Artificial Intelligence (AI) e fumane botumo bo bongata lilemong tsa morao tjena.
Haeba u moenjiniere oa software, setsebi sa k'homphieutha, kapa motho ea chesehelang saense ea data ka kakaretso, joale mohlomong u khahliloe ke lits'ebetso tse tsotehang tsa ho sebetsana le litšoantšo, ho lemoha mohlala le ho lemoha lintho tse fanoeng ke tšimo ena.
Sebaka sa bohlokoa ka ho fetisisa sa AI seo mohlomong u utloileng ka sona ke ho Ithuta ho Tebileng. Sebaka sena se tsepamisitse maikutlo ho li-algorithms tse matla (litaelo tsa lenaneo la khomphutha) tse entsoeng ka mor'a ts'ebetso ea boko ba motho e tsejoang e le Li-network tsa Neural.
Sengoliloeng sena, re tla fetela mohopolong oa Neural Networks le mokhoa oa ho aha, ho bokella, ho lekana le ho lekola mefuta ena ka ho sebelisa. python.
Li-network tsa Neural
Neural Networks, kapa NNs, ke letoto la li-algorithms tse entsoeng ho latela ts'ebetso ea bioloji ea boko ba motho. Neural Networks e na le li-node, tseo hape li bitsoang li-neurone.
Pokello ea li-node tse otlolohileng li tsejoa e le lihlopha. Mohlala o na le kenyelletso e le 'ngoe, tlhahiso e le' ngoe, le lihlopha tse 'maloa tse patiloeng. Lera le leng le le leng le na le li-node, tseo hape li bitsoang li-neurone, moo lipalo li etsahalang.
Sets'oants'ong se latelang, selikalikoe se emela li-node 'me pokello e emeng ea li-node e emela lihlopha. Ho na le mekhahlelo e meraro moetsong ona.
Li-node tsa lera le le leng li hokahane le lera le latelang ka mehala ea phetiso joalo ka ha ho bonoa ka tlase.
Lintlha tsa rona li na le lintlha tse ngotsoeng. Sena se bolela hore setheo se seng le se seng sa data se abetsoe boleng bo itseng ba lebitso.
Kahoo bakeng sa pokello ea lintlha tsa liphoofolo re tla ba le litšoantšo tsa likatse le lintja e le data ea rona, 'me katse' le 'ntja' e le lileibole tsa rona.
Ho bohlokoa ho elelloa hore lileibole li tlameha ho fetoloa hore e be lipalo-palo hore mohlala oa rona o utloisisehe, kahoo li-label tsa liphoofolo tsa rona li fetoha '0' bakeng sa katse le '1' bakeng sa ntja. Ka bobeli data le li-label li fetisoa ka mohlala.
Ithuta
Lintlha li feptjoa molemong oa setheo se le seng ka nako. Lintlha tsena li arotsoe ka likotoana 'me li fetisetsoa node e' ngoe le e 'ngoe ea mohlala. Li-node li etsa ts'ebetso ea lipalo likarolong tsena.
Ha ho hlokahale hore u tsebe mesebetsi ea lipalo kapa lipalo bakeng sa thupelo ena, empa ho bohlokoa ho ba le mohopolo o akaretsang oa hore na mefuta ena e sebetsa joang. Ka mor'a letoto la lipalo karolong e le 'ngoe, data e fetisetsoa holim'a lera le latelang joalo-joalo.
Ha e se e phethiloe, mohlala oa rona o bolela esale pele leibole ea data sebakeng sa tlhahiso (mohlala, bothateng ba mofuta oa liphoofolo re fumana polelo ea '0' bakeng sa katse).
Joale mohlala o tsoela pele ho bapisa boleng bona bo boletsoeng esale pele le ba boleng ba sebele ba label.
