• Взгляд на практическое машинное обучение

Да! Я согласен с приведенным выше утверждением. Не программист может начать машинное обучение, зная простую математику, не зная Python или R. Другие проекты о машинном обучении. Youth4work Youth4work

Зарегистрируйтесь здесь и начните : https://leaps.analyttica.com/home?auth_modal=true®ister=true&referral=Xp9vsU

Чтобы получить больше наград: Код купона

используйте реферальный код для получения дополнительных вознаграждений: Xp9vsU

Чтобы быть в курсе последних новостей отрасли, блоги по машинному обучению являются ценным, но иногда упускаемым из виду ресурсом. Они обучают. Они более узко фокусируются на нишевых областях, которые учебники и онлайн-ресурсы могут затушевать. И они дают захватывающее представление о том, как работают некоторые из ведущих умов в той или иной отрасли. Я хочу поблагодарить Youth4work за эту возможность.

В мире искусственного интеллекта существует множество технологий, которые позволяют получить представление о последних тенденциях, новых продуктах и ​​отраслевых новостях. Одним из них была лаборатория данных с прекрасным пользовательским интерфейсом. Ага! Его Analyttica Datalab, которая предоставляет встроенные пользовательские функции и функцию машинного обучения.

Для любого начинающего инженера по машинному обучению время, проведенное в блогосфере ИИ, не только улучшит ваши перспективы карьерного роста, но и позволит поддерживать связь с более широким сообществом ИИ.

Мы начнем с обсуждения того, как алгоритмы машинного обучения используют человеческий контроль для поиска закономерностей и извлечения знаний из наблюдаемых данных. Наиболее распространенной настройкой машинного обучения является регрессия, когда человек предоставляет метки YY для набора примеров XX. Цель состоит в том, чтобы вернуть предиктор, который правильно присваивает ярлыки новым примерам. Еще одна распространенная проблема машинного обучения - это обучение с подкреплением (RL), когда агент выполняет действия в среде. В RL люди указывают желаемое поведение с помощью функции вознаграждения, которую агент стремится максимизировать. Чтобы провести грубую аналогию с регрессией, динамика среды - это примеры XX, а функция вознаграждения дает метки YY. Алгоритмы регрессии и RL используют множество инструментов, включая табличные методы (например, итерацию значений), линейные методы (например, линейную регрессию), методы ядра (например, RBF-SVM) и глубокие нейронные сети. В широком смысле мы называем эти алгоритмы процедурами обучения: процессы, которые принимают в качестве входных данных набор данных (примеры с метками или переходы с вознаграждением) и выводят функцию, которая хорошо работает (обеспечивает высокую точность или большое вознаграждение) для набора данных.

Давайте углубимся в линейную регрессию машинного обучения с практическими наборами данных. Давайте начнем,

Данный набор данных содержит данные Бюро переписи населения США о розничных продажах на душу населения, а также некоторые социально-экономические переменные за 1992 год по 845 стандартным городским статистическим районам США (SMAS). Данные получены из Департамента статистики Университета Флориды.

Цель состоит в том, чтобы спрогнозировать «розничные продажи на душу населения» с использованием других социально-экономических переменных в качестве возможных предикторов. Модель была построена со значимыми переменными и удалением коллинеарности данных. Но добиться желаемой точности бизнесом не удалось.

В линейной регрессии предполагается, что существует линейная связь между предсказателем и целью, что может не соответствовать действительности. Следовательно, важно найти наилучшее преобразование предиктора, чтобы связь между целевой и преобразованной переменной была как можно более близкой к линейной.

Следовательно, нам нужно попробовать преобразования переменных, чтобы улучшить предсказательную способность переменных.

Наша единственная цель - прочитать набор данных и выбрать алгоритм, соответствующий модели, и спрогнозировать результат.

Первым и самым важным шагом в машинном обучении является загрузка данных и их очистка или обработка данных.

Давайте оценим производительность нашей модели, вычислив остаточную сумму квадратов и оценку объясненной дисперсии (R²).

  • Начать работу с analyttica очень легко благодаря библиотеке функций. Вы можете задаться вопросом, потому что пока мы выполняем функцию, она автоматически генерирует код Python, который можно легко выполнить с помощью IDLE.

После выполнения теста эффективности с использованием функций квадратный корень, квадрат, логарифм и экспонента, мы можем сравнить эффективность, обучая и визуализируя нормы.

Итак, мы обучили нашу модель с точностью до 0,91 и сравнили нашу модель с ранее обученной моделью. Надеюсь, этот блог будет вам полезен.

Спасибо! Надеюсь, вы бы записались в программу analyttica. Удачного обучения!