ສາລະບານ[ເຊື່ອງ][ສະແດງ]
ໂດຍວິທີທາງການ, ພວກເຮົາທຸກຄົນຮູ້ວ່າເຕັກໂນໂລຊີການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ພັດທະນາຢ່າງໄວວາແນວໃດໃນຫຼາຍປີທີ່ຜ່ານມາ. ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນລະບຽບວິໄນທີ່ໄດ້ດຶງດູດຄວາມສົນໃຈຂອງຫຼາຍໆບໍລິສັດ, ນັກວິຊາການ, ແລະຂະແຫນງການຕ່າງໆ.
ດ້ວຍເຫດນີ້, ຂ້າພະເຈົ້າຈະສົນທະນາບາງປື້ມທີ່ດີທີ່ສຸດກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ນັກວິສະວະກອນຫຼືຜູ້ໃຫມ່ຄວນອ່ານໃນມື້ນີ້. ທ່ານທັງຫມົດຕ້ອງໄດ້ເຫັນດີທີ່ວ່າການອ່ານຫນັງສືບໍ່ແມ່ນຄືກັນກັບການນໍາໃຊ້ປັນຍາ.
ການອ່ານໜັງສືຊ່ວຍໃຫ້ຈິດໃຈຂອງພວກເຮົາຄົ້ນພົບສິ່ງໃໝ່ໆຫຼາຍຢ່າງ. ການອ່ານແມ່ນການຮຽນຮູ້, ຫຼັງຈາກທີ່ທັງຫມົດ. ແທັກທີ່ຮຽນດ້ວຍຕົນເອງແມ່ນມີຄວາມມ່ວນຫຼາຍ. ປື້ມແບບຮຽນທີ່ຍິ່ງໃຫຍ່ທີ່ສຸດທີ່ມີຢູ່ໃນພາກສະຫນາມຈະຖືກເນັ້ນໃສ່ໃນບົດຄວາມນີ້.
ປື້ມແບບຮຽນຕໍ່ໄປນີ້ສະເຫນີການແນະນໍາທີ່ພະຍາຍາມແລະຄວາມຈິງກ່ຽວກັບພາກສະຫນາມຂະຫນາດໃຫຍ່ຂອງ AI ແລະມັກຈະຖືກນໍາໃຊ້ໃນຫຼັກສູດວິທະຍາໄລແລະແນະນໍາໂດຍນັກວິຊາການແລະວິສະວະກອນຄືກັນ.
ເຖິງແມ່ນວ່າທ່ານມີໂຕນຂອງ ການຮຽນຮູ້ເຄື່ອງຈັກ ປະສົບການ, ການເລືອກເອົາຫນຶ່ງຂອງປື້ມແບບຮຽນເຫຼົ່ານີ້ອາດຈະເປັນວິທີທີ່ດີທີ່ຈະທົບທວນ. ຫຼັງຈາກທີ່ທັງຫມົດ, ການຮຽນຮູ້ແມ່ນຂະບວນການຢ່າງຕໍ່ເນື່ອງ.
1. ການຮຽນຮູ້ເຄື່ອງຈັກສຳລັບຜູ້ເລີ່ມຕົ້ນຢ່າງແທ້ຈິງ
ເຈົ້າຢາກຮຽນການຮຽນຮູ້ເຄື່ອງຈັກ ແຕ່ບໍ່ຮູ້ວິທີເຮັດມັນ. ມີແນວຄວາມຄິດທາງທິດສະດີ ແລະສະຖິຕິທີ່ສຳຄັນຫຼາຍອັນທີ່ເຈົ້າຄວນເຂົ້າໃຈກ່ອນທີ່ຈະເລີ່ມການເດີນທາງອັນຍິ່ງໃຫຍ່ຂອງເຈົ້າໄປສູ່ການຮຽນຮູ້ເຄື່ອງຈັກ. ແລະປຶ້ມນີ້ຕື່ມຂໍ້ມູນໃສ່ທີ່ຕ້ອງການ!
ມັນສະຫນອງຈົວສົມບູນທີ່ມີລະດັບສູງ, ສາມາດນໍາໃຊ້ໄດ້ ການແນະນໍາການຮຽນຮູ້ເຄື່ອງຈັກ. ປຶ້ມ Machine Learning for Absolute Beginners ແມ່ນຫນຶ່ງໃນທາງເລືອກທີ່ດີທີ່ສຸດສໍາລັບທຸກຄົນທີ່ຊອກຫາຄໍາອະທິບາຍທີ່ງ່າຍດາຍທີ່ສຸດຂອງການຮຽນຮູ້ເຄື່ອງຈັກແລະແນວຄວາມຄິດທີ່ກ່ຽວຂ້ອງ.
ສູດການຄິດໄລ່ ml ຈໍານວນຫລາຍຂອງປຶ້ມແມ່ນປະກອບດ້ວຍຄໍາອະທິບາຍຫຍໍ້ໆແລະຕົວຢ່າງຮູບພາບເພື່ອຊ່ວຍໃຫ້ຜູ້ອ່ານເຂົ້າໃຈທຸກສິ່ງທຸກຢ່າງທີ່ສົນທະນາ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ພື້ນຖານຂອງ ເຄືອຂ່າຍ neural
- Regression analysis
- ວິສະວະກໍາຄຸນສົມບັດ
- Clustering
- ການກວດສອບຂ້າມ
- ເຕັກນິກການຂູດຂໍ້ມູນ
- ຕົ້ນໄມ້ຕັດສິນໃຈ
- ການສ້າງແບບຈໍາລອງກຸ່ມ
2. ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບ Dummies
ການຮຽນຮູ້ເຄື່ອງຈັກອາດຈະເປັນຄວາມຄິດທີ່ສັບສົນສໍາລັບຄົນປົກກະຕິ. ຢ່າງໃດກໍຕາມ, ມັນເປັນມູນຄ່າທີ່ບໍ່ມີຄ່າສໍາລັບພວກເຮົາຜູ້ທີ່ມີຄວາມຮູ້.
ຖ້າບໍ່ມີ ML, ມັນຍາກທີ່ຈະຈັດການບັນຫາຕ່າງໆເຊັ່ນຜົນການຄົ້ນຫາອອນໄລນ໌, ການໂຄສະນາໃນເວລາທີ່ແທ້ຈິງໃນຫນ້າເວັບ, ອັດຕະໂນມັດ, ຫຼືແມ້ກະທັ້ງການກັ່ນຕອງຂີ້ເຫຍື້ອ (ແມ່ນແລ້ວ!).
ດັ່ງນັ້ນ, ຫນັງສືເຫຼັ້ມນີ້ສະເຫນີໃຫ້ທ່ານແນະນໍາກົງໄປກົງມາທີ່ຈະຊ່ວຍໃຫ້ທ່ານຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບ realm enigmatic ຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ດ້ວຍຄວາມຊ່ອຍເຫລືອຂອງ Machine Learning For Dummies, ທ່ານຈະໄດ້ຮຽນຮູ້ວິທີການ "ເວົ້າ" ພາສາເຊັ່ນ Python ແລະ R, ເຊິ່ງຈະຊ່ວຍໃຫ້ທ່ານສາມາດຝຶກອົບຮົມຄອມພິວເຕີເພື່ອເຮັດການຮັບຮູ້ຮູບແບບແລະການວິເຄາະຂໍ້ມູນ.
