|
Kodlash ko'nikmalari: ML modellarini yaratish ML tushunchalarini bilishdan ko'ra ko'proq narsani o'z ichiga oladi - bu sizning modelingizni sinab ko'rish va optimallashtirish uchun zarur bo'lgan ma'lumotlarni boshqarish, parametrlarni sozlash va tahlil natijalarini bajarish uchun kodlashni talab qiladi.
Matematika va statistika: ML matematikaning og'ir fanidir, shuning uchun agar siz ML modellarini o'zgartirishni yoki noldan yangilarini yaratishni rejalashtirmoqchi bo'lsangiz, asosiy matematik tushunchalar bilan tanishish jarayon uchun juda muhimdir.
ML nazariyasi: ML nazariyasi asoslarini bilish sizga qurish uchun poydevor beradi va biror narsa noto'g'ri ketganda muammolarni bartaraf etishga yordam beradi.
O'z loyihalaringizni yarating: ML bilan tajriba orttirish - bu bilimingizni sinab ko'rishning eng yaxshi usuli, shuning uchun biroz mashq qilish uchun oddiy kolab yoki o'quv qo'llanmasi bilan erta sho'ng'ishdan qo'rqmang.
Tensorflow qanday kutibxona?
Sun'iy intellekt (AI) atrofidagi barcha shov-shuvlar yaxshi sababga ko'ra sodir bo'lmoqda: chuqur o'rganish inqilobi, ba'zan deyilganidek, haqiqatan ham sodir bo'ldi. Chuqur o'rganish inqilobi tezlik va texnikada erishilgan jadal taraqqiyotni anglatadi 2012-yilda boshlangan va hali ham davom etayotgan chuqur neyron tarmoqlari. O'shandan beri, chuqur neyron tarmoqlari tobora kengayib borayotgan muammolarga qo'llanila boshlandi, bu esa mashinalarga ba'zi hollarda ilgari hal qilinmagan muammolarni hal qilish imkonini beradi va boshqalarda yechim aniqligini keskin oshirish. Kimga AI bo'yicha mutaxassislarning fikriga ko'ra, neyron tarmoqlardagi ushbu yutuqlarning aksariyati hayratlanarli edi. JavaScript an'anaviy tarzda veb-brauzer UI va biznes mantiqini (Node.js bilan) yaratishga bag'ishlangan tildir. G'oyalar va ijodkorlikni ifodalovchi shaxs sifatida. JavaScript, o'zingizni chuqur o'rganish inqilobidan biroz chetda qolgandek his qilishingiz mumkin. Python, R va C++ kabi tillarning eksklyuziv hududi bo'lish. Ushbu kitob maqsadli. TensorFlow.js deb nomlangan JavaScript chuqur o'rganish kutubxonasi orqali chuqur o'rganish va JavaScript-ni birlashtirishda. Biz buni JavaScript ishlab chiquvchilari yoqtirishi uchun qilamiz. yangi tilni o'rganmasdan chuqur neyron tarmoqlarni yozishni o'rganishingiz mumkin; Eng muhimi, biz chuqur o'rganish va JavaScript bir-biriga tegishli ekanligiga ishonamiz. O'zaro changlatish hech birida mavjud bo'lmagan noyob imkoniyatlarni yaratadi boshqa dasturlash tili. Bu JavaScript va chuqur o'rganish uchun ikkala yo'nalishda ham ishlaydi. JavaScript yordamida chuqur o'rganish ilovalari ko'proq platformalarda ishlashi mumkin, kengroq auditoriyaga ega bo'lib, vizual va interaktiv bo'ladi. Chuqur o'rganish bilan JavaS kodini ishlab chiquvchilari o'zlarining veb-ilovalarini yanada aqlli qilishlari mumkin. Qanday qilib keyinroq tasvirlab beramiz bu chuqur o'rganish inqilobida hozirgacha ko'rilgan. Ushbu kitobda biz raqam tanladik ushbu ilovalar haqida va ularni Tensor Flow.js da toʻliq shon-shuhratda yoki qisqartirilgan holda qanday amalga oshirishga oid misollar yaratildi. Bu misollar yoritiladi. Keyingi boblarda chuqurroq. Shuning uchun, siz hayratda qolishdan to'xtamaysiz yutuqlar: siz ular haqida bilib olishingiz, tushunishingiz va barchasini amalga oshirishingiz mumkin. Ammo siz ushbu qiziqarli, amaliy chuqur o'rganish misollariga sho'ng'ishdan oldin, bizga kerak. AI, chuqur o'rganish va neyron tarmoqlari atrofidagi muhim kontekstni tanishtirish.
