machine-learning учебник
Начало работы с машинным обучением

algorithm apache-spark C++ Java Language MATLAB Language opencv pandas Python Language R Language tensorflow
Поиск…


замечания

Machine Learning - это наука (и искусство) программирования компьютеров, чтобы они могли учиться на данных.

Более формальное определение:

Это область обучения, которая дает компьютерам возможность учиться, не будучи явно запрограммированной. Артур Самуэль, 1959

Более инженерно-ориентированное определение:

Говорят, что компьютерная программа учится на опыте E в отношении некоторой задачи T и некоторой меры производительности P, если ее производительность на T, измеренная P, улучшается с опытом E. Tom Mitchell, 1997

Источник: «Практическое обучение машинам с помощью Scikit-Learn и TensorFlow от Aurélien Géron (O'Reilly). Copyright 2017 Aurélien Géron, 978-1-491-96229-9. "

Машинное обучение (ML) - это область компьютерной науки, которая породила исследования в области искусственного интеллекта. Сила машинного обучения над другими формами аналитики заключается в ее способности выявлять скрытые идеи и прогнозировать результаты будущих, невидимых исходных данных (обобщение). В отличие от итеративных алгоритмов, где операции явно объявлены, алгоритмы машинного обучения заимствуют понятия из теории вероятностей для выбора, оценки и улучшения статистических моделей.

Установка или настройка с использованием Python

1) scikit learn

scikit-learn - это модуль Python для машинного обучения, построенный поверх SciPy и распространяемый по лицензии BSD 3-Clause. Он имеет различные алгоритмы классификации, регрессии и кластеризации, включая векторные векторные машины, случайные леса, повышение градиента, k-средства и DBSCAN и предназначен для взаимодействия с численными и научными библиотеками Python NumPy и SciPy.

Текущая стабильная версия scikit-learn требует :

  • Python (> = 2.6 или> = 3.3),
  • NumPy (> = 1,6,1),
  • SciPy (> = 0,9).

Для большинства pip установки python менеджер пакетов может установить python и все его зависимости: 

pip install scikit-learn

Однако для Linux-систем рекомендуется использовать диспетчер пакетов conda , чтобы избежать возможных процессов сборки 

conda install scikit-learn

Чтобы проверить, что у вас есть scikit-learn , выполните в оболочке: 

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

Установка Windows и Mac OSX:

Canopy и Anaconda поставляют новую версию scikit-learn в дополнение к большому набору научной библиотеки python для Windows, Mac OSX (также актуальной для Linux).

Официальный репозиторий исходного кода: https://github.com/scikit-learn/scikit-learn

2) Платформа Numenta для интеллектуальных вычислений

Платформа Numenta для интеллектуальных вычислений (NuPIC) - это платформа интеллектуального анализа машин, которая реализует алгоритмы обучения HTM. HTM - подробная вычислительная теория неокортекса. В основе HTM лежат временные алгоритмы непрерывного обучения, которые хранят и запоминают пространственные и временные шаблоны. NuPIC подходит для множества проблем, в частности обнаружения аномалий и прогнозирования потоков данных.

Бинарные файлы NuPIC доступны для:

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

Для установки NuPIC во всех операционных системах требуются следующие зависимости.

  • Python 2.7
  • пип> = 8.1.2
  • Setuptools> = 25.2.0
  • колесо> = 0.29.0
  • NumPy
  • Компилятор C ++ 11, такой как gcc (4.8+) или clang

Дополнительные требования к ОС X:

  • Инструменты командной строки Xcode

Для установки NuPIC выполните следующие действия: 

pip install nupic

Официальный репозиторий исходного кода: https://github.com/numenta/nupic

3) Нилеарн

Nilearn - это модуль Python для быстрого и легкого статистического изучения данных NeuroImaging. Он использует scikit-learn Python toolbox для многомерной статистики с такими приложениями, как интеллектуальное моделирование, классификация, декодирование или анализ связности.