ນອກຈາກນັ້ນ, ທ່ານຈະໄດ້ຮຽນຮູ້ວິທີການໃຊ້ Python's Anaconda ແລະ R Studio ເພື່ອພັດທະນາໃນ R.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການກະກຽມຂໍ້ມູນ
- ວິທີການສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກ
- ວົງຈອນການຮຽນຮູ້ເຄື່ອງຈັກ
- ການຮຽນຮູ້ແບບຄວບຄຸມ ແລະບໍ່ມີການຄວບຄຸມ
- ການຝຶກອົບຮົມລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ
- ວິທີການຮຽນຮູ້ເຄື່ອງຈັກ Tying ກັບຜົນໄດ້ຮັບ
3. ປື້ມການຮຽນຮູ້ເຄື່ອງຈັກຮ້ອຍໜ້າ
ມັນເປັນໄປໄດ້ທີ່ຈະກວມເອົາທຸກດ້ານຂອງການຮຽນຮູ້ເຄື່ອງຈັກພາຍໃຕ້ 100 ຫນ້າບໍ? Andriy Burkov's The Hundred-Page Machine Learning Book ແມ່ນຄວາມພະຍາຍາມທີ່ຈະເຮັດເຊັ່ນດຽວກັນ.
ປື້ມການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຂຽນໄດ້ດີແລະໄດ້ຮັບການສະຫນັບສະຫນູນຈາກຜູ້ນໍາດ້ານຄວາມຄິດທີ່ມີຊື່ສຽງລວມທັງ Sujeet Varakhedi, ຫົວຫນ້າວິສະວະກໍາຂອງ eBay, ແລະ Peter Norvig, ຜູ້ອໍານວຍການຄົ້ນຄ້ວາຂອງ Google.
ມັນເປັນປື້ມທີ່ດີທີ່ສຸດສໍາລັບຜູ້ເລີ່ມຕົ້ນໃນການຮຽນຮູ້ເຄື່ອງຈັກ. ຫຼັງຈາກອ່ານຫນັງສືຢ່າງລະອຽດ, ທ່ານຈະສາມາດສ້າງແລະເຂົ້າໃຈລະບົບ AI ທີ່ຊັບຊ້ອນ, ປະສົບຜົນສໍາເລັດໃນການສໍາພາດການຮຽນຮູ້ເຄື່ອງຈັກ, ແລະແມ້ກະທັ້ງການເປີດຕົວບໍລິສັດ ML ຂອງທ່ານເອງ.
ຢ່າງໃດກໍ່ຕາມ, ປື້ມດັ່ງກ່າວບໍ່ໄດ້ມີຈຸດປະສົງສໍາລັບຜູ້ເລີ່ມຕົ້ນທີ່ສົມບູນໃນການຮຽນຮູ້ເຄື່ອງຈັກ. ເບິ່ງບ່ອນໃດບ່ອນໜຶ່ງຫາກເຈົ້າກຳລັງຊອກຫາອັນໃດອັນໜຶ່ງພື້ນຖານກວ່າ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ຮ່າງກາຍຂອງ ກ ຂັ້ນຕອນການຮຽນຮູ້
- ການຮຽນຮູ້ທີ່ມີການຄວບຄຸມແລະການຮຽນຮູ້ທີ່ບໍ່ມີການດູແລ
- ການຮຽນຮູ້ການເສີມສ້າງ
- ສູດການຄິດໄລ່ພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກ
- ພາບລວມຂອງເຄືອຂ່າຍ Neural ແລະການຮຽນຮູ້ເລິກ
4. ຄວາມເຂົ້າໃຈການຮຽນຮູ້ເຄື່ອງຈັກ
ການແນະນໍາລະບົບການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນໃຫ້ຢູ່ໃນປຶ້ມຄວາມເຂົ້າໃຈການຮຽນຮູ້ເຄື່ອງຈັກ. ປຶ້ມດັ່ງກ່າວໄດ້ເຈາະເລິກເຖິງແນວຄວາມຄິດພື້ນຖານ, ຮູບແບບການຄຳນວນ, ແລະຕົວກຳເນີດທາງຄະນິດສາດຂອງການຮຽນຮູ້ເຄື່ອງຈັກ.
ຫົວຂໍ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ກວ້າງຂວາງແມ່ນໄດ້ຖືກນຳສະເໜີແບບງ່າຍໆໂດຍການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ພື້ນຖານທາງທິດສະດີຂອງການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນໄດ້ອະທິບາຍໄວ້ໃນປຶ້ມ, ພ້ອມກັບຕົວກຳເນີດທາງຄະນິດສາດທີ່ປ່ຽນພື້ນຖານເຫຼົ່ານີ້ໃຫ້ກາຍເປັນສູດການຄິດໄລ່ທີ່ເປັນປະໂຫຍດ.
ປື້ມດັ່ງກ່າວໄດ້ນໍາສະເຫນີພື້ນຖານກ່ອນທີ່ຈະກວມເອົາລະດັບຄວາມກ້ວາງຂອງວິຊາທີ່ສໍາຄັນທີ່ຍັງບໍ່ທັນໄດ້ກວມເອົາໂດຍປື້ມຮຽນກ່ອນຫນ້າ.
ຮວມຢູ່ໃນນີ້ ແມ່ນການສົນທະນາກ່ຽວກັບແນວຄວາມຄິດຂອງຄວາມໜຽວ ແລະຄວາມໝັ້ນຄົງ ແລະຄວາມສັບສົນຂອງການຮຽນຮູ້ຂອງຄອມພິວເຕີ, ລວມທັງຕົວແບບອັນກໍຣິທຶມທີ່ສຳຄັນ ເຊັ່ນ: stochastic. ການສືບເຊື້ອສາຍ gradient, ເຄືອຂ່າຍ neural, ແລະການຮຽນຮູ້ຜົນຜະລິດທີ່ມີໂຄງສ້າງ, ເຊັ່ນດຽວກັນກັບແນວຄວາມຄິດທາງທິດສະດີທີ່ເກີດຂື້ນໃຫມ່ເຊັ່ນວິທີການ PAC-Bayes ແລະຂອບເຂດທີ່ອີງໃສ່ການບີບອັດ. ອອກແບບມາສໍາລັບການເລີ່ມຕົ້ນຈົບການສຶກສາຫຼືລະດັບປະລິນຍາຕີຂັ້ນສູງ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ຄວາມຊັບຊ້ອນການຄິດໄລ່ຂອງການຮຽນຮູ້ເຄື່ອງຈັກ
- ML algorithms
- ເຄືອຂ່າຍ Neural
- ວິທີການ PAC-Bayes
- Stochastic gradient descent
- ການຮຽນຮູ້ຜົນຜະລິດທີ່ມີໂຄງສ້າງ
5. ການແນະນໍາການຮຽນຮູ້ເຄື່ອງຈັກກັບ Python
ເຈົ້າເປັນນັກວິທະຍາສາດຂໍ້ມູນ Python ທີ່ຕ້ອງການສຶກສາການຮຽນຮູ້ເຄື່ອງຈັກບໍ? ປື້ມທີ່ດີທີ່ສຸດເພື່ອເລີ່ມຕົ້ນການຜະຈົນໄພການຮຽນຮູ້ເຄື່ອງຈັກຂອງເຈົ້າແມ່ນ Introduction to Machine Learning with Python: A Guide for Data Scientists.
