Machine Learning handledning täcker grundläggande och avancerade koncept, speciellt utformade för att tillgodose både studenter och erfarna arbetande yrkesverksamma.

Denna handledning för maskininlärning hjälper dig att få en solid introduktion till grunderna för maskininlärning och utforska ett brett utbud av tekniker, inklusive övervakad, oövervakad och förstärkningsinlärning.

Maskininlärning (ML) är en underdomän av artificiell intelligens (AI) som fokuserar på att utveckla system som lär sig – eller förbättrar prestanda – baserat på den data de får in. Artificiell intelligens är ett brett ord som syftar på system eller maskiner som liknar mänsklig intelligens. Maskininlärning och AI diskuteras ofta tillsammans, och termerna används ibland omväxlande, även om de inte betyder samma sak. En avgörande skillnad är att även om all maskininlärning är AI, är inte all AI maskininlärning.

Vad är maskininlärning?

Machine Learning är det studieområde som ger datorer förmågan att lära sig utan att vara explicit programmerad. ML är en av de mest spännande teknikerna som man någonsin skulle ha stött på. Som det framgår av namnet ger det datorn som gör den mer lik människor: Förmågan att lära. Maskininlärning används aktivt idag, kanske på många fler ställen än man kan förvänta sig.

Nya artiklar om maskininlärning

Innehållsförteckning

• Introduktion
• Oövervakat lärande
• Förstärkningsinlärning
• Dimensionalitetsminskning
• Naturlig språkbehandling
• Neurala nätverk
• ML – Utplacering
• ML – Applikationer
• Övrigt

Funktioner i maskininlärning

• Maskininlärning är datadriven teknik. Stora mängder data som genereras av organisationer dagligen. Så, genom anmärkningsvärda relationer i data, fattar organisationer bättre beslut.
• Maskinen kan lära sig av tidigare data och automatiskt förbättras.
• Från den givna datamängden upptäcker den olika mönster på data.
• För de stora organisationerna är varumärkesbyggande viktigt och det kommer att bli lättare att rikta in sig på relaterbar kundbas.
• Det liknar datautvinning eftersom det också handlar om den enorma mängden data.

Introduktion:

1. Komma igång med maskininlärning
2. En introduktion till maskininlärning
3. Vad är maskininlärning?
4. Introduktion till data i maskininlärning
5. Avmystifierande maskininlärning
6. ML – Applikationer
7. Bästa Python-bibliotek för maskininlärning
8. Artificiell intelligens | En introduktion
9. Maskininlärning och artificiell intelligens
10. Skillnaden mellan maskininlärning och artificiell intelligens
11. Agenter inom artificiell intelligens
12. 10 grundläggande intervjufrågor för maskininlärning

Förstå databehandling

Python | Skapa testdataset med Sklearn

Python | Generera testdatauppsättningar för maskininlärning

Python | Dataförbehandling i Python

Datarengöring

Funktionsskalning – Del 1

Funktionsskalning – Del 2

Python | Etikettkodning av datamängder

Python | One Hot Encoding av datamängder

Hantera obalanserad data med SMOTE och Near Miss Algorithm i Python

Dummy variabel fälla i regressionsmodeller

Övervakat lärande:

1. Komma igång med klassificering
2. Grundläggande klassificeringsbegrepp
3. Typer av regressionstekniker
4. Klassificering vs regression
5. ML | Typer av lärande – Övervakat lärande
6. Flerklassklassificering med scikit-learn
7. Gradient Descent:
   • Gradient Descent-algoritm och dess varianter
   • Stokastisk Gradient Descent (SGD)
   • Mini-Batch Gradient Descent med Python
   • Optimeringstekniker för Gradient Descent
   • Introduktion till Momentum-baserad Gradient Optimizer
8. Linjär regression :
   • Introduktion till linjär regression
   • Gradient Descent i linjär regression
   • Matematisk förklaring för linjär regression
   • Normal ekvation i linjär regression
   • Linjär regression (Python-implementering)
   • Enkel linjär regression med R
   • Univariat linjär regression i Python
   • Multipel linjär regression med Python
   • Multipel linjär regression med R
   • Lokalt viktad linjär regression
   • Generaliserade linjära modeller
   • Python | Linjär regression med sklearn
   • Linjär regression med hjälp av Tensorflow
   • En praktisk metod för enkel linjär regression med hjälp av R
   • Linjär regression med PyTorch
   • Pyspark | Linjär regression med Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge med linjär regression
9. Python | Införande av Polynomregression
10. Softmax regression med TensorFlow
11. Logistisk tillbakagång :
    • Förstå logistisk regression
    • Varför logistisk regression i klassificering?
    • Logistisk regression med Python
    • Kostnadsfunktion i Logistic Regression
    • Logistisk regression med Tensorflow
12. Naiv Bayes Klassificerare
13. Supportvektor:
    • Stöd Vector Machines (SVM) i Python
    • SVM Hyperparameter Tuning med GridSearchCV
    • Stöd Vector Machines (SVM) i R
    • Använda SVM för att utföra klassificering på en icke-linjär datauppsättning
14. Beslutsträd:
15. • Beslutsträd
    • Beslutsträdsregression med sklearn
    • Beslutsträd Inledning med exempel
    • Implementering av beslutsträd med Python
    • Beslutsträd inom mjukvaruteknik
15. Random Forest:
    • Random Forest Regression i Python
    • Ensemble Classifier
    • Röstklassificerare med Sklearn
      
