De zelfstudie Machine Learning behandelt basis- en geavanceerde concepten, speciaal ontworpen voor zowel studenten als ervaren werkende professionals.

Met deze zelfstudie over machine learning krijgt u een gedegen introductie in de grondbeginselen van machine learning en kunt u een breed scala aan technieken verkennen, waaronder leren onder toezicht, zonder toezicht en versterkend leren.

Machine learning (ML) is een subdomein van kunstmatige intelligentie (AI) dat zich richt op het ontwikkelen van systemen die leren – of de prestaties verbeteren – op basis van de gegevens die ze binnenkrijgen. Kunstmatige intelligentie is een breed woord dat verwijst naar systemen of machines die op menselijke intelligentie lijken. Machine learning en AI worden vaak samen besproken, en de termen worden af ​​en toe door elkaar gebruikt, hoewel ze niet hetzelfde betekenen. Een cruciaal onderscheid is dat, hoewel al het machinaal leren AI is, niet alle AI machinaal leren is.

Wat is machinaal leren?

Machine Learning is het vakgebied dat computers de mogelijkheid geeft om te leren zonder expliciet geprogrammeerd te zijn. ML is een van de meest opwindende technologieën die je ooit bent tegengekomen. Zoals uit de naam blijkt, geeft het de computer waardoor hij meer op mensen lijkt: het vermogen om te leren. Machine learning wordt tegenwoordig actief gebruikt, misschien op veel meer plaatsen dan je zou verwachten.

Recente artikelen over machine learning

Inhoudsopgave

• Invoering
• Ongecontroleerd leren
• Versterkend leren
• Dimensionaliteitsreductie
• Natuurlijke taalverwerking
• Neurale netwerken
• ML – Implementatie
• ML – Toepassingen
• Diversen

Kenmerken van machinaal leren

• Machine learning is datagedreven technologie. Grote hoeveelheid data die organisaties dagelijks genereren. Door opmerkelijke relaties in data kunnen organisaties dus betere beslissingen nemen.
• Machines kunnen zichzelf leren van gegevens uit het verleden en automatisch verbeteren.
• Vanuit de gegeven dataset detecteert het verschillende patronen op data.
• Voor de grote organisaties is branding belangrijk en zal het gemakkelijker worden om een ​​betrouwbaar klantenbestand te targeten.
• Het is vergelijkbaar met datamining omdat het ook om de enorme hoeveelheid gegevens gaat.

Introductie:

1. Aan de slag met machinaal leren
2. Een inleiding tot machinaal leren
3. Wat is machinaal leren?
4. Inleiding tot gegevens in machinaal leren
5. Machine learning ontraadselen
6. ML – Toepassingen
7. Beste Python-bibliotheken voor Machine Learning
8. Kunstmatige intelligentie | Een introductie
9. Machine learning en kunstmatige intelligentie
10. Verschil tussen machinaal leren en kunstmatige intelligentie
11. Agenten in kunstmatige intelligentie
12. 10 fundamentele interviewvragen voor machinaal leren

Gegevensverwerking begrijpen

Python | Maak testgegevenssets met Sklearn

Python | Genereer testgegevenssets voor machine learning

Python | Gegevensvoorverwerking in Python

Gegevens opschonen

Functieschaling – Deel 1

Functieschaling – Deel 2

Python | Labelcodering van datasets

Python | Eén Hot Encoding van datasets

Omgaan met onevenwichtige gegevens met SMOTE en Near Miss-algoritme in Python

Dummy-variabelenval in regressiemodellen

Leren onder toezicht :