ດ້ວຍຄວາມຊ່ອຍເຫລືອຂອງປຶ້ມ Introduction to Machine Learning with Python: A Guide for Data Scientists, you will find a variety of useful techniques for create custom machine learning programs.
ທ່ານຈະກວມເອົາທຸກຂັ້ນຕອນທີ່ສໍາຄັນທີ່ກ່ຽວຂ້ອງກັບການນໍາໃຊ້ Python ແລະຊຸດ Scikit-Learn ເພື່ອສ້າງຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເຊື່ອຖືໄດ້.
ການໄດ້ຮັບຄວາມເຂົ້າໃຈຢ່າງໜັກແໜ້ນຂອງຫ້ອງສະໝຸດ matplotlib ແລະ NumPy ຈະເຮັດໃຫ້ການຮຽນຮູ້ງ່າຍຂຶ້ນຫຼາຍ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ເຕັກນິກທີ່ທັນສະໄຫມສໍາລັບການປັບຕົວກໍານົດການແລະການປະເມີນແບບຈໍາລອງ
- ຄໍາຮ້ອງສະຫມັກແລະແນວຄວາມຄິດການຮຽນຮູ້ເຄື່ອງຈັກພື້ນຖານ
- ເຕັກນິກການຮຽນຮູ້ອັດຕະໂນມັດ
- ເຕັກນິກການຈັດການຂໍ້ມູນຂໍ້ຄວາມ
- ລະບົບຕ່ອງໂສ້ແບບຈໍາລອງແລະທໍ່ການຫຸ້ມຫໍ່ການເຮັດວຽກ
- ການສະແດງຂໍ້ມູນຫຼັງຈາກການປະມວນຜົນ
6. Hands-on Machine Learning with Sci-kit learn, Keras & Tensorflow
ໃນບັນດາສິ່ງພິມຢ່າງລະອຽດທີ່ສຸດກ່ຽວກັບວິທະຍາສາດຂໍ້ມູນແລະການຮຽນຮູ້ເຄື່ອງຈັກ, ມັນເຕັມໄປດ້ວຍຄວາມຮູ້. ມັນໄດ້ຖືກແນະນໍາໃຫ້ຜູ້ຊ່ຽວຊານແລະຈົວຄືກັນສຶກສາເພີ່ມເຕີມກ່ຽວກັບວິຊານີ້.
ເຖິງແມ່ນວ່າຫນັງສືເຫຼັ້ມນີ້ປະກອບດ້ວຍທິດສະດີພຽງແຕ່ເລັກນ້ອຍ, ມັນໄດ້ຖືກສະຫນັບສະຫນູນໂດຍຕົວຢ່າງທີ່ເຂັ້ມແຂງ, ໃຫ້ມັນຢູ່ໃນບັນຊີລາຍຊື່.
ປຶ້ມນີ້ປະກອບມີຫົວຂໍ້ຕ່າງໆ, ລວມທັງ scikit-learn ສໍາລັບໂຄງການການຮຽນຮູ້ເຄື່ອງຈັກແລະ TensorFlow ສໍາລັບການສ້າງແລະການຝຶກອົບຮົມເຄືອຂ່າຍ neural.
ຫຼັງຈາກອ່ານປຶ້ມຫົວນີ້, ພວກເຮົາຄິດວ່າເຈົ້າຈະມີຄວາມພ້ອມທີ່ດີກວ່າທີ່ຈະເຈາະເລິກຕື່ມອີກ ການຮຽນຮູ້ລຶກລັບ ແລະຈັດການກັບບັນຫາພາກປະຕິບັດ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ກວດເບິ່ງພູມສັນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ໂດຍສະເພາະແມ່ນເຄືອຂ່າຍ neural
- ຕິດຕາມໂຄງການການຮຽນຮູ້ເຄື່ອງຈັກຕົວຢ່າງຈາກຈຸດເລີ່ມຕົ້ນຈົນເຖິງການສະຫລຸບໂດຍໃຊ້ Scikit-Learn.
- ກວດສອບຮູບແບບການຝຶກອົບຮົມຈໍານວນຫນຶ່ງ, ເຊັ່ນ: ເຕັກນິກການປະກອບ, ປ່າສຸ່ມ, ຕົ້ນໄມ້ການຕັດສິນໃຈ, ແລະເຄື່ອງ vector ສະຫນັບສະຫນູນ.
- ສ້າງແລະຝຶກອົບຮົມເຄືອຂ່າຍ neural ໂດຍການນໍາໃຊ້ຫ້ອງສະຫມຸດ TensorFlow.
- ພິຈາລະນາເຄືອຂ່າຍ convolutional, nets recurrent, ແລະການຮຽນຮູ້ເສີມເລິກໃນຂະນະທີ່ການສໍາຫຼວດ ສຸດທິ neural ການອອກແບບ.
- ຮຽນຮູ້ວິທີການຂະຫນາດແລະການຝຶກອົບຮົມເຄືອຂ່າຍ neural ເລິກ.
7. ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບແຮກເກີ
ສໍາລັບນັກຂຽນໂປລແກລມທີ່ມີລະດູການທີ່ສົນໃຈໃນການວິເຄາະຂໍ້ມູນ, ປື້ມຄູ່ມືການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບແຮກເກີແມ່ນຂຽນ. ແຮກເກີແມ່ນນັກຄະນິດສາດທີ່ມີຄວາມຊໍານິຊໍານານໃນສະພາບການນີ້.
ສໍາລັບຜູ້ທີ່ມີຄວາມເຂົ້າໃຈຢ່າງແຂງແຮງກ່ຽວກັບ R, ຫນັງສືເຫຼັ້ມນີ້ແມ່ນທາງເລືອກທີ່ດີເພາະວ່າສ່ວນໃຫຍ່ຂອງມັນແມ່ນສຸມໃສ່ການວິເຄາະຂໍ້ມູນໃນ R. ນອກຈາກນັ້ນ, ກວມເອົາໃນປື້ມນີ້ແມ່ນວິທີການຈັດການຂໍ້ມູນໂດຍໃຊ້ R ຂັ້ນສູງ.
ການລວມເອົາເລື່ອງຂອງກໍລະນີທີ່ກ່ຽວຂ້ອງເນັ້ນຫນັກເຖິງຄຸນຄ່າຂອງການຈ້າງເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກສາມາດເປັນຫນັງສື Machine Learning ສໍາລັບຈຸດຂາຍທີ່ສໍາຄັນທີ່ສຸດຂອງແຮກເກີ.
ປຶ້ມດັ່ງກ່າວໃຫ້ຕົວຢ່າງຂອງໂລກຕົວຈິງຫຼາຍຢ່າງເພື່ອເຮັດໃຫ້ການຮຽນຮູ້ເຄື່ອງຈັກງ່າຍຂຶ້ນ ແລະໄວຂຶ້ນ ແທນທີ່ຈະລົງເລິກໃນທິດສະດີທາງຄະນິດສາດຂອງມັນ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ສ້າງຕົວຈັດປະເພດ Bayesian naive ທີ່ວິເຄາະພຽງແຕ່ເນື້ອໃນຂອງອີເມວເພື່ອກໍານົດວ່າມັນເປັນ spam.
