ミキシングマシンDay 1

ひとり学習の機械学習+深い学習

人工知能.
人間のように学習と推定能力を持つシステムを作成する技術.強い人工知能と弱い人工知能に分けられる.強力な人工知能(=一般的な人工知能)は、『彼女』のサマンダや『ターミネーター』の天網のように人間に似たコンピュータシステムであり、弱い人工知能は自主走行自動車、音楽推薦、アルファゴなどの仕事を補助する程度の機能である.
機械学習
プログラミングルールを必要とせずに,データからルールのアルゴリズム研究を自動的に学習できる.統計学と深く関連しており,Rにも多くの機械学習アルゴリズムがある.最も代表的なクーにはセキレンがいる.
深く勉強する.
人工ニューラルネットワークに基づく機械学習アルゴリズム.最も代表的なライブラリには、グーグルの天書ソフトとフェイスブックのパイがあります.

例

GoogleクラウドベースのJupeterノートパソコン鼻カバーを実験環境として使用しましたが、pycharmを使用しました.
コード#コード#

from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
# 생선분류 문제
bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0,
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0,
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0,
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0,
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]
# 도미의 길이,무게
smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]
# 빙어의 길이,무게

plt.scatter(bream_length,bream_weight)
plt.scatter(smelt_length,smelt_weight)
plt.xlabel('lenght')         # X축은 길이
plt.ylabel('weight')         # Y축은 무게
plt.show()

# 머신러닝 프로그램
lenght = bream_length + smelt_length
weight = bream_weight + smelt_weight
fish_data = [[l, w] for l, w in zip(lenght, weight)]
fish_target = [1] * 35 + [0] * 14

kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)     # fit() = training method
kn.score(fish_data, fish_target)     # score() = evaluate method(0~1)
kn.predict([[30,600]])       # 길이 30, 무게 600인 생선은 도미일까 광어일까?

kn49 = KNeighborsClassifier(n_neighbors=49)    # 참고 데이터를 49개로 한 모델
kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)
# Question - 기본값 5~49 중 정확도가 1.0 이하인 이웃의 수는?
for n in range(5,50):
  kn.n_neighbors = n
  score = kn.score(fish_data, fish_target)
  if score < 1:
    print(n, score)

特性は、データの性質を表す.例では、長さおよび重量は特性に対応する.

トレーニングは、機械学習アルゴリズムがデータからルールを探すプロセスである.

K-new近隣アルゴリズムは、あるデータを解く際に周囲のデータの多くを正解として用いる機械学習アルゴリズムである.

アルゴリズムによって実装されるオブジェクトをモデルと呼ぶ.アルゴリズム自体はモデルと呼ばれることが多い.

精度は、正解率をパーセンテージで表す値である.Sikit Runでは0～1の値を出力します.
精度=(正確)/(完全なデータ)

コアパッケージ

Matplotlib
scatter()-散点図を描くための研磨シート出図関数で、X軸とY軸の値のパラメータが必要です.この値はPythonリストまたはNumber Fi配列として格納されます.cパラメータで色を指定することもできます.
Scikit-learn
KNeighborsClassifier()-K-最近隣接する分類モデルのサイド実行クラスを作成します.n neighbournパラメータ隣の数を指定(default=5)
fit()-サイドパスモデルを訓練する方法
predicate()-サイドパスモデルを訓練および予測する方法
score()-訓練されたコース運転モデルの性能を測定する