В последних нескольких сообщениях в блоге я сосредоточился на использовании Tensorflow для прогнозирования временных рядов. Однако так уж получилось, что в этом месяце конкурс игровой площадки Kaggle посвящен проблеме временных рядов, но поощряет использование методов машинного обучения для решения этой проблемы.
Искусственный интеллект — это область, которая сочетает в себе информатику и надежные наборы данных для решения проблем. Она также включает в себя подобласти машинного обучения и глубокого обучения, которые часто упоминаются в связи с искусственным интеллектом.
Машинное обучение — это отрасль искусственного интеллекта (ИИ) и информатики, которая фокусируется на использовании данных и алгоритмов для имитации того, как люди учатся, постепенно повышая его точность.
Глубокое обучение — это ветвь машинного обучения, которая учит компьютеры обрабатывать данные так, как это делает человеческий мозг. Глубокие нейронные сети или искусственные нейронные сети пытаются имитировать человеческий мозг с помощью комбинации входных данных, весов и смещения. Эти элементы работают вместе, чтобы точно распознавать, классифицировать и описывать объекты в данных.
В этом конкурсном вопросе я использовал машинное обучение вместе с глубоким обучением для решения проблемы. Я создал программу, которую использовал для решения проблемы, в Jupyter Notebook, размещенной на Kaggle, и она хранится в моей учетной записи для компании, занимающейся наукой о данных.
Когда программа была создана, я изначально импортировал библиотеки, которые мне понадобятся для ее выполнения, а именно:
- Numpy для создания массивов numpy и проведения числовых вычислений,
- Pandas для создания фреймов данных и обработки данных,
- O, чтобы войти в операционную систему и получить файлы,
- Sklearn для реализации функций машинного обучения,
- Tensorflow для реализации функций глубокого обучения,
- Matplotlib для визуализации данных и
- Seaborn для статистической визуализации данных.
