Как начать работу с машинным обучением на Python 2021

Здравствуйте, разработчики! Сегодня я расскажу вам, как Как начать машинное обучение в Python. Это руководство поможет вам шаг за шагом установить Python3, Jupyter Notebook, Scikit Learn и другие полезные библиотеки Python.

Начало работы с машинным обучением В Python 2021

1. Шаг 1. Что такое машинное обучение: обзор.
2. Шаг 2. Рабочий процесс машинного обучения.
3. Шаг 3: Установите зависимости Anaconda.
4. Шаг 4: Или вы можете установить отдельные библиотеки.
5. Шаг 5: Начало работы с Python Jupyter Notebook.
6. Шаг 6. Изучите редактор разметки.
7. Шаг 7. Напишите код в редакторе Markdown.
8. Шаг 8. Практикуйте машинное обучение с небольшими наборами данных в памяти.
9. Шаг 9: Создайте портфель машинного обучения.
10. Шаг 10: Машинное обучение за деньги или примените задание для машинного обучения.

Если вы не хотите устанавливать все пакеты один за другим, вы также можете установить только одно программное обеспечение под названием Anaconda. Он установит Python3 и другие, я думаю, 150 пакетов помогут вам очень легко построить среду разработки, и вы даже не думаете об установке всех зависимостей.

What Is Machine Обучение?

Машинное обучение — это приложение искусственного интеллекта (AI) , которое дает системам возможность учиться и совершенствоваться на основе предыдущего опыта без явного автоматического программирования.

Машинное обучение фокусируется на разработке компьютерных программ , которые могут получать доступ к данным и использовать их для определения себя для принятия решений в будущем.

Процесс обучения начинается с измерения или наблюдения данных, таких как примеры, непосредственный опыт или инструкции, чтобы искать закономерности в данных и принимать более обоснованные решения в будущем на основе моделей, которые мы можем предоставить.

Основная цель — позволить компьютерам обучаться автоматически без вмешательства или помощи человека и соответствующим образом корректировать действия.

Машинное обучение — это искусство вычислений, в котором нам нужно сначала подготовить данные, если они не в правильно сформированном состоянии, а затем использовать эти точные данные для обучения модели.

Модели построены на разных алгоритмах, которые программистам нужно написать на языке программирования, и в нашем случае это Python.

Основываясь на предыдущем выводе данных и алгоритмической логике, Машина начинает самообучаться. Точность будущих значений является точной на основе огромного количества данных, которые мы собрали..

Найти хорошие программные ноутбуки для машинного обучения здесь не проблема, потому что технологии значительно улучшились, и вы можете купить Новый ноутбук для программ машинного обучения легко с первоклассными характеристиками.

Machine Learning WorkFlow

Необходимые шаги следующие.

1. Нам нужно спросить себя, каковы основные проблемы, которые можно решить с помощью машинного обучения.
2. После определения проблемы нам нужно начать подготовка к данным. Если данные плохо организованы, то нам нужно организовать их самостоятельно, чтобы обучить модель на основе точных данных.
3. Следующим шагом является выбор алгоритма, который может решить проблему. Существует так много алгоритмов, с которыми можно работать, но нам нужно определить идеальный алгоритм, отвечающий нашим требованиям.
4. После выбора алгоритма нам нужно обучить модель на его основе.
5. Последний шаг — протестировать эту модель для прогнозирования будущих значений.

Начало работы с машинным обучением в Python

Первое, что мы сделаем, это установим Python 3 и другие библиотеки машинного обучения, которые мы можем использовать для разработки и обучения моделей.

Я использую Mac, но если вы пользователь Windows, вы также можете продолжить изучение этого руководства, хотя инструкции по установке могут отличаться на платформе Windows.

Вы можете легко погуглить для этого, ничего страшного. После установки всех библиотек вы готовы приступить к работе с этим руководством.

Есть много способов, вы можете установить все зависимости, но я показываю два из них.

1. Установите пакет Anaconda, который охватывает все библиотеки установки. Вам нужно запустить навигатор и открыть блокнот Jupyter, и все готово.
2. Мы установим все зависимости одну за другой на Mac.

Метод: 1 Установите зависимости с помощью Anaconda.

Шаг 1. Установите Anaconda

Перейдите в каталог загрузок https://www.anaconda.com/download/#macos

Для пользователей Windows выберите исполняемые файлы своей платформы, загрузите пакет и установите его на свой компьютер.