- ຄາດຄະເນຈໍານວນການເບິ່ງຫນ້າສໍາລັບເວັບໄຊທ໌ 1,000 ອັນດັບທໍາອິດໂດຍໃຊ້ linear regression
- ສືບສວນວິທີການເພີ່ມປະສິດທິພາບໂດຍການພະຍາຍາມແຕກລະຫັດລັບຂອງຕົວອັກສອນທີ່ກົງໄປກົງມາ.
8. Python Machine Learning ກັບຕົວຢ່າງ
ປື້ມຫົວນີ້, ເຊິ່ງຊ່ວຍໃຫ້ທ່ານເຂົ້າໃຈແລະສ້າງ Machine Learning, Deep Learning, ແລະວິທີການວິເຄາະຂໍ້ມູນ, ອາດຈະເປັນພຽງແຕ່ຫນຶ່ງທີ່ສຸມໃສ່ພຽງແຕ່ Python ເປັນພາສາການຂຽນໂປລແກລມ.
ມັນກວມເອົາຫ້ອງສະໝຸດທີ່ມີທ່າແຮງຫຼາຍອັນສຳລັບການປະຕິບັດລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນ, ເຊັ່ນ: Scikit-Learn. ຫຼັງຈາກນັ້ນ, ໂມດູນ Tensor Flow ຖືກນໍາໃຊ້ເພື່ອສອນທ່ານກ່ຽວກັບການຮຽນຮູ້ເລິກ.
ສຸດທ້າຍ, ມັນສະແດງໃຫ້ເຫັນເຖິງໂອກາດການວິເຄາະຂໍ້ມູນຫຼາຍຢ່າງທີ່ສາມາດບັນລຸໄດ້ໂດຍໃຊ້ເຄື່ອງຈັກແລະການຮຽນຮູ້ເລິກ.
ມັນຍັງສອນທ່ານກ່ຽວກັບເຕັກນິກຈໍານວນຫລາຍທີ່ສາມາດນໍາໃຊ້ເພື່ອເພີ່ມປະສິດຕິຜົນຂອງຕົວແບບທີ່ທ່ານສ້າງ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການຮຽນຮູ້ Python ແລະການຮຽນຮູ້ເຄື່ອງຈັກ: ຄູ່ມືເລີ່ມຕົ້ນ
- ກວດສອບຊຸດຂໍ້ມູນ 2 ກຸ່ມຂ່າວ ແລະ ການກວດຫາອີເມລ໌ spam Naive Bayes
- ການນໍາໃຊ້ SVMs, ຈັດປະເພດຫົວຂໍ້ຂອງບົດຂ່າວການຄາດຄະເນຄລິກໂດຍນໍາໃຊ້ວິທີການໂດຍອີງໃສ່ຕົ້ນໄມ້
- ການຄາດຄະເນອັດຕາການຄລິກຜ່ານການຖົດຖອຍຂອງ logistic
- ການນໍາໃຊ້ວິທີການ regression ເພື່ອຄາດຄະເນລາຄາຫຼັກຊັບມາດຕະຖານທີ່ສູງທີ່ສຸດ
9. ການຮຽນຮູ້ເຄື່ອງຈັກ Python
ປື້ມການຮຽນຮູ້ເຄື່ອງຈັກ Python ອະທິບາຍພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກເຊັ່ນດຽວກັນກັບຄວາມສໍາຄັນຂອງມັນຢູ່ໃນໂດເມນດິຈິຕອນ. ມັນເປັນປື້ມການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບຜູ້ເລີ່ມຕົ້ນ.
ນອກຈາກນັ້ນ, ປຶ້ມທີ່ກວມເອົາໃນປຶ້ມແມ່ນມີຫຼາຍສາຂາຍ່ອຍ ແລະແອັບພລິເຄຊັນຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ຫຼັກການຂອງການຂຽນໂປລແກລມ Python ແລະວິທີການເລີ່ມຕົ້ນດ້ວຍພາສາການຂຽນໂປລແກລມທີ່ບໍ່ເສຍຄ່າແລະເປີດແມ່ນຍັງກວມເອົາຢູ່ໃນປື້ມ Python Machine Learning.
ຫຼັງຈາກຈົບປຶ້ມການຮຽນຮູ້ເຄື່ອງຈັກ, ທ່ານຈະສາມາດສ້າງວຽກການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຢ່າງມີປະສິດທິພາບໂດຍການໃຊ້ລະຫັດ Python.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ພື້ນຖານປັນຍາທຽມ
- ຕົ້ນໄມ້ການຕັດສິນໃຈ
- ການຖົດຖອຍ logistic
- ເຄືອຂ່າຍ neural ໃນຄວາມເລິກ
- ພື້ນຖານພາສາການຂຽນໂປລແກລມ Python
10. ການຮຽນຮູ້ເຄື່ອງຈັກ: ທັດສະນະທີ່ເປັນໄປໄດ້
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ: A Probabilistic Perspective ເປັນປຶ້ມການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີລັກສະນະຕະຫຼົກທີ່ມີລັກສະນະຮູບພາບສີທີ່ໜ້າວິຕົກກັງວົນ ແລະເປັນຕົວຢ່າງຕົວຈິງຈາກພາກວິຊາຕ່າງໆ ເຊັ່ນ: ຊີວະສາດ, ວິໄສທັດຄອມພິວເຕີ, ຫຸ່ນຍົນ, ແລະການປະມວນຜົນຂໍ້ຄວາມ.
ມັນເຕັມໄປດ້ວຍຄຳເວົ້າແບບທຳມະດາ ແລະ pseudocode ສຳລັບສູດການຄິດໄລ່ທີ່ສຳຄັນ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ: ທັດສະນະທີ່ເປັນຄວາມເປັນໄປໄດ້, ກົງກັນຂ້າມກັບສິ່ງພິມການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆທີ່ນໍາສະເຫນີໃນຮູບແບບຂອງປື້ມປຸງແຕ່ງອາຫານແລະອະທິບາຍວິທີການ heuristic ຕ່າງໆ, ສຸມໃສ່ວິທີການທີ່ອີງໃສ່ຕົວແບບຫຼັກການ.
ມັນກໍານົດຕົວແບບ ml ໂດຍໃຊ້ການສະແດງກາຟິກໃນລັກສະນະທີ່ຊັດເຈນແລະເຂົ້າໃຈໄດ້. ອີງຕາມການເປັນເອກະພາບ, ວິທີການຄວາມເປັນໄປໄດ້, ປື້ມແບບຮຽນນີ້ສະຫນອງການແນະນໍາທີ່ສົມບູນແລະຕົນເອງກ່ຽວກັບພື້ນທີ່ຂອງການຮຽນຮູ້ເຄື່ອງຈັກ.
ເນື້ອຫາແມ່ນທັງກວ້າງແລະເລິກ, ລວມທັງພື້ນຖານພື້ນຖານກ່ຽວກັບຫົວຂໍ້ຕ່າງໆເຊັ່ນ: ຄວາມເປັນໄປໄດ້, ການເພີ່ມປະສິດທິພາບ, ແລະພຶດຊະຄະນິດເສັ້ນ, ເຊັ່ນດຽວກັນກັບການສົນທະນາກ່ຽວກັບຄວາມກ້າວຫນ້າໃນຍຸກປະຈຸບັນໃນຂົງເຂດເຊັ່ນ: ພາກສະຫນາມແບບສຸ່ມຕາມເງື່ອນໄຂ, L1 ປົກກະຕິ, ແລະການຮຽນຮູ້ເລິກ.