    • Säckklassificerare

Oövervakat lärande:

1. ML | Typer av lärande – oövervakat lärande
2. Övervakat och oövervakat lärande
3. Klustring i maskininlärning
4. Olika typer av klustringsalgoritmer
5. K betyder Clustering – Introduktion
6. Armbågsmetod för optimalt värde på k i KMeans
7. Slumpmässig initialiseringsfälla i K-Means
8. ML | K-means++ Algoritm
9. Analys av testdata med hjälp av K-Means Clustering i Python
10. Mini Batch K betyder klustringsalgoritm
11. Mean-Shift Clustering
12. DBSCAN – Densitetsbaserad klustring
13. Implementering av DBSCAN-algoritm med Sklearn
14. Fuzzy Clustering
15. Spektral klustring
16. OPTIK Clustering
17. OPTIK Clustering Implementering med Sklearn
18. Hierarkisk klustring (agglomerativ och splittrad klustring)
19. Implementera Agglomerative Clustering med Sklearn
20. Gaussisk blandningsmodell

Förstärkningsinlärning:

1. Förstärkningsinlärning
2. Förstärkningsinlärningsalgoritm: Pythonimplementering med Q-learning
3. Introduktion till Thompson Sampling
4. Genetisk algoritm för förstärkningsinlärning
5. SARSA Reinforcement Learning
6. Q-Learning i Python

Dimensionalitetsminskning:

1. Introduktion till dimensionsreduktion
2. Introduktion till Kernel PCA
3. Principal Component Analysis (PCA)
4. Huvudkomponentanalys med Python
5. Lågrankade approximationer
6. Översikt över linjär diskrimineringsanalys (LDA)
7. Matematisk förklaring av linjär diskrimineringsanalys (LDA)
8. Generaliserad diskrimineringsanalys (GDA)
9. Oberoende komponentanalys
10. Funktionskartläggning
11. Extra trädklassificerare för funktionsval
12. Chi-Square-test för funktionsval – matematisk förklaring
13. ML | T-distribuerad Stokastisk Neighbor Embedding (t-SNE) Algoritm
14. Python | Hur och var tillämpar man funktionsskalning?
15. Parametrar för funktionsval
16. Underfitting och Overfitting i maskininlärning

Naturlig språkbehandling :

1. Introduktion till naturlig språkbehandling
2. Textförbehandling i Python | Set – 1
3. Textförbehandling i Python | Set 2
4. Ta bort stoppord med NLTK i Python
5. Tokenisera text med NLTK i python
6. Hur tokeniserande text, mening, ord fungerar
7. Introduktion till Stemming
8. Stamord med NLTK
9. Lematisering med NLTK
10. Lematisering med TextBlob
11. Hur får man synonymer/antonymer från NLTK WordNet i Python?

Neurala nätverk :

1. Introduktion till artificiella neutrala nätverk | Set 1
2. Introduktion till artificiella neurala nätverk | Set 2
3. Introduktion till ANN (Artificial Neural Networks) | Set 3 (hybridsystem)
4. Introduktion till ANN | Set 4 (nätverksarkitekturer)
5. Aktiveringsfunktioner
6. Implementering av utbildningsprocess för artificiella neurala nätverk i Python
7. Ett neuralt nätverk av en enda neuron i Python
8. Konvolutionella neurala nätverk
   • Introduktion till Convolution Neural Network
   • Introduktion till Pooling Layer
   • Introduktion till stoppning
   • Typer av stoppning i faltningsskikt
   • Tillämpa Convolutional Neural Network på mnist dataset
9. Återkommande neurala nätverk
   • Introduktion till återkommande neurala nätverk
   • Återkommande neurala nätverksförklaring
   • seq2seq modell
   • Introduktion till långtidsminne
   • Långt korttidsminne Nätverk Förklaring
   • Gated Recurrent Unit Networks (GAN)
   • Textgenerering med Gated Recurrent Unit Networks
10. GAN – Generative Adversarial Network
    • Introduktion till Generative Adversarial Network
    • Generative Adversarial Networks (GAN)
    • Användningsfall av generativa kontradiktoriska nätverk
    • Bygga ett generativt motståndsnätverk med hjälp av Keras
    • Modal kollaps i GAN
11. Introduktion till Deep Q-Learning
12. Implementera Deep Q-Learning med Tensorflow