1. Aan de slag met classificatie
2. Basisconcept van classificatie
3. Soorten regressietechnieken
4. Classificatie versus regressie
5. ML | Soorten leren – Begeleid leren
6. Classificatie met meerdere klassen met behulp van scikit-learn
7. Gradiënt afdaling:
   • Gradient Descent-algoritme en zijn varianten
   • Stochastische gradiëntdaling (SGD)
   • Mini-batchgradiëntafdaling met Python
   • Optimalisatietechnieken voor Gradient Descent
   • Inleiding tot de op Momentum gebaseerde Gradient Optimizer
8. Lineaire regressie :
   • Inleiding tot lineaire regressie
   • Gradiëntdaling in lineaire regressie
   • Wiskundige verklaring voor het werken met lineaire regressie
   • Normale vergelijking in lineaire regressie
   • Lineaire regressie (Python-implementatie)
   • Eenvoudige lineaire regressie met behulp van R
   • Univariate lineaire regressie in Python
   • Meervoudige lineaire regressie met behulp van Python
   • Meervoudige lineaire regressie met behulp van R
   • Lokaal gewogen lineaire regressie
   • Gegeneraliseerde lineaire modellen
   • Python | Lineaire regressie met behulp van sklearn
   • Lineaire regressie met behulp van Tensorflow
   • Een praktische benadering van eenvoudige lineaire regressie met behulp van R
   • Lineaire regressie met PyTorch
   • Pyspark | Lineaire regressie met Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge met lineaire regressie
9. Python | Invoer van Polynomiale regressie
10. Softmax-regressie met behulp van TensorFlow
11. Logistieke regressie:
    • Logistieke regressie begrijpen
    • Waarom logistieke regressie in classificatie?
    • Logistieke regressie met behulp van Python
    • Kostenfunctie in logistieke regressie
    • Logistieke regressie met behulp van Tensorflow
12. Naïeve Bayes Classificatoren
13. Ondersteuningsvector:
    • Ondersteuning van vectormachines (SVM's) in Python
    • SVM-hyperparameterafstemming met behulp van GridSearchCV
    • Ondersteuning van vectormachines (SVM's) in R
    • SVM gebruiken om classificatie uit te voeren op een niet-lineaire dataset
14. Beslissingsboom:
15. • Beslissingsboom
    • Beslisboomregressie met behulp van sklearn
    • Beslisboom Introductie met voorbeeld
    • Implementatie van een beslissingsboom met behulp van Python
    • Beslisboom in software-engineering
15. Willekeurig bos:
    • Willekeurige bosregressie in Python
    • Ensemble-classificator
    • Stemclassificator met behulp van Sklearn
      
    • Classificator voor zakken

Onbegeleid leren:

1. ML | Soorten leren – Leren zonder toezicht
2. Begeleid en onbewaakt leren
3. Clustering in machinaal leren
4. Verschillende soorten clusteralgoritmen
5. K betekent Clustering – Inleiding
6. Elleboogmethode voor optimale waarde van k in KMeans
7. Willekeurige initialisatieval in K-gemiddelden
8. ML | K-betekent++ algoritme
9. Analyse van testgegevens met behulp van K-Means Clustering in Python
10. Mini Batch K-betekent clusteralgoritme
11. Mean-Shift-clustering
12. DBSCAN – Op dichtheid gebaseerde clustering
13. Implementatie van het DBSCAN-algoritme met behulp van Sklearn
14. Vage clustering
15. Spectrale clustering
16. OPTICS Clustering
17. OPTICS Clustering Implementatie met behulp van Sklearn
18. Hiërarchische clustering (agglomeratieve en verdeeldheidwekkende clustering)
19. Implementatie van agglomeratieve clustering met behulp van Sklearn
20. Gaussiaans mengselmodel

Versterkend leren:

1. Versterkend leren
2. Versterkend leeralgoritme: Python-implementatie met behulp van Q-learning
3. Inleiding tot Thompson-sampling
4. Genetisch algoritme voor versterkend leren
5. SARSA-versterkingsleren
6. Q-Learning in Python

Dimensionaliteitsreductie:

1. Inleiding tot dimensionaliteitsreductie
2. Inleiding tot Kernel-PCA
3. Hoofdcomponentenanalyse (PCA)
4. Hoofdcomponentenanalyse met Python
5. Lage benaderingen
6. Overzicht van lineaire discriminantanalyse (LDA)
7. Wiskundige uitleg van lineaire discriminantanalyse (LDA)
8. Gegeneraliseerde Discriminantanalyse (GDA)
9. Onafhankelijke componentanalyse
10. Functietoewijzing
11. Extra boomclassificatie voor functieselectie
12. Chi-kwadraattest voor functieselectie – wiskundige uitleg
13. ML | T-gedistribueerd stochastisch buur-inbeddingsalgoritme (t-SNE).
14. Python | Hoe en waar kun je Feature Scaling toepassen?
15. Parameters voor functieselectie
16. Onder- en overfitting in machine learning

Natuurlijke taalverwerking :

1. Inleiding tot natuurlijke taalverwerking
2. Tekstvoorverwerking in Python | Instellen – 1
3. Tekstvoorverwerking in Python | Stel 2 in
4. Stopwoorden verwijderen met NLTK in Python
5. Tokeniseer tekst met NLTK in Python
6. Hoe het tokeniseren van tekst, zinnen en woorden werkt
7. Inleiding tot stammen
8. Stemmende woorden met NLTK
9. Lemmatisering met NLTK
10. Lemmatisering met TextBlob
11. Hoe krijg ik synoniemen/antoniemen van NLTK WordNet in Python?

Neurale netwerken:

1. Inleiding tot kunstmatige neutrale netwerken | Set 1
2. Inleiding tot het kunstmatige neurale netwerk | Stel 2 in
3. Inleiding tot ANN (kunstmatige neurale netwerken) | Set 3 (hybride systemen)
4. Introductie tot ANN | Set 4 (netwerkarchitecturen)
5. Activeringsfuncties
6. Implementatie van een trainingsproces voor kunstmatige neurale netwerken in Python
7. Een neuraal netwerk met één neuron in Python
8. Convolutionele neurale netwerken
   • Inleiding tot Convolutie Neuraal Netwerk
   • Inleiding tot poolinglaag
   • Inleiding tot opvulling
   • Soorten opvulling in convolutielaag
   • Convolutioneel neuraal netwerk toepassen op mnist-dataset
9. Terugkerende neurale netwerken
   • Inleiding tot het terugkerende neurale netwerk
   • Terugkerende neurale netwerken Uitleg
   • seq2seq-model
   • Inleiding tot het langetermijngeheugen
   • Langetermijngeheugennetwerken Uitleg
   • Gated terugkerende eenheidsnetwerken (GAN)
   • Tekstgeneratie met behulp van Gated Recurrent Unit Networks
10. GAN's – Generatief vijandig netwerk
    • Inleiding tot het generatieve vijandige netwerk
    • Generatieve vijandige netwerken (GAN's)
    • Gebruiksvoorbeelden van generatieve vijandige netwerken
    • Een generatief vijandig netwerk opbouwen met Keras
    • Modale ineenstorting in GAN's
11. Inleiding tot Deep Q-Learning
12. Implementatie van Deep Q-Learning met behulp van Tensorflow

ML – Implementatie:

1. Implementeer uw Machine Learning-webapp (Streamlit) op Heroku
2. Implementeer een Machine Learning-model met behulp van Streamlit Library
3. Implementeer het Machine Learning-model met Flask
4. Python – Creëer gebruikersinterfaces voor het prototypen van een Machine Learning-model met Gradio
5. Hoe gegevens voorbereiden voordat een Machine Learning-model wordt geïmplementeerd?
6. ML-modellen implementeren als API met behulp van FastAPI
   
7. Scrapy-spin implementeren op ScrapingHub

ML – Toepassingen:

1. Neerslagvoorspelling met behulp van lineaire regressie
2. Handgeschreven cijfers identificeren met behulp van logistieke regressie in PyTorch
3. Kaggle borstkanker-diagnose in Wisconsin met behulp van logistieke regressie
4. Python | Implementatie van een filmaanbevelingssysteem
5. Ondersteun Vector Machine om gezichtskenmerken in C++ te herkennen
6. Beslissingsbomen – Valse (valse) muntenpuzzel (puzzel van 12 munten)
7. Detectie van creditcardfraude
8. NLP-analyse van restaurantrecensies
9. Multinomiale naïeve Bayes toepassen op NLP-problemen
10. Beeldcompressie met behulp van K-betekent clustering
11. Diep leren | Genereren van afbeeldingsbijschriften met behulp van de Avengers EndGames-personages
12. Hoe gebruikt Google machine learning?
13. Hoe gebruikt NASA machine learning?
14. 5 verbluffende manieren waarop Facebook machine learning gebruikt
    