ປຶ້ມດັ່ງກ່າວຖືກຂຽນເປັນພາສາທຳມະດາ, ເຂົ້າຫາໄດ້, ປະກອບດ້ວຍລະຫັດ pseudo ສໍາລັບສູດການຄິດໄລ່ທີ່ສໍາຄັນ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- Probability
- ການຮຽນຮູ້ທີ່ລຶກລັບ
- L1 ປົກກະຕິ
- ທີ່ດີທີ່ສຸດ
- ການປະມວນຜົນຂໍ້ຄວາມ
- ຄໍາຮ້ອງສະຫມັກຄອມພິວເຕີວິໄສທັດ
- ຄໍາຮ້ອງສະຫມັກຫຸ່ນຍົນ
11. ອົງປະກອບຂອງການຮຽນຮູ້ສະຖິຕິ
ສໍາລັບກອບແນວຄວາມຄິດຂອງມັນແລະວິຊາທີ່ຫລາກຫລາຍ, ປື້ມແບບຮຽນການຮຽນຮູ້ເຄື່ອງຈັກນີ້ມັກຈະຖືກຮັບຮູ້ໃນພາກສະຫນາມ.
ປື້ມນີ້ສາມາດໃຊ້ເປັນເອກະສານອ້າງອີງສໍາລັບທຸກຄົນທີ່ຕ້ອງການທົບທວນກ່ຽວກັບຫົວຂໍ້ຕ່າງໆເຊັ່ນເຄືອຂ່າຍ neural ແລະເຕັກນິກການທົດສອບເຊັ່ນດຽວກັນກັບການແນະນໍາງ່າຍໆກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກ.
ປຶ້ມດັ່ງກ່າວກະຕຸ້ນໃຫ້ຜູ້ອ່ານເຮັດການທົດລອງ ແລະ ການສືບສວນຂອງຕົນເອງໃນທຸກຄັ້ງ, ເຮັດໃຫ້ມັນມີຄ່າສຳລັບການປູກຝັງຄວາມສາມາດ ແລະ ຄວາມຢາກຮູ້ຢາກເຫັນທີ່ຕ້ອງການເພື່ອເຮັດໃຫ້ຄວາມກ້າວໜ້າທີ່ກ່ຽວຂ້ອງໃນຄວາມສາມາດໃນການຮຽນຮູ້ເຄື່ອງຈັກ ຫຼື ວຽກ.
ມັນເປັນເຄື່ອງມືທີ່ສໍາຄັນສໍາລັບນັກສະຖິຕິແລະທຸກຄົນທີ່ສົນໃຈໃນການຂຸດຄົ້ນຂໍ້ມູນໃນທຸລະກິດຫຼືວິທະຍາສາດ. ໃຫ້ແນ່ໃຈວ່າທ່ານເຂົ້າໃຈ algebra ເສັ້ນຢູ່ໃນຕໍາ່ສຸດທີ່ກ່ອນທີ່ຈະເລີ່ມຕົ້ນຫນັງສືເຫຼັ້ມນີ້.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການຮຽນຮູ້ທີ່ມີການຄວບຄຸມ (ການຄາດຄະເນ) ການຮຽນຮູ້ທີ່ບໍ່ມີການດູແລ
- ເຄືອຂ່າຍ Neural
- ສະຫນັບສະຫນູນເຄື່ອງ vector
- ການຈັດປະເພດຕົ້ນໄມ້
- ຂັ້ນຕອນການເພີ່ມປະສິດທິພາບ
12. ການຮັບຮູ້ຮູບແບບ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ
ໂລກຂອງການຮັບຮູ້ຮູບແບບແລະການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຖືກຄົ້ນຫາຢ່າງລະອຽດຢູ່ໃນປຶ້ມຫົວນີ້. ວິທີການຂອງ Bayesian ໃນການຮັບຮູ້ຮູບແບບໄດ້ຖືກນໍາສະເຫນີໃນເບື້ອງຕົ້ນໃນສິ່ງພິມນີ້.
ຍິ່ງໄປກວ່ານັ້ນ, ປື້ມດັ່ງກ່າວໄດ້ກວດກາເບິ່ງວິຊາທີ່ທ້າທາຍທີ່ຕ້ອງການຄວາມເຂົ້າໃຈໃນການເຮັດວຽກຂອງຫຼາຍຕົວແປ, ວິທະຍາສາດຂໍ້ມູນ, ແລະພຶດຊະຄະນິດເສັ້ນຊື່ພື້ນຖານ.
ກ່ຽວກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ແລະຄວາມເປັນໄປໄດ້, ປຶ້ມອ້າງອີງໄດ້ສະເໜີບົດທີ່ມີລະດັບຄວາມຊັບຊ້ອນທີ່ຍາກຂຶ້ນເປັນກ້າວໆ ໂດຍອີງໃສ່ແນວໂນ້ມຂອງຊຸດຂໍ້ມູນ. ຕົວຢ່າງງ່າຍໆແມ່ນໃຫ້ກ່ອນການແນະນຳທົ່ວໄປກ່ຽວກັບການຮັບຮູ້ຮູບແບບ.
ປື້ມດັ່ງກ່າວສະເຫນີເຕັກນິກສໍາລັບການປະມານການ inference, ເຊິ່ງອະນຸຍາດໃຫ້ປະມານໄວໃນກໍລະນີທີ່ການແກ້ໄຂທີ່ແນ່ນອນແມ່ນບໍ່ປະຕິບັດ. ບໍ່ມີປຶ້ມອື່ນທີ່ໃຊ້ຕົວແບບກາຟິກເພື່ອອະທິບາຍການແຈກຢາຍຄວາມເປັນໄປໄດ້, ແຕ່ມັນເຮັດໄດ້.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ວິທີການ Bayesian
- ສູດການຄິດໄລ່ໂດຍປະມານ
- ຮູບແບບໃຫມ່ໂດຍອີງໃສ່ແກ່ນ
- ການແນະນໍາທິດສະດີຄວາມເປັນໄປໄດ້ພື້ນຖານ
- ແນະນຳກ່ຽວກັບການຈຳແນກຮູບແບບ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ
13. ພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກຈາກການວິເຄາະຂໍ້ມູນການຄາດເດົາ
ຖ້າເຈົ້າຮູ້ພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກ ແລະຢາກກ້າວໄປສູ່ການວິເຄາະຂໍ້ມູນແບບຄາດເດົາ, ນີ້ແມ່ນປຶ້ມສຳລັບເຈົ້າ!!! ໂດຍການຊອກຫາຮູບແບບຈາກຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່, ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຖືກນໍາໃຊ້ເພື່ອພັດທະນາຮູບແບບການຄາດຄະເນ.
ປື້ມນີ້ພິຈາລະນາການປະຕິບັດການນໍາໃຊ້ ML ການວິເຄາະຂໍ້ມູນການຄາດເດົາ ໃນຄວາມເລິກ, ລວມທັງຫຼັກການທິດສະດີແລະຕົວຢ່າງຕົວຈິງ.
