Бесплатные лабораторные работы: Машинное обучение

Научное обучение с учителем. Если вы слышите или читаете этот термин впервые, то может быть совершенно непонятно, что это значит. Не беспокойтесь. В этом лабораторном занятии вы получите всестороннее понимание научного обучения с учителем; и в следующей главе эксперимента вы научитесь использовать научное обучение с учителем для выполнения предсказания данных.

Линейная регрессия - это относительно простой, но важный метод машинного обучения. Освоение принципа линейности и методов ее решения - это один из основных требований при работе с линейной регрессией. Кроме того, линейная регрессия также является основой для обучения с учителем в задачах регрессии. Мы надеемся, что вы сможете овладеть некоторыми важными идеями машинного обучения на основе этого эксперимента.

В главе линейной регрессии мы подробно обсуждали кодовую реализацию, приводя примеры цен на жилье в Бостоне. В этом испытании вам нужно использовать полученные знания из линейной регрессии для предсказания цен на жилье в Пекине.

Логистическая регрессия - это очень базовый метод классификации в машинном обучении. Благодаря простоте и эффективности, этот алгоритм широко используется на практике. В этом курсе мы исследуем принцип логистической регрессии и ее алгоритмическую реализацию, а также используем Scikit-learn для построения модели прогнозирования классификации логистической регрессии.

Среди классификационных прогнозов есть несколько алгоритмов, основанных на теории вероятностей. Naive Bayes - один из них. Алгоритм наивного Байеса прост в реализации, и эффективность прогностической классификации очень высока. В целом, наивный Байес - очень распространенный алгоритм. В этом разделе объясняется принцип алгоритма наивного Байеса с теоремы Байеса и оценки параметров, а также приводится его реализация на основе данных. Наконец, будет представлено практическое применение.

Мы реализовали линейную регрессию тремя методами. В этом задании вам предстоит выполнить подгонку полиномиальной регрессии с использованием TensorFlow и нарисовать кривую подгонки.

Линейная регрессия - это самая простая задача в машинном обучении. В то же время линейная регрессия тесно связана с искусственными нейронными сетями. В этом лабораторном курсе мы реализуем линейную регрессию, используя API, предоставляемое TensorFlow 2.

Мы использовали линейную регрессию в качестве примера, чтобы продемонстрировать новые изменения и функции в TensorFlow 2. Фактически более важная роль таких глубоких машинно-обучаемых фреймворков, как TensorFlow, заключается в построении искусственных нейронных сетей. Поэтому в этом эксперименте мы будем использовать TensorFlow 2 для построения простой прямолинейной нейронной сети.

Весь процесс глубокого обучения состоит из четырех этапов: обучение модели, оценка модели, сохранение модели и развертывание модели. Фактически, все содержимое, о котором мы говорили ранее, сосредоточено на первых двух этапах. В этом лабораторном курсе мы научимся сохранять и восстанавливать модель в TensorFlow 2.

За последние две недели курса мы изучили, что такое обучение с учителем, и как различаются различные методы обучения с учителем. На следующей неделе вы полностью освоите обучение без учителя и научитесь использовать обучение без учителя для кластеризации данных.

Мы познакомили вас с использованием TensorFlow. Предполагается, что вы знакомы с концепциями тензора, сессии и вычислительных графов. В этом испытании мы попытаемся построить структуру многослойной нейронной сети с использованием TensorFlow. Не беспокойтесь; здесь не используется глубокая нейронная сеть, и акцент делается на знакомство с использованием TensorFlow.

Мы познакомились с алгоритмами, обычно используемыми в регрессии и классификации в обучении с учителем. Далее мы приведем вас к изучению обучения без учителя: кластеризации. В этом эксперименте мы сначала объясним наиболее часто используемый метод кластеризации на основе центроидов, а затем подробно рассмотрим наиболее представительный алгоритм K-Means и другие члены семейства.

Мы научились строить нейронные сети с использованием TensorFlow и показали, как использовать низкоуровневые API и Keras TensorFlow. В этом курсе по практике вам предстоит самостоятельно построить простую нейронную сеть.

Мы уже научились использовать TensorFlow для реализации линейной регрессии и построения неглубокой нейронной сети. В этом лабораторном курсе мы сосредоточимся на построении более глубоких нейронных сетей, выбрав в качестве примера классическую структуру сверточной нейронной сети VGG для выполнения задачи классификации Fashion-MNIST. Кроме того, курс также научит нас использовать предварительно обученные модели для переноса обучения.

Начиная с этой главы, мы начнем путешествие по глубокому обучению. Ключ к глубокому обучению заключается в построении глубоких нейронных сетей. Если вы построите свою собственную глубокую нейронную сеть с нуля, процесс будет очень сложным. Поэтому, чтобы более удобно реализовать модель глубокого обучения, нам нужно изучить использование некоторых популярных фреймворков. В настоящее время в сообществе глубокого обучения более популярными фреймворками являются TensorFlow, Keras, PyTorch и др., каждый из которых имеет свои уникальные особенности. Благодаря поддержке Google и активности большого сообщества разработчиков, TensorFlow является надежным платформой и обновляется довольно часто. Изучение использования TensorFlow поможет вам удобно строить модели глубокого обучения.