15. Gericht adverteren met behulp van Machine Learning
16. Hoe machine learning wordt gebruikt door bekende bedrijven?

Overige:

1. Patroonherkenning | Invoering
2. Bereken de efficiëntie van de binaire classificatie
3. Logistieke regressie versus beslissingsboomclassificatie
4. R versus Python in Datascience
5. Uitleg van fundamentele functies die betrokken zijn bij het A3C-algoritme
6. Differentiële privacy en diep leren
7. Kunstmatige intelligentie versus machine learning versus deep learning
8. Inleiding tot multi-task leren (MTL) voor diep leren
9. Top 10 algoritmen die elke Machine Learning Engineer zou moeten kennen
10. Azure virtuele machine voor machine learning
11. 30 minuten tot machinaal leren
12. Wat is AutoML in Machine Learning?
13. Verwarringsmatrix bij machinaal leren

Vereisten om machine learning te leren

• Kennis van lineaire vergelijkingen, grafieken van functies, statistieken, lineaire algebra, waarschijnlijkheidsrekening, enz.
• Enige kennis van programmeertalen zoals Python, C++, R wordt aanbevolen.

Veelgestelde vragen over zelfstudie over machine learning

Vraag.1 Wat is machine learning en waarin verschilt het van deep learning?

Antwoord :

Machine learning ontwikkelt programma’s die toegang hebben tot gegevens en ervan kunnen leren. Deep learning is het subdomein van machine learning. Deep learning ondersteunt automatische extractie van functies uit de onbewerkte gegevens.

Vraag 2. Wat zijn de verschillende soorten machine learning-algoritmen?

Antwoord :

• Algoritmen onder toezicht: Dit zijn de algoritmen die leren van de gelabelde gegevens, b.v. afbeeldingen met al dan niet een hondengezicht. Het algoritme is afhankelijk van bewaakte of gelabelde gegevens. bijv. regressie, objectdetectie, segmentatie.
• Niet-gecontroleerde algoritmen: dit zijn de algoritmen die leren van de niet-gelabelde gegevens, b.v. een aantal afbeeldingen om een ​​vergelijkbare reeks afbeeldingen te maken. bijv. clustering, dimensionaliteitsreductie etc.
• Semi-gecontroleerde algoritmen: algoritmen die zowel bewaakte als niet-gecontroleerde gegevens gebruiken. Het grootste deel van het gegevensgebruik voor deze algoritmen bestaat niet uit gecontroleerde gegevens. bijv. anamoly-detectie.

Vraag 3. Waarom gebruiken we machine learning?

Antwoord :

Machine learning wordt gebruikt om beslissingen te nemen op basis van data. Door de algoritmen te modelleren op basis van historische gegevens, vinden algoritmen patronen en relaties die voor mensen moeilijk te detecteren zijn. Deze patronen worden nu verder gebruikt voor toekomstige referenties om de oplossing van onzichtbare problemen te voorspellen.

hoe verborgen apps op Android te openen

Vraag 4. Wat is het verschil tussen kunstmatige intelligentie en machinaal leren?

Antwoord :

KUNSTMATIGE INTELLIGENTIE	MACHINE-LEREN
Ontwikkel een intelligent systeem dat een verscheidenheid aan complexe taken uitvoert.	Bouw machines die alleen de taken kunnen uitvoeren waarvoor ze zijn opgeleid.
Het werkt als een programma dat slim werk doet.	De taaksystemenmachine neemt gegevens en leert van gegevens.
AI heeft een breed scala aan toepassingen.	ML zorgt ervoor dat systemen nieuwe dingen uit data kunnen leren.
AI leidt wijsheid.	ML leidt tot kennis.