ເຖິງວ່າຈະມີຄວາມຈິງທີ່ວ່າຫົວຂໍ້ "ພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການວິເຄາະຂໍ້ມູນການຄາດເດົາ" ແມ່ນປາກເປົ່າ, ຫນັງສືເຫຼັ້ມນີ້ຈະອະທິບາຍການເດີນທາງການວິເຄາະຂໍ້ມູນການຄາດເດົາຈາກຂໍ້ມູນໄປສູ່ຄວາມເຂົ້າໃຈໄປສູ່ການສະຫລຸບ.
ມັນຍັງສົນທະນາສີ່ວິທີການການຮຽນຮູ້ເຄື່ອງຈັກ: ການຮຽນຮູ້ໂດຍອີງໃສ່ຂໍ້ມູນ, ການຮຽນຮູ້ທີ່ອີງໃສ່ຄວາມຄ້າຍຄືກັນ, ການຮຽນຮູ້ທີ່ອີງໃສ່ຄວາມເປັນໄປໄດ້, ແລະການຮຽນຮູ້ທີ່ອີງໃສ່ຄວາມຜິດພາດ, ແຕ່ລະຄົນມີຄໍາອະທິບາຍແນວຄວາມຄິດທີ່ບໍ່ແມ່ນທາງວິຊາການປະຕິບັດຕາມແບບຈໍາລອງທາງຄະນິດສາດແລະສູດການຄິດໄລ່ທີ່ມີຕົວຢ່າງ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການຮຽນຮູ້ໂດຍອີງໃສ່ຂໍ້ມູນ
- ການຮຽນຮູ້ທີ່ອີງໃສ່ຄວາມຄ້າຍຄືກັນ
- ການຮຽນຮູ້ໂດຍອີງໃສ່ຄວາມເປັນໄປໄດ້
- ການຮຽນຮູ້ທີ່ອີງໃສ່ຄວາມຜິດພາດ
14. ນຳໃຊ້ການສ້າງແບບຈຳລອງການຄາດເດົາ
Applied Predictive Modeling ກວດສອບຂະບວນການສ້າງແບບຈໍາລອງການຄາດເດົາທັງໝົດ, ເລີ່ມຕົ້ນດ້ວຍໄລຍະທີ່ສໍາຄັນຂອງການປະມວນຜົນຂໍ້ມູນ, ການແຍກຂໍ້ມູນ, ແລະພື້ນຖານການປັບຕົວແບບ.
ຫຼັງຈາກນັ້ນ, ວຽກງານດັ່ງກ່າວໄດ້ນໍາສະເຫນີຄໍາບັນຍາຍທີ່ຊັດເຈນກ່ຽວກັບຄວາມຫລາກຫລາຍຂອງວິທີການ regression ທໍາມະດາແລະບໍ່ດົນມານີ້ແລະການຈັດປະເພດ, ໂດຍເນັ້ນໃສ່ການສະແດງແລະການແກ້ໄຂສິ່ງທ້າທາຍຂໍ້ມູນໃນໂລກທີ່ແທ້ຈິງ.
ຄູ່ມືສະແດງໃຫ້ເຫັນທຸກດ້ານຂອງຂະບວນການສ້າງແບບຈໍາລອງດ້ວຍມືຫຼາຍ, ຕົວຢ່າງໃນໂລກທີ່ແທ້ຈິງ, ແລະແຕ່ລະບົດປະກອບມີລະຫັດ R ທີ່ສົມບູນແບບສໍາລັບແຕ່ລະຂັ້ນຕອນຂອງຂະບວນການ.
ປະລິມານອະເນກປະສົງນີ້ສາມາດຖືກນໍາໃຊ້ເປັນການແນະນໍາຕົວແບບຄາດຄະເນແລະຂະບວນການສ້າງແບບຈໍາລອງທັງຫມົດ, ເປັນຄູ່ມືອ້າງອີງສໍາລັບຜູ້ປະຕິບັດ, ຫຼືເປັນຂໍ້ຄວາມສໍາລັບຫຼັກສູດສ້າງແບບຈໍາລອງລະດັບປະລິນຍາຕີລະດັບປະລິນຍາຕີຫຼືຈົບການສຶກສາ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການຖົດຖອຍທາງດ້ານວິຊາການ
- ເຕັກນິກການຈັດປະເພດ
- ສູດການຄິດໄລ່ ML ທີ່ຊັບຊ້ອນ
15. ການຮຽນຮູ້ເຄື່ອງຈັກ: ສິລະປະ ແລະວິທະຍາສາດຂອງລະບົບສູດການຄິດໄລ່ທີ່ເຮັດໃຫ້ຄວາມຮູ້ສຶກຂອງຂໍ້ມູນ
ຖ້າທ່ານເປັນລະດັບປານກາງ ຫຼື ຊ່ຽວຊານໃນການຮຽນຮູ້ເຄື່ອງຈັກ ແລະຕ້ອງການ “ກັບຄືນສູ່ພື້ນຖານ,” ປຶ້ມນີ້ແມ່ນສໍາລັບທ່ານ! ມັນຈ່າຍໃຫ້ສິນເຊື່ອເຕັມທີ່ໃຫ້ກັບຄວາມຊັບຊ້ອນແລະຄວາມເລິກອັນໃຫຍ່ຫຼວງຂອງ Machine Learning ໃນຂະນະທີ່ບໍ່ເຄີຍສູນເສຍການເບິ່ງເຫັນຫຼັກການລວມຂອງມັນ (ຂ້ອນຂ້າງເປັນຜົນສໍາເລັດ!).
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ: ສິລະປະ ແລະວິທະຍາສາດຂອງສູດການຄິດໄລ່ລວມເຖິງກໍລະນີສຶກສາທີ່ເພີ່ມຂຶ້ນຂອງຄວາມສັບສົນ, ເຊັ່ນດຽວກັນກັບຕົວຢ່າງ ແລະຮູບພາບຈໍານວນຫລາຍ (ເພື່ອຮັກສາສິ່ງທີ່ຫນ້າສົນໃຈ!).
ປຶ້ມນີ້ຍັງກວມເອົາຫຼາຍແບບຢ່າງມີເຫດຜົນ, ເລຂາຄະນິດ, ແລະສະຖິຕິ, ເຊັ່ນດຽວກັນກັບວິຊາທີ່ສັບສົນ ແລະນະວະນິຍາຍ ເຊັ່ນ: ປັດໄຈມາຕຣິກເບື້ອງ ແລະການວິເຄາະ ROC.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ເຮັດໃຫ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກງ່າຍຂຶ້ນ
- ແບບຢ່າງມີເຫດຜົນ
- ຮູບແບບເລຂາຄະນິດ
- ແບບສະຖິຕິ
- ການວິເຄາະ ROC
16. ການຂຸດຄົ້ນຂໍ້ມູນ: ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກພາກປະຕິບັດ ແລະເຕັກນິກ
ການນໍາໃຊ້ວິທີການຈາກການສຶກສາລະບົບຖານຂໍ້ມູນ, ການຮຽນຮູ້ເຄື່ອງຈັກ, ແລະສະຖິຕິ, ເຕັກນິກການຂຸດຄົ້ນຂໍ້ມູນຊ່ວຍໃຫ້ພວກເຮົາຊອກຫາຮູບແບບໃນຈໍານວນຂໍ້ມູນຈໍານວນຫລາຍ.
