Machine Learning-opplæringen dekker grunnleggende og avanserte konsepter, spesielt designet for å imøtekomme både studenter og erfarne fagfolk.

Denne veiledningen for maskinlæring hjelper deg med å få en solid introduksjon til det grunnleggende innen maskinlæring og utforske et bredt spekter av teknikker, inkludert overvåket, uovervåket og forsterkende læring.

Maskinlæring (ML) er et underdomene av kunstig intelligens (AI) som fokuserer på å utvikle systemer som lærer – eller forbedrer ytelsen – basert på dataene de inntar. Kunstig intelligens er et bredt ord som refererer til systemer eller maskiner som ligner menneskelig intelligens. Maskinlæring og AI diskuteres ofte sammen, og begrepene brukes av og til om hverandre, selv om de ikke betyr det samme. En avgjørende forskjell er at selv om all maskinlæring er AI, er ikke all AI maskinlæring.

Hva er maskinlæring?

Machine Learning er studieretningen som gir datamaskiner muligheten til å lære uten å være eksplisitt programmert. ML er en av de mest spennende teknologiene man noen gang ville ha vært borti. Som det fremgår av navnet, gir det datamaskinen som gjør den mer lik mennesker: Evnen til å lære. Maskinlæring brukes aktivt i dag, kanskje mange flere steder enn man kunne forvente.

Nylige artikler om maskinlæring

Innholdsfortegnelse

• Introduksjon
• Uovervåket læring
• Forsterkende læring
• Dimensjonsreduksjon
• Naturlig språkbehandling
• Nevrale nettverk
• ML – Utrulling
• ML – Applikasjoner
• Diverse

Funksjoner ved maskinlæring

• Maskinlæring er datadrevet teknologi. Store mengder data generert av organisasjoner på daglig basis. Så, ved bemerkelsesverdige relasjoner i data, tar organisasjoner bedre beslutninger.
• Maskinen kan lære seg selv av tidligere data og automatisk forbedre seg.
• Fra det gitte datasettet oppdager den ulike mønstre på data.
• For de store organisasjonene er merkevarebygging viktig, og det vil bli lettere å målrette seg mot relaterbar kundebase.
• Det ligner på data mining fordi det også handler om den enorme mengden data.

Introduksjon:

1. Komme i gang med maskinlæring
2. En introduksjon til maskinlæring
3. Hva er maskinlæring?
4. Introduksjon til data i maskinlæring
5. Avmystifiserende maskinlæring
6. ML – Applikasjoner
7. Beste Python-biblioteker for maskinlæring
8. Kunstig intelligens | En introduksjon
9. Maskinlæring og kunstig intelligens
10. Forskjellen mellom maskinlæring og kunstig intelligens
11. Agenter innen kunstig intelligens
12. 10 grunnleggende maskinlæringsintervjuspørsmål

Forstå databehandling

Python | Lag testdatasett ved hjelp av Sklearn

Python | Generer testdatasett for maskinlæring

Python | Dataforbehandling i Python

Datarensing

Funksjonsskalering – del 1

Funksjonsskalering – del 2

Python | Etikettkoding av datasett

Python | One Hot Encoding av datasett

Håndtering av ubalanserte data med SMOTE og Near Miss Algorithm i Python

Dummy variabel felle i regresjonsmodeller

Veiledet læring:

1. Komme i gang med klassifisering
2. Grunnleggende konsept for klassifisering
3. Typer regresjonsteknikker
4. Klassifisering vs regresjon
5. ML | Typer av læring – veiledet læring
6. Multiclass klassifisering ved hjelp av scikit-learn
7. Gradientnedstigning:
   • Gradient Descent-algoritme og dens varianter
   • Stokastisk gradientnedstigning (SGD)
   • Mini-Batch Gradient Descent med Python
   • Optimaliseringsteknikker for Gradient Descent
   • Introduksjon til Momentum-basert Gradient Optimizer
8. Lineær regresjon:
   • Introduksjon til lineær regresjon
   • Gradientnedstigning i lineær regresjon
   • Matematisk forklaring på at lineær regresjon fungerer
   • Normal ligning i lineær regresjon
   • Lineær regresjon (Python-implementering)
   • Enkel lineær regresjon med R
   • Univariat lineær regresjon i Python
   • Multippel lineær regresjon ved bruk av Python
   • Multippel lineær regresjon ved bruk av R
   • Lokalt vektet lineær regresjon
   • Generaliserte lineære modeller
   • Python | Lineær regresjon ved hjelp av sklearn
   • Lineær regresjon ved bruk av Tensorflow
   • En praktisk tilnærming til enkel lineær regresjon ved bruk av R
   • Lineær regresjon ved hjelp av PyTorch
   • Pyspark | Lineær regresjon ved bruk av Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge med lineær regresjon
9. Python | Implementering av Polynomregresjon
10. Softmax regresjon ved hjelp av TensorFlow
11. Logistisk regresjon:
    • Forstå logistisk regresjon
    • Hvorfor logistisk regresjon i klassifisering?
    • Logistisk regresjon ved hjelp av Python
    • Kostnadsfunksjon i logistisk regresjon
    • Logistisk regresjon ved hjelp av Tensorflow
12. Naiv Bayes Klassifiserere
13. Støttevektor:
    • Støtt Vector Machines (SVM) i Python
    • SVM Hyperparameter Tuning ved hjelp av GridSearchCV
    • Støtt Vector Machines (SVM) i R
    • Bruke SVM til å utføre klassifisering på et ikke-lineært datasett
14. Beslutningstre:
15. • Beslutningstre
    • Beslutningstreregresjon ved hjelp av sklearn
    • Beslutningstre Introduksjon med eksempel
    • Implementering av beslutningstre ved hjelp av Python
    • Beslutningstre i programvareteknikk
15. Tilfeldig skog:
    • Tilfeldig skogregresjon i Python
    • Ensembleklassifiserer
    • Stemmeklassifisering ved bruk av Sklearn
      
    • Bagging klassifiserer

Uovervåket læring:

1. ML | Typer av læring – uovervåket læring
2. Veiledet og uovervåket læring
3. Clustering i maskinlæring
4. Ulike typer klyngealgoritmer
5. K betyr Clustering – Introduksjon
6. Albuemetode for optimal verdi av k i KMeans
7. Tilfeldig initialiseringsfelle i K-Means
8. ML | K-betyr++ Algoritme
9. Analyse av testdata ved hjelp av K-Means Clustering i Python
10. Mini Batch K-betyr klyngealgoritme
11. Mean-Shift Clustering
12. DBSCAN – Tetthetsbasert clustering
13. Implementering av DBSCAN-algoritme ved hjelp av Sklearn
14. Fuzzy Clustering
15. Spektral gruppering
16. OPTIKK Klynger
17. OPTIKK Clustering Implementering ved bruk av Sklearn
18. Hierarkisk clustering (agglomerativ og splittende clustering)
19. Implementering av Agglomerative Clustering ved hjelp av Sklearn
20. Gaussisk blandingsmodell

Forsterkende læring:

1. Forsterkende læring
2. Forsterkningslæringsalgoritme: Python-implementering ved bruk av Q-læring
3. Introduksjon til Thompson Sampling
4. Genetisk algoritme for forsterkende læring
5. SARSA forsterkningslæring
6. Q-Learning i Python

Dimensjonsreduksjon:

