machine-learning 튜토리얼
기계 학습 시작하기

비고

Python을 사용한 설치 또는 설정

1) scikit learn

scikit-learn은 SciPy 위에 구축되고 3 절 BSD 라이센스하에 배포되는 기계 학습을위한 Python 모듈입니다. 지원 벡터 머신, 랜덤 포리스트, 그레디언트 부스팅, k-means 및 DBSCAN을 비롯한 다양한 분류, 회귀 및 클러스터링 알고리즘을 제공하며 Python 숫자 및 과학 라이브러리 NumPy 및 SciPy와 상호 운용되도록 설계되었습니다.

scikit-learn의 현재 안정 버전 에는 다음이 필요합니다 .

• 파이썬 (> = 2.6 또는> = 3.3),
• NumPy (> = 1.6.1),
• SciPy (> = 0.9).

대부분의 설치 pip 파이썬 패키지 관리자는 python과 모든 의존성을 설치할 수 있습니다 :

pip install scikit-learn

그러나 Linux 시스템의 경우 가능한 빌드 프로세스를 피하기 위해 conda 패키지 관리자를 사용하는 것이 좋습니다

conda install scikit-learn

scikit-learn 을 가지고 있는지 확인하려면 쉘에서 실행하십시오 :

python -c 'import sklearn; print(sklearn.__version__)'

Windows 및 Mac OSX 설치 :

캐노피 (Canopy) 와 아나콘다 (Anaconda) 는 윈도우 용 과학 파이썬 라이브러리, 리눅스 용 맥 OSX (Mac OSX)와 더불어 최근 버전의 scikit-learn 을 제공한다.

공식 소스 코드 저장소 : https://github.com/scikit-learn/scikit-learn

2) 지능형 컴퓨팅을위한 Numenta 플랫폼

지능형 컴퓨팅을위한 Numenta 플랫폼 (NuPIC)은 HTM 학습 알고리즘을 구현하는 기계 인텔리전스 플랫폼입니다. HTM은 대뇌 피질의 상세한 계산 이론입니다. HTM의 핵심에는 공간적 및 시간적 패턴을 저장하고 호출하는 시간 기반 연속 학습 알고리즘이 있습니다. NuPIC은 스트리밍 데이터 소스의 비정상 탐지 및 예측과 같은 다양한 문제에 적합합니다.

NuPIC 바이너리를 사용할 수있는 대상은 다음과 같습니다.

Linux x86 64bit
OS X 10.9
OS X 10.10
Windows 64 비트

모든 운영 체제에 NuPIC을 설치하려면 다음과 같은 종속성이 필요합니다.

• 파이썬 2.7
• pip> = 8.1.2
• setuptools> = 25.2.0
• 휠> = 0.29.0
• 쉰
• gcc (4.8+) 또는 clang과 같은 C ++ 11 컴파일러

추가 OS X 요구 사항 :

• Xcode 명령 행 도구

NuPIC을 설치하려면 다음을 실행하십시오.

pip install nupic

공식 소스 코드 저장소 : https://github.com/numenta/nupic

3) 나일강

Nilearn은 NeuroImaging 데이터에서 빠르고 쉬운 통계 학습을위한 Python 모듈입니다. 예측 모델링, 분류, 디코딩 또는 연결 분석과 같은 응용 프로그램과 함께 다 변수 통계를 위해 scikit-learn Python 도구 상자를 활용합니다.

소프트웨어를 사용하는 데 필요한 종속성은 다음과 같습니다.

• Python> = 2.6,
• setuptools
• Numpy> = 1.6.1
• SciPy> = 0.9
• Scikit-learn> = 0.14.1
• 니벨 (Nibabel)> = 1.1.0

nilearn 플로팅 기능을 사용하거나 예제를 실행하는 경우 matplotlib> = 1.1.1이 필요합니다.

테스트를 실행하려면 nose> = 1.2.1 및 coverage> = 3.6이 필요합니다.