ທ່ານຄວນໄດ້ຮັບປື້ມ Data Mining: Practical Machine Learning Tools and Techniques ຖ້າທ່ານຕ້ອງການສຶກສາເຕັກນິກການຂຸດຄົ້ນຂໍ້ມູນໂດຍສະເພາະຫຼືວາງແຜນການຮຽນຮູ້ເຄື່ອງຈັກໂດຍທົ່ວໄປ.
ປຶ້ມທີ່ດີທີ່ສຸດກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກເນັ້ນໃສ່ດ້ານເຕັກນິກຂອງມັນຫຼາຍຂຶ້ນ. ມັນອະທິບາຍຕື່ມອີກກ່ຽວກັບຄວາມຊັບຊ້ອນທາງດ້ານເຕັກນິກຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ແລະຍຸດທະສາດການເກັບກຳຂໍ້ມູນ ແລະການນຳໃຊ້ວັດສະດຸປ້ອນ ແລະຜົນໄດ້ຮັບຕ່າງໆເພື່ອຕັດສິນຜົນໄດ້ຮັບ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ຮູບແບບເສັ້ນ
- Clustering
- ການສ້າງແບບຈໍາລອງທາງສະຖິຕິ
- ການຄາດຄະເນການປະຕິບັດ
- ການປຽບທຽບວິທີການຂຸດຄົ້ນຂໍ້ມູນ
- ການຮຽນຮູ້ໂດຍອີງໃສ່ຕົວຢ່າງ
- ການເປັນຕົວແທນຄວາມຮູ້ & ກຸ່ມ
- ເຕັກນິກການຂຸດຄົ້ນຂໍ້ມູນແບບດັ້ງເດີມແລະທັນສະໄຫມ
17. Python ສໍາລັບການວິເຄາະຂໍ້ມູນ
ຄວາມສາມາດໃນການປະເມີນຂໍ້ມູນທີ່ໃຊ້ໃນການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນທັກສະທີ່ສໍາຄັນທີ່ສຸດທີ່ນັກວິທະຍາສາດຂໍ້ມູນຕ້ອງມີ. ກ່ອນທີ່ຈະພັດທະນາຕົວແບບ ML ທີ່ຜະລິດການຄາດຄະເນທີ່ຖືກຕ້ອງ, ວຽກງານສ່ວນໃຫຍ່ຂອງທ່ານຈະປະກອບມີການຈັດການ, ການປຸງແຕ່ງ, ການເຮັດຄວາມສະອາດແລະການປະເມີນຂໍ້ມູນ.
ທ່ານຈໍາເປັນຕ້ອງຄຸ້ນເຄີຍກັບພາສາການຂຽນໂປຼແກຼມເຊັ່ນ Pandas, NumPy, Ipython, ແລະອື່ນໆເພື່ອປະຕິບັດການວິເຄາະຂໍ້ມູນ.
ຖ້າທ່ານຕ້ອງການເຮັດວຽກໃນວິທະຍາສາດຂໍ້ມູນຫຼືການຮຽນຮູ້ເຄື່ອງຈັກ, ທ່ານຕ້ອງມີຄວາມສາມາດທີ່ຈະຈັດການຂໍ້ມູນ.
ທ່ານຄວນອ່ານຫນັງສື Python ສໍາລັບການວິເຄາະຂໍ້ມູນໃນກໍລະນີນີ້.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- Essential ຫໍສະຫມຸດ Python
- Pandas ຂັ້ນສູງ
- ຕົວຢ່າງການວິເຄາະຂໍ້ມູນ
- ການທໍາຄວາມສະອາດຂໍ້ມູນແລະການກະກຽມ
- ວິທີການຄະນິດສາດແລະສະຖິຕິ
- ການສັງລວມແລະຄິດໄລ່ສະຖິຕິຄໍາອະທິບາຍ
18. ການປະມວນຜົນພາສາທໍາມະຊາດດ້ວຍ Python
ພື້ນຖານຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນການປຸງແຕ່ງພາສາທໍາມະຊາດ.
ປື້ມການປຸງແຕ່ງພາສາທໍາມະຊາດກັບ Python ແນະນໍາທ່ານກ່ຽວກັບວິທີການນໍາໃຊ້ NLTK, ການເກັບກໍາໂມດູນ Python ທີ່ມັກແລະເຄື່ອງມືສໍາລັບການປຸງແຕ່ງພາສາທໍາມະຊາດທີ່ເປັນສັນຍາລັກແລະສະຖິຕິສໍາລັບພາສາອັງກິດແລະ NLP ໂດຍທົ່ວໄປ.
ການປຸງແຕ່ງພາສາທໍາມະຊາດກັບປື້ມ Python ສະຫນອງການປົກກະຕິ Python ທີ່ມີປະສິດທິພາບທີ່ສະແດງໃຫ້ເຫັນ NLP ໃນທາງທີ່ຊັດເຈນ, ຊັດເຈນ.
ຜູ້ອ່ານມີການເຂົ້າເຖິງຊຸດຂໍ້ມູນທີ່ມີຄໍາບັນຍາຍທີ່ດີສໍາລັບການຈັດການກັບຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ, ໂຄງສ້າງທາງດ້ານພາສາ, ແລະອົງປະກອບອື່ນໆທີ່ເນັ້ນໃສ່ NLP.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ພາສາມະນຸດເຮັດວຽກແນວໃດ?
- ໂຄງສ້າງຂໍ້ມູນພາສາສາດ
- ເຄື່ອງມືພາສາທໍາມະຊາດ (NLTK)
- ການວິເຄາະແລະການວິເຄາະ semantic
- ຖານຂໍ້ມູນພາສານິຍົມ
- ປະສົມປະສານເຕັກນິກຈາກ ປັນຍາປະດິດ ແລະພາສາສາດ
19. ຄວາມຮູ້ທາງດ້ານການຂຽນໂປຣແກມ
Programming Collective Intelligence ໂດຍ Toby Segaran, ເຊິ່ງຖືວ່າເປັນຫນຶ່ງໃນປື້ມທີ່ດີທີ່ສຸດເພື່ອເລີ່ມຕົ້ນຄວາມເຂົ້າໃຈການຮຽນຮູ້ເຄື່ອງຈັກ, ໄດ້ຖືກຂຽນໄວ້ໃນ 2007, ປີກ່ອນວິທະຍາສາດຂໍ້ມູນແລະການຮຽນຮູ້ເຄື່ອງຈັກບັນລຸຕໍາແຫນ່ງໃນປະຈຸບັນຂອງພວກເຂົາເປັນເສັ້ນທາງວິຊາຊີບຊັ້ນນໍາ.
ປື້ມດັ່ງກ່າວໃຊ້ Python ເປັນວິທີການເຜີຍແຜ່ຄວາມຊ່ຽວຊານຂອງມັນໃຫ້ແກ່ຜູ້ຊົມ. Programming Collective Intelligence ແມ່ນຄູ່ມືສໍາລັບການປະຕິບັດ ml ຫຼາຍກ່ວາມັນເປັນການແນະນໍາການຮຽນຮູ້ເຄື່ອງຈັກ.