1. Introduksjon til dimensjonsreduksjon
2. Introduksjon til Kernel PCA
3. Hovedkomponentanalyse (PCA)
4. Hovedkomponentanalyse med Python
5. Tilnærminger med lav rangering
6. Oversikt over lineær diskrimineringsanalyse (LDA)
7. Matematisk forklaring av lineær diskrimineringsanalyse (LDA)
8. Generalisert diskrimineringsanalyse (GDA)
9. Uavhengig komponentanalyse
10. Funksjonskartlegging
11. Ekstra treklassifisering for funksjonsvalg
12. Chi-Square-test for funksjonsvalg – matematisk forklaring
13. ML | T-distribuert Stokastisk Neighbor Embedding (t-SNE) Algoritme
14. Python | Hvordan og hvor skal du bruke funksjonsskalering?
15. Parametere for funksjonsvalg
16. Undertilpasning og overtilpasning i maskinlæring

Naturlig språkbehandling:

1. Introduksjon til naturlig språkbehandling
2. Tekstforbehandling i Python | Sett - 1
3. Tekstforbehandling i Python | Sett 2
4. Fjerne stoppord med NLTK i Python
5. Tokeniser tekst ved å bruke NLTK i python
6. Hvordan tokeniserende tekst, setning, ord fungerer
7. Introduksjon til Stemming
8. Stamord med NLTK
9. Lematisering med NLTK
10. Lematisering med TextBlob
11. Hvordan få synonymer/antonymer fra NLTK WordNet i Python?

Nevrale nettverk:

1. Introduksjon til kunstige nøytrale nettverk | Sett 1
2. Introduksjon til kunstig nevrale nettverk | Sett 2
3. Introduksjon til ANN (Artificial Neural Networks) | Sett 3 (hybridsystemer)
4. Introduksjon til ANN | Sett 4 (nettverksarkitektur)
5. Aktiveringsfunksjoner
6. Implementering av opplæringsprosess for kunstig nevrale nettverk i Python
7. Et enkelt nevronnettverk i Python
8. Konvolusjonelle nevrale nettverk
   • Introduksjon til Convolution Neural Network
   • Introduksjon til Pooling Layer
   • Introduksjon til polstring
   • Typer polstring i konvolusjonslag
   • Bruker Convolutional Neural Network på mnist-datasettet
9. Tilbakevendende nevrale nettverk
   • Introduksjon til tilbakevendende nevrale nettverk
   • Tilbakevendende nevrale nettverk Forklaring
   • seq2seq modell
   • Introduksjon til langtidsminne
   • Langtidsminnenettverk Forklaring
   • Gated Recurrent Unit Networks (GAN)
   • Tekstgenerering ved bruk av Gated Recurrent Unit Networks
10. GANs – Generative Adversarial Network
    • Introduksjon til Generative Adversarial Network
    • Generative Adversarial Networks (GAN)
    • Brukstilfeller av generative kontradiktoriske nettverk
    • Bygge et generativt motstandernettverk ved å bruke Keras
    • Modal kollaps i GAN-er
11. Introduksjon til dyp Q-læring
12. Implementering av Deep Q-Learning ved hjelp av Tensorflow

ML – Implementering:

1. Distribuer Machine Learning-nettappen din (Streamlit) på Heroku
2. Distribuer en maskinlæringsmodell ved hjelp av Streamlit Library
3. Distribuer maskinlæringsmodell ved hjelp av Flask
4. Python – Lag brukergrensesnitt for prototyping av maskinlæringsmodell med Gradio
5. Hvordan forberede data før du implementerer en maskinlæringsmodell?
6. Distribuere ML-modeller som API ved hjelp av FastAPI
   
7. Distribuerer Scrapy spider på ScrapingHub

ML – applikasjoner:

1. Nedbørsprediksjon ved bruk av lineær regresjon
2. Identifisere håndskrevne sifre ved hjelp av logistisk regresjon i PyTorch
3. Kaggle brystkreft Wisconsin-diagnose ved hjelp av logistisk regresjon
4. Python | Implementering av Movie Recommender System
5. Støtt Vector Machine for å gjenkjenne ansiktstrekk i C++
6. Decision Trees – Falske (forfalskede) myntpuslespill (12-myntspuslespill)
7. Oppdagelse av kredittkortsvindel
8. NLP-analyse av restaurantanmeldelser
9. Bruk av multinomial naive Bayes på NLP-problemer
10. Bildekomprimering ved bruk av K-betyr klynging
11. Dyp læring | Generering av bildetekst ved hjelp av Avengers EndGames-karakterene
12. Hvordan bruker Google maskinlæring?
13. Hvordan bruker NASA maskinlæring?
14. 5 overveldende måter Facebook bruker maskinlæring på
    
15. Målrettet annonsering ved hjelp av maskinlæring
16. Hvordan brukes maskinlæring av kjente selskaper?

Diverse:

1. Mønstergjenkjenning | Introduksjon
2. Beregn effektiviteten til binær klassifisering
3. Logistisk regresjon v/s Decision Tree Classification
4. R vs Python i datavitenskap
5. Forklaring av grunnleggende funksjoner involvert i A3C-algoritmen
6. Differensielt personvern og dyp læring
7. Kunstig intelligens vs maskinlæring vs dyp læring
8. Introduksjon til Multi-Task Learning (MTL) for dyp læring
9. Topp 10 algoritmer som alle maskinlæringsingeniører bør kjenne til
10. Azure Virtual Machine for Machine Learning
11. 30 minutter til maskinlæring
12. Hva er AutoML i maskinlæring?
13. Forvirringsmatrise i maskinlæring

Forutsetninger for å lære maskinlæring

• Kunnskap om lineære ligninger, grafer over funksjoner, statistikk, lineær algebra, sannsynlighet, kalkulus etc.
• Eventuell kunnskap om programmeringsspråk som Python, C++, R anbefales.

Vanlige spørsmål om maskinlæringsveiledning

Q.1 Hva er maskinlæring og hvordan er det forskjellig fra dyp læring?

Svar :

Maskinlæring utvikler programmer som kan få tilgang til data og lære av dem. Dyplæring er underdomenet til maskinlæring. Deep learning støtter automatisk utvinning av funksjoner fra rådataene.

Q.2. Hva er de forskjellige typene maskinlæringsalgoritmer?

Svar :

• Overvåkede algoritmer: Dette er algoritmene som lærer av de merkede dataene, f.eks. bilder merket med hundefjes eller ikke. Algoritmen avhenger av overvåket eller merkede data. f.eks. regresjon, objektdeteksjon, segmentering.
• Ikke-overvåkede algoritmer: Dette er algoritmene som lærer av de ikke-merkede dataene, f.eks. haug med bilder gitt for å lage et lignende sett med bilder. f.eks. clustering, dimensjonalitetsreduksjon etc.
• Semi-overvåket algoritmer: Algoritmer som bruker både overvåket eller ikke-overvåket data. Majoriteten av databruken for disse algoritmene er ikke overvåket data. f.eks. anamoly deteksjon.

Q.3. Hvorfor bruker vi maskinlæring?

Svar :

Maskinlæring brukes til å ta beslutninger basert på data. Ved å modellere algoritmene på grunnlag av historiske data, finner algoritmer mønstre og sammenhenger som er vanskelige for mennesker å oppdage. Disse mønstrene brukes nå videre for fremtidige referanser for å forutsi løsning av usynlige problemer.

Q.4. Hva er forskjellen mellom kunstig intelligens og maskinlæring?

Svar :

KUNSTIG INTELLIGENS	MASKINLÆRING
Utvikle et intelligent system som utfører en rekke komplekse jobber.	Konstruer maskiner som bare kan utføre jobbene de har trent for.
Det fungerer som et program som gjør smart arbeid.	Oppgavesystemets maskin tar data og lærer av data.
AI har et bredt utvalg av applikasjoner.	ML lar systemer lære nye ting fra data.
AI leder visdom.	ML fører til kunnskap.