ML – Implementering:

1. Distribuera din Machine Learning-webbapp (Streamlit) på Heroku
2. Distribuera en maskininlärningsmodell med Streamlit Library
3. Distribuera maskininlärningsmodell med Flask
4. Python – Skapa användargränssnitt för prototyper av maskininlärningsmodell med Gradio
5. Hur förbereder man data innan man implementerar en maskininlärningsmodell?
6. Distribuera ML-modeller som API med FastAPI
   
7. Distribuerar Scrapy spider på ScrapingHub

ML – Applikationer:

1. Nederbördsförutsägelse med linjär regression
2. Identifiera handskrivna siffror med logistisk regression i PyTorch
3. Kaggle bröstcancer Wisconsin diagnos med logistisk regression
4. Python | Implementering av Movie Recommender System
5. Stöd Vector Machine för att känna igen ansiktsdrag i C++
6. Beslutsträd – falska (förfalskade) myntpussel (12 myntspussel)
7. Identifiering av kreditkortsbedrägerier
8. NLP-analys av restaurangrecensioner
9. Tillämpa multinomial naiva Bayes på NLP-problem
10. Bildkomprimering med K-betyder klustring
11. Djupt lärande | Bildtextgenerering med Avengers EndGames-karaktärerna
12. Hur använder Google maskininlärning?
13. Hur använder NASA maskininlärning?
14. 5 häpnadsväckande sätt Facebook använder maskininlärning
    
15. Riktad reklam med hjälp av maskininlärning
16. Hur används maskininlärning av kända företag?

Övrigt:

1. Mönsterigenkänning | Introduktion
2. Beräkna effektiviteten hos binär klassificerare
3. Logistic Regression v/s Decision Tree Classification
4. R vs Python inom datavetenskap
5. Förklaring av grundläggande funktioner involverade i A3C-algoritm
6. Differentiell integritet och djupinlärning
7. Artificiell intelligens vs Machine Learning vs Deep Learning
8. Introduktion till Multi-Task Learning (MTL) för djupinlärning
9. Topp 10 algoritmer som alla maskininlärningsingenjörer bör känna till
10. Azure Virtual Machine for Machine Learning
11. 30 minuter till maskininlärning
12. Vad är AutoML i maskininlärning?
13. Förvirringsmatris i maskininlärning

Förutsättningar för att lära sig maskininlärning

• Kunskaper om linjära ekvationer, grafer över funktioner, statistik, linjär algebra, sannolikhet, kalkyl etc.
• Alla kunskaper om programmeringsspråk som Python, C++, R rekommenderas.

Vanliga frågor om självstudier för maskininlärning

F.1 Vad är maskininlärning och hur skiljer den sig från djupinlärning?

Svar :

datumformat.format

Maskininlärning utvecklar program som kan komma åt data och lära av dem. Deep learning är underdomänen för maskininlärning. Deep learning stöder automatisk extraktion av funktioner från rådata.

F.2. Vilka är de olika typerna av maskininlärningsalgoritmer?

Svar :

• Övervakade algoritmer: Dessa är de algoritmer som lär sig av märkta data, t.ex. bilder märkta med hundansikte eller inte. Algoritmen beror på övervakad eller märkt data. t.ex. regression, objektdetektering, segmentering.
• Icke-övervakade algoritmer: Dessa är de algoritmer som lär sig av omärkta data, t.ex. massa bilder som ges för att göra en liknande uppsättning bilder. t.ex. klustring, dimensionsreduktion etc.
• Semi-övervakade algoritmer: Algoritmer som använder både övervakad eller icke-övervakad data. Majoriteten av dataanvändningen för dessa algoritmer är inte övervakad data. t.ex. anamoly upptäckt.

F.3. Varför använder vi maskininlärning?

Svar :

Maskininlärning används för att fatta beslut baserat på data. Genom att modellera algoritmerna på grundval av historiska data hittar algoritmer de mönster och samband som är svåra för människor att upptäcka. Dessa mönster används nu ytterligare för framtida referenser för att förutsäga lösning av osynliga problem.

F.4. Vad är skillnaden mellan artificiell intelligens och maskininlärning?

Svar :

ARTIFICIELL INTELLIGENS	MASKININLÄRNING
Utveckla ett intelligent system som utför olika komplexa jobb.	Konstruera maskiner som bara kan utföra de jobb som de har utbildat sig för.
Det fungerar som ett program som gör smart arbete.	Arbetsuppgifternas systemmaskin tar data och lär sig av data.
AI har ett brett utbud av applikationer.	ML tillåter system att lära sig nya saker från data.
AI leder visdom.	ML leder till kunskap.