[PYTHON] Classification de l'apprentissage automatique

introduction

Dans quel ordre devrions-nous commencer à étudier l'apprentissage automatique? C'était aussi très ennuyeux pour moi. Après tout, je n'avais pas beaucoup de connaissances de base, alors j'ai décidé de le résumer parce que je pouvais voir d'une manière ou d'une autre la direction à mesure que je traversais diverses choses. Il est difficile de savoir si cela sera utile à tout le monde.

Il y a une bibliothèque pour que vous puissiez l'utiliser

C'est vraiment correct. Vous pouvez conduire une voiture sans savoir comment fonctionne le moteur. L'important est la valeur que vous créez avec votre voiture, vous n'avez pas le temps de réinventer les roues. Si vous utilisez scikit-learn pour l'apprentissage automatique et tensorflow pour l'apprentissage en profondeur, vous pouvez utiliser maintenant et la jeune IA en un rien de temps!

C'est vrai, mais je pense qu'il vaut mieux avoir la théorie et les connaissances sous-jacentes pour pouvoir sélectionner les outils de manière plus appropriée et plus efficace. Ah, je pense qu'il est très important de pouvoir comprendre intuitivement que ce cas doit être résolu de cette manière.

Alors comment

J'ai fini avec scikit-learn cheat sheet et Microsoft cheat sheet. .com / ja-jp / azure / machine-learning / algorithme-aide-mémoire). J'ai senti que la classification de l'apprentissage automatique était bien organisée. scikit-learn est un peu plus restreint, et je pense que Microsoft est meilleur pour traiter un plus large éventail de domaines et de nouveaux domaines.

Dans le futur, je considérerai l'implémentation de python sans compter sur la bibliothèque de l'histoire théorique des éléments suivants. Ensuite, je voudrais procéder pour que la bibliothèque puisse être utilisée. Il y a déjà beaucoup d'articles similaires et meilleurs, donc je pense que je les donne souvent (déclaration d'omission).

J'omettrai les mathématiques de niveau secondaire (intégration différentielle, matrice, statistiques de probabilité, etc.) qui seront nécessaires à la compréhension et à l'utilisation de base de python.

Premièrement, la classification de l'apprentissage automatique

Il existe trois catégories principales.

Apprendre avec un enseignant

Apprenez la sortie pour diverses entrées et estimez la sortie pour les entrées inconnues. L'estimation du prix d'une maison, l'estimation de la qualité du vin et la reconnaissance des caractères manuscrits se font par apprentissage supervisé.

Apprendre sans professeur

Il est utilisé pour organiser des données de grande dimension et les projeter sur des données de faible dimension (réduction de dimension), ou pour catégoriser les données. La classification des iris est réalisée par apprentissage sans professeur.

Renforcer l'apprentissage

Apprendre les actions à entreprendre pour maximiser les récompenses. Les programmes qui capturent des jeux, et les soi-disant IA pour Go et Shogi, sont basés sur un apprentissage amélioré.

aide-mémoire scikit-learn

Comme il s'agissait à l'origine d'une bibliothèque spécialisée dans l'apprentissage automatique, les bases sont supprimées. Pour une explication détaillée, voir "[Qu'est-ce que Scikit-learn? Résumé de ce que vous pouvez faire avec Scikit-learn en 5 minutes](https://ai-kenkyujo.com/2019/07/08/can-do-with-scikit-learn /) », Considérons d'abord l'algorithme de base.

Régression

Il existe de nombreuses analyses de régression,

• Régression linéaire
• Régression simple
• Régression multiple
• Régression de la fonction de base
• Méthode de descente de gradient
• Régularisation: Régression Lasso / Régression Ridge / Régression ElasticNet

Autour.

Classification

Distinguer les chiens, les chats et les oiseaux et reconnaître les personnages

• 2 Classe de classification
• Perceptron simple
• Retour logistique
• Machine de vecteur de soutien
• De base
• Application
• Classification multi-classes
• 2 Classification multi-classes
• Théorie
• Mise en œuvre
• méthode de voisinage k (méthode kNN)
• Arbre de décision
• Ensachage
• Boosting
• Forêt aléatoire

Tel.

Clustering

• méthode k-means

Et.

Réduction de dimension

• PCA (analyse des composants principaux)
• Analyse des composants principaux du noyau
• Matrix Factorication

Aide-mémoire Microsoft

Microsoft est très concentré sur l'apprentissage automatique et a publié de nombreux articles.

Analyse de texte (traitement du langage naturel)

Analyse morphologique, vectorisation d'analyse statistique, etc.

Classification des images

Apprentissage de rang

Résumé

Finalement, j'étudierai les réseaux de neurones et l'apprentissage en profondeur, et je passerai à kaggle, mais j'aimerais commencer par les classiques.