Во время установки у вас есть опция, которая сообщает нам, нужно ли вам устанавливать код Visual Studio или нет. Ребята, если вы еще не скачали, скачайте и установите его на свой компьютер.

Шаг 2: Откройте Anaconda Navigator

После установки нам нужно открыть приложение с Launchpad под названием

Я уже установил VSCode, поэтому не нужно устанавливать его отсюда. Но почти наш интерфейс выглядит так же.

Шаг 3: Запустите Jupyter Notebook.

Он запустит сервер с ПОРТОМ по умолчанию: 8888. Кроме того, он откроет окно браузера и перейдет на этот локальный URL: http://localhost: 8888/tree. Пожалуйста, не закрывайте терминал, который открывается с помощью Jupyter Notebook , иначе наш локальный сервер будет прекратите работу, и мы не сможем запустить Jupyter Notebook . Итак, мы все настроены на запуск машинного обучения.

Метод 2: установите отдельные библиотеки.

Сначала проверьте свой Версия Python с помощью следующей команды.

 python 

На моем MacBook я предварительно установил Python , а его версия — 2.7. Но нам нужна другая версия, и это Python 3. Не удаляйте старую версию, иначе некоторые приложения Mac будут остановлены. Вместо этого загрузите другую версию Python с помощью следующей команды.

 brew install python3 

Хорошо, он установит Python3, и теперь вы можете проверить его с помощью следующую команду.

 python3 

Теперь вы можете видеть, что на нашем компьютере установлен Python3 .

Наконец, установите следующие пакеты с помощью Pip. Это Python, менеджер пакетов.

 python3 -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose 

Итак, он будет установлен все зависимости. Теперь перейдите в свой терминал и нажмите следующую команду, чтобы запустить сервер Jupyter.

 jupyter notebook 

Теперь переключитесь в браузер и введите этот URL: http://localhost: 8888/tree

Как видите, наш сервер Jupyter Notebook работает правильно.

Начало работы с Jupyter Notebook.

Итак, теперь нам нужно создать одну записную книжку.

Зайдите в папку вашего проекта, и в моем случае это AnacondaProjects. Он пуст, поэтому нажмите раскрывающееся меню new в правом верхнем углу и выберите python3. Вы увидите что-то подобное.

Я переименовал заголовок в FirstML. Ваш будет без названия. Мой URL-адрес браузера выглядит следующим образом: http://localhost: 8888/notebooks/AnacondaProjects/FirstML.ipynb Ваш URL-адрес будет отличаться в зависимости от структуры вашей папки.

Markdown Editor

Если вы раньше использовали Github, я думаю, вы знакомы с языком разметки.

Markdown — это облегченный язык разметки с синтаксисом форматирования обычного текста. Он разработан таким образом, что его можно преобразовать в HTML и многие другие форматы с помощью одноименного инструмента.

В Github мы пишем этот язык внутри readme.md файл. Чтобы проект можно было очень хорошо описать и очень хорошо задокументировать.

В Jupyter Notebook , когда нам нужно написать что-то, что не является кодом, мы можем изменить его на через раскрывающийся список и вместо этого выбрать уценку и написать немного текст на языке разметки.

Например, если нам нужно написать текст H1 в разметке, мы можем написать его, используя следующий синтаксис.

 # Hello Machine Learning 

Таким образом, он будет печататься как текст H1 . То же самое, если мы определим два хэша, затем текст H2 и продолжим.

Код в Jupyter Notebook.

Мы можем написать код и запустить его, как показано ниже.

Во-первых, если в раскрывающемся списке написано уценка, измените его на код, а затем напишите код. После этого для запуска этого ярлыка типа кода shift + enter (return)

Вы получите результат, как на изображении выше. Большой!!. Итак, мы все настроили правильно.

Мы начнем работать с данными в следующем уроке. Учебное пособие «Как начать работу с машинным обучением на Python» окончено.

Это просто базовый обзор машинного обучения и установки зависимостей, связанных с машинным обучением. Следите за обновлениями, чтобы увидеть следующее руководство по машинному обучению .

Если вы хотите стать специалистом по обработке данных, R lang — еще один отличный выбор.

Наконец, руководство «Как начать работу с машинным обучением в Python 2021» окончено.

Рекомендуемые сообщения

Как Подготовка набора данных для машинного обучения

Как установить Tensorflow на Mac

Пример основ Tensorflow

Переменные и заполнители TensorFlow

Как построить простую модель в Tensorflow