Biz 1-rasmdagi Venn diagrammasining “mashinalarni o‘rganish” doirasidan to‘g‘ridan-to‘g‘ri ichidagi “neyron tarmoq” doirasiga o‘tdik. Biroq, biz uchun neyron tarmoqlar bo'lmagan mashinani o'rganish usullarini qisqacha ko'rib chiqish maqsadga muvofiqdir, chunki bu bizga yaxshiroq tarixiy kontekstni beradi, balki mavjud koddagi ba'zi usullar bilan tanishishingiz mumkin.
1
-rasm
Naive Bayes klassifikatori mashinani o'rganishning eng dastlabki shakllaridan biridir. Oddiy qilib aytganda, Bayes teoremasi berilgan hodisaning ehtimolini qanday baholash kerakligi haqida: 1) voqea qanchalik ehtimoli borligiga apriori ishonch va 2) hodisaga tegishli kuzatilgan faktlar (xususiyatlar deb ataladi). Ushbu teorema kuzatilgan ma'lumotlar nuqtalarini tasniflash uchun ishlatilishi mumkin kuzatilgan faktlarni hisobga olgan holda eng yuqori ehtimollik (ehtimollik) bilan toifani tanlash orqali ko'plab ma'lum toifalardan biri. Naive Bayes kuzatilgan faktlar bir-biriga bog'liq emas degan taxminga asoslanadi (kuchli va sodda taxmin, shuning uchun nomi). Logistik regressiya (yoki logreg) ham tasniflash usuli hisoblanadi. Oddiy va ko'p qirrali tabiati tufayli u hali ham mashhur bo'lib qolmoqda va ko'pincha ma'lumotlar olimi qo'llaniladigan tasniflash vazifasini his qilish uchun birinchi bo'lib harakat qiladi. Vektorli mashinalarni (SVM) qo'llab-quvvatlaydigan yadro usullari eng mashhur misollar bo'lib, asl ma'lumotlarni yuqori o'lchamli bo'shliqlarga joylashtirish va masofani maksimal darajada oshiruvchi transformatsiyani topish orqali ikkilik (ya'ni ikki toifali) tasniflash muammolarini hal qiladi. (chegara deb ataladi) misollarning ikkita sinfi o'rtasida. Qaror daraxtlari kirish ma'lumotlar nuqtalarini tasniflash yoki kiritilgan ma'lumotlarning chiqish qiymatlarini bashorat qilish imkonini beruvchi oqim sxemasiga o'xshash tuzilmalardir. Oqim sxemasining har bir bosqichida siz oddiy ha/yo‘q savoliga javob berasiz, masalan: “X xususiyati ma’lum chegaradan kattami?” qarab javob ha yoki yo'q bo'ladimi, siz ikkita mumkin bo'lgan keyingi savollardan biriga o'tasiz, bu yana bir ha/yo'q savol va hokazo. Sxemaning oxiriga yetganingizdan so'ng, siz yakuniy javobni olasiz. Shunday qilib, qaror daraxtlari odamlar uchun tasavvur qilish va qayta talqin qilish uchun osondir.
Do'stlaringiz bilan baham: |