Haeba boleng bo lumellana, mohlala oa rona o tla nka tlhahiso e latelang empa haeba litekanyetso li fapane mohlala o tla lekanya phapang pakeng tsa boleng ka bobeli, bo bitsoang tahlehelo, 'me u lokise lipalo tsa node ho hlahisa lileibole tse tšoanang nakong e tlang.
Merero e Tebileng ea ho Ithuta
Ho aha Neural Networks ka khoutu, re hloka ho kenya kantle Merero e tebileng ea ho Ithuta tse tsejoang e le lilaeborari tse sebelisang Tikoloho ea rona e Kopantsoeng ea Ntlafatso (IDE).
Merero ena ke pokello ea mesebetsi e ngotsoeng esale pele e tla re thusa thutong ena. Re tla be re sebelisa moralo oa Keras ho aha mohlala oa rona.
Keras ke laebrari ea Python e sebelisang thuto e tebileng le bohlale ba maiketsetso bo bitsoang backend ho phalla ha tensor ho theha li-NN ka mokhoa oa mefuta e bonolo ea tatellano habonolo.
Keras e boetse e tla le mefuta ea eona e seng e ntse e le teng e ka sebelisoang le eona. Bakeng sa thupelo ena, re tla be re iketsetsa mohlala oa rona re sebelisa Keras.
U ka ithuta haholoanyane ka moralo ona oa ho Ithuta ka botebo ho tsoa ho Webosaete ea Keras.
Ho aha Neural Network (Thuto)
Ha re tsoeleng pele ho aha Neural Network re sebelisa Python.
Polelo ea Bothata
Neural Networks ke mofuta oa tharollo ea mathata a thehiloeng ho AI. Bakeng sa thupelo ena re tla be re bua ka Pima Indians Diabetes Data, e fumanehang Mona.
ICU Ho Ithuta ka Mechini ho hlophisitse pokello ea lintlha 'me e na le tlaleho ea bongaka ea bakuli ba Maindia. Mohlala oa rona o tlameha ho bolela esale pele hore na mokuli o tla ba le lefu la tsoekere nakong ea lilemo tse 5 kapa che.
E kenya Dataset
Setlankana sa rona ke faele e le 'ngoe ea CSV e bitsoang 'diabetes.csv' e ka qhekelloang habonolo ka Microsoft Excel.
Pele re theha mohlala oa rona, re hloka ho kenya dataset ea rona. Ka ho sebelisa khoutu e latelang u ka etsa sena:
kenya li-pandas joalo ka pd
data = pd.read_csv('diabetes.csv')
x = data.drop(“Sephetho”)
y = data["Sephetho"]
Mona re sebelisa sesebelisoa pandas laebrari ho khona ho laola data ea rona ea faele ea CSV, read_csv() ke ts'ebetso e hahelletsoeng ka har'a Pandas e re lumellang ho boloka boleng ba faele ea rona ho mofuta o bitsoang 'data'.
Mofuta oa x o na le dataset ea rona ntle le sephetho (li-labels) data. Re finyella sena ka tshebetso ya data.drop() e tlosang dileibole tsa x, ha y e na le dintlha tsa sephetho (label) feela.
Ho haha Mohlala oa Sequential
Mohato oa 1: Ho kenya Lilaebrari
Taba ea pele, re hloka ho kenya TensorFlow le Keras, hammoho le liparamente tse ling tse hlokahalang bakeng sa mohlala oa rona. Khoutu e latelang e re lumella ho etsa sena:
import tensorflow joalo ka tf
ho tloha ho tensorflow import keras
ho tloha tensorflow.keras.models import Sequential
ho tloha tensorflow.keras.layers import Activation, Dense
ho tloha tensorflow.keras.optimizers ho kenya Adama
ho tsoa ho tensorflow.keras.metrics import categorical_crossentropy
Bakeng sa mohlala oa rona re kenya likarolo tse teteaneng. Tsena ke lihlopha tse hokahaneng ka botlalo; ke hore, node e 'ngoe le e 'ngoe ea lera e hokahane ka botlalo le node e 'ngoe lealong le latelang.
