Как и каждый подросток, я увлекался машинным обучением и искусственным интеллектом с тех пор, как он начал проявляться в виде множества удивительных и интересных вещей, таких как Google Alpha Go и что-то вроде беспилотных автомобилей, но тогда я понятия не имел, что такое искусственный интеллект и машинное обучение на самом деле. был, но я использовал его каждый день, даже не замечая ничего… например, панель поиска Google, поисковые роботы и многие другие мелочи, которые существовали еще до того, как мы начали узнавать, что такое AI на самом деле. (Learns on Experience and Примеры)

Вскоре после этого я начал читать блоги по этой теме и настолько увлекся этим, что вскоре захотел создать свой собственный ИИ или что-то подобное, и единственный способ сделать это - изучить Python с нуля и то, как некоторые библиотеки с открытым исходным кодом, такие как Anaconda, могут помочь. реализовать нечто подобное тому, что я хотел получить на практике.

## Ну вот ... (и как это сделать самому)

После получения базовых методов и так называемой этики для программирования на Python вот что становится интересным при обучении машины самому предсказывать и принимать решения:

Обучение классификатора - обучение классификатора отвечает за компьютер или машину, чтобы знать, на каком основании он должен классифицировать атлас вещей в моем эксперименте. Я хотел создать классификатор, который поможет компьютеру различать между фруктами. (возьмем, например, Apple и Orange). В большинстве случаев вы уже видели, что классификатор работает на вас, и вы даже не заметите этого, наиболее распространенным примером является ваш почтовый ящик электронной почты, и, как и любой другой, вы действительно хотите, чтобы ваш почтовый ящик сам определял, являются ли некоторые сообщения спамом или какие из них важны, и вот что происходит волшебство, когда вы получаете письмо, система проверяет некоторые заранее определенные ключевые слова, такие как король, предложения, продажа и т. д. в полученном письме, и классифицирует его как спам или не спам, и на самом деле существует За кулисами скрывается многое, а не просто ключевые слова и прочее.

Установка библиотек Anaconda. Эти библиотеки, как известно, правильно работают с вашей системой, а также просты для понимания и импорта данных предварительного обучения, которые нам понадобятся, чтобы предоставить системе прогнозирование и принятие решений в зависимости от того, что именно вы действительно обучаете систему тому, как идентифицировать и на каком основании.

Импорт sciket (sklearn) - теперь sciket является предопределенным и библиотеками или пока просто набором алгоритмов и данных, о которых вам действительно не нужно заботиться о кормлении системы, но их импорт обязательно сделать работу.

4. Рецепт контролируемого обучения -

5. Сбор обучающих данных - для нашего проекта, где мы научим систему предсказывать между Apple и Oranges, нам нужны специализированные обучающие данные, которые можно сделать как-

Здесь мы классифицировали данные по весу и текстуре фруктов, где Bumpy с массой от 150 до 170 г соответствует апельсину, а от 140 до 130 г с гладкой текстурой - яблоку.

В машинном обучении эти измерения называются функциями {хорошие функции позволяют легко прогнозировать правильно, тогда как больше обучающих данных = более лучший классификатор}

Эта выделенная часть называется меткой. Он определяет, какой тип фруктов находится в каждой строке, и есть только две возможности для яблок и апельсинов, вся таблица - это наши обучающие данные.

Представление данных обучения в виде кода-

вы можете подумать, что функции - это входные данные для классификаторов, а метки - это результат, который мы хотим, здесь я собираюсь изменить все типы переменных на целые числа вместо строк, поэтому я буду использовать '0' для Bumpy и '1' для плавного и то же самое для этикеток, где я буду использовать «0» для Apple и «1» для Orange.

Следующим шагом в нашей программе будет обучение классификатора с использованием данных обучения и построение дерева решений.

Теперь, в части кодирования, я импортирую дерево и напишу классификатор, который пока будет пустым блоком правил.

Теперь давайте предоставим ему некоторый алгоритм обучения, и вот уловка. В scikit алгоритм обучения включен в объект классификатора и называется Fit, и вы можете думать об этом как о синониме для поиска закономерностей в данных.

Теперь, когда у нас есть обученный классификатор, давайте попробуем определить фрукт.

Допустим, продукт, который вы хотите классифицировать, весит 150 граммов и имеет неровности. На выходе будет «0», если это Apple, или «1», если это Orange. Теперь, прежде чем нажимать ввод и посмотреть, что предсказывает классификатор, подумайте о проблеме сами. Если вы хотите угадать, каким, по вашему мнению, должен быть результат, чтобы сравнить входные данные с нашими тренировочными данными, он будет похож на оранжевый, потому что он тяжелый и ухабистый. и когда мы нажимаем Enter, это тоже предсказывает классификатор.

Вы можете попробовать это сами и сообщить мне в комментариях, что еще вы можете сделать с тем, что узнали. Увидимся в следующем :)

instagram- @ piyush.jpeg