ປື້ມດັ່ງກ່າວໃຫ້ຂໍ້ມູນກ່ຽວກັບການພັດທະນາ ML algorithms ທີ່ມີປະສິດທິພາບສໍາລັບການລວບລວມຂໍ້ມູນຈາກແອັບຯ, ການຂຽນໂປຼແກຼມສໍາລັບການໄດ້ຮັບຂໍ້ມູນຈາກເວັບໄຊທ໌, ແລະ extrapolating ຂໍ້ມູນທີ່ເກັບກໍາ.
ແຕ່ລະບົດປະກອບມີກິດຈະກໍາສໍາລັບການຂະຫຍາຍ algorithms ທີ່ສົນທະນາແລະເສີມຂະຫຍາຍຜົນປະໂຫຍດຂອງເຂົາເຈົ້າ.
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການກັ່ນຕອງ Bayesian
- ສະຫນັບສະຫນູນເຄື່ອງ vector
- ສູດການຄິດໄລ່ຂອງເຄື່ອງຈັກຊອກຫາ
- ວິທີການເຮັດໃຫ້ການຄາດຄະເນ
- ເຕັກນິກການກັ່ນຕອງຮ່ວມມື
- ການແຍກຕົວປະກອບ matrix ທີ່ບໍ່ແມ່ນລົບ
- ພັດທະນາສະຕິປັນຍາເພື່ອແກ້ໄຂບັນຫາ
- ວິທີການກວດສອບກຸ່ມຫຼືຮູບແບບ
20. ການຮຽນຮູ້ເລິກເຊິ່ງ (ຊຸດການຄິດໄລ່ແບບປັບຕົວ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ)
ດັ່ງທີ່ພວກເຮົາທຸກຄົນຮູ້, ການຮຽນຮູ້ເລິກແມ່ນການຮຽນຮູ້ເຄື່ອງຈັກທີ່ປັບປຸງໃຫ້ຄອມພິວເຕີສາມາດຮຽນຮູ້ຈາກການປະຕິບັດທີ່ຜ່ານມາແລະຂໍ້ມູນຈໍານວນຫລາຍ.
ໃນຂະນະທີ່ນໍາໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກ, ທ່ານຍັງຈໍາເປັນຕ້ອງໄດ້ສົນທະນາກັບຫຼັກການການຮຽນຮູ້ເລິກ. ປື້ມຫົວນີ້, ເຊິ່ງຖືວ່າເປັນຄໍາພີໄບເບິນຂອງການຮຽນຮູ້ເລິກ, ຈະເປັນປະໂຫຍດຫຼາຍໃນສະຖານະການນີ້.
ຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເລິກສາມຄົນກວມເອົາຫົວຂໍ້ທີ່ສັບສົນສູງທີ່ເຕັມໄປດ້ວຍຄະນິດສາດແລະແບບຈໍາລອງການຜະລິດເລິກຢູ່ໃນປຶ້ມຫົວນີ້.
ການສະຫນອງພື້ນຖານຄະນິດສາດແລະແນວຄວາມຄິດ, ວຽກງານດັ່ງກ່າວໄດ້ສົນທະນາແນວຄວາມຄິດທີ່ກ່ຽວຂ້ອງໃນ algebra ເສັ້ນ, ທິດສະດີຄວາມເປັນໄປໄດ້, ທິດສະດີຂໍ້ມູນຂ່າວສານ, ການຄິດໄລ່ຕົວເລກ, ແລະການຮຽນຮູ້ເຄື່ອງຈັກ.
ມັນກວດສອບຄໍາຮ້ອງສະຫມັກຕ່າງໆເຊັ່ນການປຸງແຕ່ງພາສາທໍາມະຊາດ, ການຮັບຮູ້ສຽງເວົ້າ, ວິໄສທັດຄອມພິວເຕີ, ລະບົບການແນະນໍາອອນໄລນ໌, ຊີວະຂໍ້ມູນຂ່າວສານ, ແລະວິດີໂອເກມແລະອະທິບາຍເຕັກນິກການຮຽນຮູ້ເລິກທີ່ໃຊ້ໂດຍຜູ້ປະຕິບັດອຸດສາຫະກໍາ, ເຊັ່ນ: ເຄືອຂ່າຍ feedforward ເລິກ, ປົກກະຕິ, ແລະສູດການຄິດໄລ່ການເພີ່ມປະສິດທິພາບ, ເຄືອຂ່າຍ convolutional, ແລະວິທີການປະຕິບັດຕົວຈິງ. .
ຫົວຂໍ້ທີ່ກວມເອົາໃນປຶ້ມ
- ການຄິດໄລ່ຕົວເລກ
- ການຄົ້ນຄວ້າການຮຽນຮູ້ເລິກເຊິ່ງ
- ເຕັກນິກຄອມພິວເຕີວິໄສທັດ
- ເຄືອຂ່າຍ Feedforward ເລິກ
- ການເພີ່ມປະສິດທິພາບສໍາລັບການຝຶກອົບຮົມແບບເລິກເຊິ່ງ
- ວິທີການປະຕິບັດ
- ການຄົ້ນຄວ້າການຮຽນຮູ້ເລິກເຊິ່ງ
ສະຫຼຸບ
ປຶ້ມການຮຽນຮູ້ເຄື່ອງຈັກ 20 ອັນດັບສູງສຸດແມ່ນໄດ້ຖືກສະຫຼຸບຢູ່ໃນບັນຊີລາຍຊື່ນັ້ນ, ເຊິ່ງທ່ານສາມາດນໍາໃຊ້ເພື່ອກ້າວໄປສູ່ການຮຽນຮູ້ເຄື່ອງຈັກໃນທິດທາງທີ່ທ່ານຕ້ອງການ.
ທ່ານຈະສາມາດພັດທະນາພື້ນຖານອັນຫນັກແຫນ້ນໃນຄວາມຊໍານານການຮຽນຮູ້ເຄື່ອງຈັກແລະຫ້ອງສະຫມຸດອ້າງອີງທີ່ທ່ານສາມາດນໍາໃຊ້ເລື້ອຍໆໃນຂະນະທີ່ເຮັດວຽກຢູ່ໃນພື້ນທີ່ຖ້າທ່ານອ່ານປື້ມແບບຮຽນເຫຼົ່ານີ້ຫຼາຍໆຢ່າງ.
ເຈົ້າຈະໄດ້ຮັບການດົນໃຈໃຫ້ສືບຕໍ່ຮຽນຮູ້, ດີຂຶ້ນ, ແລະມີຜົນກະທົບເຖິງແມ່ນວ່າເຈົ້າຈະອ່ານປຶ້ມຫົວດຽວກໍຕາມ.
ໃນເວລາທີ່ທ່ານກຽມພ້ອມແລະມີຄວາມສາມາດທີ່ຈະພັດທະນາລະບົບການຮຽນຮູ້ເຄື່ອງຈັກຂອງທ່ານເອງ, ຈົ່ງຈື່ໄວ້ວ່າຂໍ້ມູນເປັນສິ່ງຈໍາເປັນອັນສໍາຄັນຕໍ່ຄວາມສໍາເລັດຂອງໂຄງການຂອງທ່ານ.
ອອກຈາກ Reply ເປັນ