Необходимые зависимости для использования программного обеспечения:

  • Python> = 2.6,
  • Setuptools
  • Numpy> = 1.6.1
  • SciPy> = 0,9
  • Scikit-learn> = 0.14.1
  • Nibabel> = 1,1,0

Если вы используете функции построения nilearn или выполняете примеры, требуется matplotlib> = 1.1.1.

Если вы хотите запустить тесты, вам нужен нос> = 1.2.1 и покрытие> = 3.6.

Сначала убедитесь, что вы установили все перечисленные выше зависимости. Затем вы можете установить nilearn, выполнив следующую команду в командной строке: 

pip install -U --user nilearn

Официальный репозиторий исходного кода: https://github.com/nilearn/nilearn/

4) Использование Anaconda

Многие научные библиотеки Python легко доступны в Anaconda. Вы можете получить установочные файлы из здесь . С одной стороны, используя Anaconda, вы не устанавливаете и не настраиваете многие пакеты, это лицензия BSD и имеет тривиальный процесс установки, доступный для Python 3 и Python 2, в то время как, с другой стороны, это дает вам меньшую гибкость. Например, некоторые современные пакеты Python для глубокого обучения могут использовать другую версию numpy, которая была установлена ​​Anaconda. Тем не менее, этот недостаток может быть рассмотрен с использованием другой установки python отдельно (например, в Linux и MAC).

Настройка Anaconda предложит вам установить местоположение установки, а также предложит вам вариант добавления PATH. Если вы добавите Anaconda в свой PATH, ожидается, что ваша ОС найдет Anaconda Python по умолчанию. Поэтому модификации и будущие установки будут доступны только для этой версии Python.

Чтобы было ясно, после установки Anaconda и вы добавите его в PATH, используя Ubuntu 14.04 через терминал, если вы наберете 

python

Anaconda Python через терминал

Voila, Anaconda Python - это ваш Python по умолчанию, вы можете сразу начать пользоваться множеством библиотек. Однако, если вы хотите использовать свой старый Python 

/usr/bin/python

По умолчанию Python через терминал

Короче говоря, Anaconda является одним из самых быстрых способов начать машинное обучение и анализ данных с помощью Python.

Установка или настройка с использованием языка R

Пакеты представляют собой коллекции R-функций, данных и скомпилированного кода в четко определенном формате. Публичные (и частные) репозитории используются для размещения коллекций пакетов R. Самая большая коллекция R-пакетов доступна в CRAN. Некоторые из наиболее популярных пакетов машинного обучения R являются следующими среди других:

1) rpart

Описание: Рекурсивное разбиение на деревья классификации, регрессии и выживания. Реализация большинства функциональных возможностей книги 1984 года Бреймана, Фридмана, Олсена и Стоуна.

Его можно установить из CRAN, используя следующий код: 

install.packages("rpart")

Загрузите пакет: 

library(rpart)

Официальный источник: https://cran.r-project.org/web/packages/rpart/index.html

2) e1071

Описание: функции для анализа скрытого класса, кратковременного преобразования Фурье, нечеткой кластеризации, векторных машин поддержки, вычисления кратчайших путей, кластеризации с мешками, наивного классификатора Байеса и т. Д.

Установка из CRAN: 

install.packages("e1071")

Загрузка пакета: 

library(e1071)

Официальный источник: https://cran.r-project.org/web/packages/e1071/index.html

3) Неизвестный

Описание: Классификация и регрессия на основе дерева деревьев с использованием случайных входов.

Установка из CRAN: 

install.packages("randomForest")

Загрузка пакета: 

library(randomForest)

Официальный источник: https://cran.r-project.org/web/packages/randomForest/index.html

4) каретка

Описание: Различные функции для обучения и построения схем классификации и регрессии.

Установка из CRAN: 

install.packages("caret")

Загрузка пакета: 

library(caret)

Официальный источник: https://cran.r-project.org/web/packages/caret/index.html



Modified text is an extract of the original Stack Overflow Documentation
Лицензировано согласно CC BY-SA 3.0
Не связан с Stack Overflow