먼저 위에 나열된 모든 종속성을 설치했는지 확인하십시오. 그런 다음 명령 프롬프트에서 다음 명령을 실행하여 nilearn을 설치할 수 있습니다.

pip install -U --user nilearn

공식 소스 코드 저장소 : https://github.com/nilearn/nilearn/

4) 아나콘다 사용

많은 과학적 파이썬 라이브러리가 Anaconda에서 즉시 사용할 수 있습니다. 여기 에서 설치 파일을 얻을 수 있습니다. Anaconda를 사용하면 많은 패키지를 설치 및 구성하지 않고 BSD 라이센스를 취득하며 Python 3 및 Python 2에서 사용할 수있는 간단한 설치 프로세스를 사용할 수 있습니다. 반면에 유연성이 떨어집니다. 예를 들어, 일부 최첨단 Python 패키지는 numpy와 Anaconda가 설치된 다른 버전을 사용할 수 있습니다. 그러나이 단점은 다른 파이썬 설치를 별도로 사용하여 처리 할 수 ​​있습니다 (예 : Linux 및 MAC에서는 기본값).

Anaconda 설치 프로그램은 설치 위치 선택을 요구하고 PATH 추가 옵션을 묻습니다. PATH에 Anaconda를 추가하면 OS가 Anaconda Python을 기본값으로 찾을 것입니다. 따라서 수정 및 향후 설치는이 Python 버전에서만 가능합니다.

안타깝게하려면 Anaconda를 설치 한 후 PATH에 추가하십시오. 입력 할 경우 터미널을 통해 Ubuntu 14.04를 사용하십시오.

python

Borilla, Anaconda Python이 기본 파이썬이므로 많은 라이브러리를 즉시 사용하여 즐거움을 시작할 수 있습니다. 그러나 이전 Python을 사용하려면

/usr/bin/python

Anaconda는 짧게 말하면 파이썬으로 기계 학습 및 데이터 분석을 시작하는 가장 빠른 방법 중 하나입니다.

R 언어를 사용한 설치 또는 설정

패키지 는 R 함수, 데이터 및 잘 정의 된 형식의 컴파일 된 코드 모음입니다. 공용 (개인) 저장소는 R 패키지 모음을 호스트하는 데 사용됩니다. R 패키지의 가장 큰 컬렉션은 CRAN에서 제공됩니다. 가장 인기있는 R 기계 학습 패키지 중 일부는 다음과 같습니다.

1) rpart

설명 : 분류, 회귀 및 생존 트리에 대한 재귀 적 분할. Breiman, Friedman, Olshen 및 Stone의 1984 년 도서 기능 대부분의 구현.

다음 코드를 사용하여 CRAN에서 설치할 수 있습니다.

install.packages("rpart")

패키지를로드하십시오.

library(rpart)

공식 출처 : https://cran.r-project.org/web/packages/rpart/index.html

2) e1071

설명 : 잠재 클래스 분석, 단시간 푸리에 변환, 퍼지 클러스터링, 지원 벡터 머신, 최단 경로 계산, 백킹 클러스터링, 순진 베이 즈 분류기 등의 기능

CRAN에서 설치 :

install.packages("e1071")

패키지로드 중 :

library(e1071)

공식 출처 : https://cran.r-project.org/web/packages/e1071/index.html

3) randomForest

설명 : 임의의 입력을 사용하여 나무의 숲을 기반으로 분류 및 회귀.

CRAN에서 설치 :

install.packages("randomForest")

패키지로드 중 :

library(randomForest)

공식 출처 : https://cran.r-project.org/web/packages/randomForest/index.html

4) 캐럿

설명 : 분류 및 회귀 모델을 훈련하고 플로팅하기위한 기타 기능.

CRAN에서 설치 :

install.packages("caret")

패키지로드 중 :

library(caret)

공식 출처 : https://cran.r-project.org/web/packages/caret/index.html