Labs gratuits Apprentissage automatique

Apprentissage supervisé. Si vous entendez ou lisez ce terme pour la première fois, il peut ne pas être du tout clair ce que cela signifie. Ne vous inquiétez pas. Dans ce laboratoire, vous allez avoir une compréhension complète de l'apprentissage supervisé ; et, dans le chapitre suivant de l'expérience, vous allez apprendre à utiliser l'apprentissage supervisé pour effectuer des prédictions de données.

La régression linéaire est une méthode d'apprentissage automatique relativement simple mais importante. Maîtriser le principe de linéarité et ses méthodes de résolution est l'une des exigences fondamentales pour traiter la régression linéaire. De plus, la régression linéaire est également le fondement de l'apprentissage supervisé de la régression. Nous espérons que vous pourrez saisir quelques idées importantes de l'apprentissage automatique grâce à cette expérience.

Dans le chapitre de la régression linéaire, nous avons discuté en détail de la mise en œuvre du code en donnant des exemples de prix des logements à Boston. Dans ce défi, vous devez utiliser les connaissances acquises à partir de la régression linéaire pour prédire les prix des logements à Beijing.

La régression logistique est une méthode de classification très basique en apprentissage automatique. Grâce à sa simplicité et à son efficacité, l'algorithme est largement utilisé dans des scénarios pratiques. Dans ce cours, nous explorerons le principe de la régression logistique et sa mise en œuvre algorithmique, et utiliserons scikit-learn pour construire un modèle de prédiction de classification par régression logistique.

Parmi les prédictions de classification, il existe peu d'algorithmes basés sur la théorie des probabilités. Le Bayésien naïf en est l'un. L'algorithme Bayésien naïf est facile à implémenter et l'efficacité de la classification prédictive est très élevée. En général, le Bayésien naïf est un algorithme très courant. Ce chapitre explique principalement le principe de l'algorithme Bayésien naïf à partir du théorème de Bayes et de l'estimation des paramètres, et le combine avec des données pour l'implémenter. Enfin, nous présenterons une application pratique.

Nous avons implémenté la régression linéaire en utilisant trois méthodes. Ce défi vous exigera de compléter l'ajustement de la régression polynomiale à l'aide de TensorFlow et de tracer la courbe d'ajustement.

La régression linéaire est le problème le plus simple en apprentissage automatique. En même temps, la régression linéaire est étroitement liée aux réseaux de neurones artificiels. Dans ce cours de laboratoire, nous allons implémenter la régression linéaire en utilisant l'API fournie par TensorFlow 2.

Nous avons utilisé la régression linéaire comme exemple pour démontrer les nouveaux changements et les nouvelles fonctionnalités de TensorFlow 2. En fait, le rôle plus important des frameworks de deep learning tels que TensorFlow est de construire des réseaux de neurones artificiels. Ainsi, cette expérience utilisera TensorFlow 2 pour construire un simple réseau de neurones avant-feed.

Un processus complet d'apprentissage profond se compose de quatre étapes : entraînement du modèle, évaluation du modèle, sauvegarde du modèle et déploiement du modèle. En fait, tous les contenus que nous avons mentionnés précédemment se concentrent sur les deux premières étapes. Dans ce cours de laboratoire, nous allons apprendre à sauvegarder et à restaurer un modèle dans TensorFlow 2.

Au cours des deux semaines précédentes du cours, nous avons appris ce qu'est l'apprentissage supervisé et comment sont les différentes méthodes d'apprentissage supervisé. La semaine prochaine, vous comprendrez pleinement l'apprentissage non supervisé et apprendrez à utiliser l'apprentissage non supervisé pour effectuer un regroupement de données.

Nous avons présenté l'utilisation de TensorFlow. Vous devriez être familier avec les concepts de tenseur, de session et de graphes de calcul. Dans ce défi, nous allons essayer de construire une structure de réseau neuronal multicouche à l'aide de TensorFlow. Ne vous inquiétez pas ; il n'y a pas de réseau neuronal profond impliqué ici et le focus est sur la familiarisation avec l'utilisation de TensorFlow.

Nous avons été familiarisés avec les algorithmes couramment utilisés en régression et en classification dans l'apprentissage supervisé. Ensuite, nous allons vous guider pour apprendre l'apprentissage non supervisé : le regroupement. Dans cette expérience, nous expliquons tout d'abord la méthode de regroupement basée sur le centroïde la plus couramment utilisée, puis présentons en détail l'algorithme K-Means le plus représentatif et les autres membres de la famille.

Nous avons appris à construire des réseaux de neurones à l'aide de TensorFlow et avons démontré comment utiliser les API de bas niveau et Keras de TensorFlow. Ce cours de challenge vous demande de construire indépendamment un réseau de neurones peu profond.

Nous avons déjà appris à utiliser TensorFlow pour implémenter la régression linéaire et construire un réseau de neurones peu profond. Dans ce cours de laboratoire, nous nous concentrerons sur la construction de réseaux de neurones plus profonds, en choisissant VGG - la structure classique de réseau de neurones convolutifs - comme exemple pour réaliser la tâche de classification Fashion-MNIST. En outre, le cours nous apprendra également à utiliser des modèles pré-entraînés pour le transfert d'apprentissage.

A partir de ce chapitre, nous allons commencer le voyage dans le domaine de l'apprentissage profond. Le clé de l'apprentissage profond réside dans la construction de réseaux neuronaux profonds. Si vous construisez votre propre réseau neuronal profond à partir de zéro, le processus sera très compliqué. Par conséquent, afin de mettre en œuvre plus facilement le modèle d'apprentissage profond, nous devons étudier l'utilisation de certains frameworks courants. Actuellement, dans la communauté de l'apprentissage profond, les frameworks les plus populaires sont TensorFlow, Keras, PyTorch etc., chacun ayant ses propres caractéristiques uniques. Grâce au soutien de Google et à l'activité de la grande communauté de développeurs, TensorFlow est une plateforme fiable et est mise à jour assez fréquemment. L'étude de l'utilisation de TensorFlow vous aidera à construire facilement des modèles d'apprentissage profond.