clustering mit EM-Algorithmus
• Bayesianische Schätzung
• Satz von Bayes
• Anwendung der Bayes'schen Schätzung auf die Regressionsanalyse

Analysetool überprüfen

• NumPy
• SciPy
• matplotlib
• pandas
• PIL(Python Image Library)
• scikit-learn
• IPython
• Jupyter
• Theano

Weitere Nachschlagewerke

• Einführung in die strategische Datenwissenschaft -> O'Reillys Typ
• Mustererkennung und maschinelles Lernen -> Nächstes Buch zum Lesen
• Einführung in die statistische Modellierung für die Datenanalyse Takuya Kubo Iwanami Shoten-> Gekauft
• Einführung in die Datenanalyse mit Python -> Es war in der Bibliothek