Re boetse re reka kantle ho naha ts'ebetso ts'ebetso e hlokahalang bakeng sa ho eketsa lintlha tse rometsoeng ho li-node. Lisebelisoa tsa ho ntlafatsa le tsona li rekisitsoe kantle ho naha ho fokotsa tahlehelo.
Adam ke optimizer e tsebahalang e etsang hore lipalo tsa node tsa rona tsa ntlafatso ea mohlala li atlehe haholoanyane, hammoho le categorical_crossentropy e leng mofuta oa ts'ebetso ea tahlehelo (e bala phapang lipakeng tsa boleng ba lileibole tsa sebele le tse boletsoeng esale pele) tseo re tla beng re li sebelisa.
Mohato oa 2: Ho Rala Mohlala oa Rona
Moetso oo ke o etsang o na le kenyeletso e le 'ngoe (e nang le li-unit tse 16), e patiloeng (ka likarolo tse 32) le sephetho se le seng (ka li-unit tse 2). Linomoro tsena ha lia lokisoa 'me li tla itšetleha ka botlalo ka bothata bo fanoeng.
Ho beha palo e nepahetseng ea li-unit le layers ke ts'ebetso e ka ntlafatsoang ka mor'a nako ka ho itloaetsa. Ts'ebetso e tsamaisana le mofuta oa sekhahla seo re tla beng re se etsa ho data ea rona pele re e fetisa ka node.
Relu le Softmax ke mesebetsi e tsebahalang ea ho kenya tšebetsong mosebetsi ona.
mohlala = Sequential([
E teteaneng(liyuniti = 16, input_shape = (1,), activation = 'relu'),
E teteaneng(liyuniti = 32, ts'ebetso = 'relu'),
E teteaneng(liyuniti = 2, activation = 'softmax')
])
Mona ke kamoo kakaretso ea mohlala e lokelang ho shebahala kateng:
Koetlisa Mohlala
Mohlala oa rona o tla koetlisoa ka mehato e 'meli, oa pele e be oa ho hlophisa mohlala (ho kopanya mohlala) 'me o latelang e be oa ho kenya mohlala ho dataset e fanoeng.
Sena se ka etsoa ka mokhoa oa model.compile() o lateloang ke model.fit() function.
model.compile(optimizer = Adam(learning_rate = 0.0001), tahlehelo = 'binary_crossentropy', metrics = ['accuracy'])
model.fit(x, y, epochs = 30, batch_size = 10)
Ho hlakisa metric ea 'ho nepahala' ho re thusa ho bona bonnete ba mohlala oa rona nakong ea koetliso.
Kaha lileibole tsa rona li ka sebopeho sa 1's 0's, re tla be re sebelisa ts'ebetso ea tahlehelo ea binary ho kopanya phapang lipakeng tsa li-label tsa sebele le tse boletsoeng esale pele.
Dataset e boetse e aroloa ka lihlopha tsa 10 (batch_size) 'me e tla fetisoa ka mokhoa ona makhetlo a 30 (epochs). Bakeng sa datha tse fanoeng, x e tla ba data mme y e be lileibole tse tsamaellanang le data.
Moetso oa Teko o Sebelisang Lipolelo-pele
Ho lekola mohlala oa rona, re etsa likhakanyo ho data ea liteko re sebelisa ts'ebetso ea predict().
likhakanyo = mohlala.predict(x)
Mme ke phetho!
Joale o tlameha ho ba le kutloisiso e ntle ea litaba Thuto e tebileng kopo, Neural Networks, kamoo ba sebetsang kateng ka kakaretso le mokhoa oa ho haha, ho koetlisa le ho leka mohlala ka khoutu ea Python.
Ke tšepa hore thupelo ena e tla u fa mokhoa oa ho theha le ho sebelisa mekhoa ea hau ea ho Ithuta e Tebileng.
Re tsebise litlhalosong haeba sehlooho se ne se le molemo.
Leave a Reply