Il tutorial sull'apprendimento automatico copre concetti di base e avanzati, appositamente progettati per soddisfare sia gli studenti che i professionisti esperti.

Questo tutorial sull'apprendimento automatico ti aiuta a ottenere una solida introduzione ai fondamenti dell'apprendimento automatico e a esplorare un'ampia gamma di tecniche, tra cui l'apprendimento supervisionato, non supervisionato e per rinforzo.

Il machine learning (ML) è un sottodominio dell'intelligenza artificiale (AI) che si concentra sullo sviluppo di sistemi che apprendono, o migliorano le prestazioni, in base ai dati che ingeriscono. L'intelligenza artificiale è una parola ampia che si riferisce a sistemi o macchine che assomigliano all'intelligenza umana. L’apprendimento automatico e l’intelligenza artificiale vengono spesso discussi insieme e i termini sono occasionalmente usati in modo intercambiabile, sebbene non significhino la stessa cosa. Una distinzione cruciale è che, sebbene tutto il machine learning sia intelligenza artificiale, non tutta l’intelligenza artificiale è machine learning.

Cos'è l'apprendimento automatico?

Il Machine Learning è il campo di studio che offre ai computer la capacità di apprendere senza essere esplicitamente programmati. Il machine learning è una delle tecnologie più entusiasmanti che si possano mai incontrare. Come risulta evidente dal nome, conferisce al computer ciò che lo rende più simile all'uomo: la capacità di apprendere. Oggi l’apprendimento automatico viene utilizzato attivamente, forse in molti più luoghi di quanto ci si aspetterebbe.

Articoli recenti sull'apprendimento automatico

Tabella dei contenuti

• introduzione
• Apprendimento non supervisionato
• Insegnamento rafforzativo
• Riduzione della dimensionalità
• Elaborazione del linguaggio naturale
• Reti neurali
• ML – Distribuzione
• ML – Applicazioni
• Varie

Caratteristiche dell'apprendimento automatico

• L’apprendimento automatico è una tecnologia basata sui dati. Grandi quantità di dati generati quotidianamente dalle organizzazioni. Pertanto, grazie a relazioni notevoli tra i dati, le organizzazioni prendono decisioni migliori.
• La macchina può apprendere dai dati passati e migliorare automaticamente.
• Dal set di dati fornito rileva vari modelli sui dati.
• Per le grandi organizzazioni il branding è importante e diventerà più facile rivolgersi a una base di clienti riconoscibile.
• È simile al data mining perché si occupa anche di un'enorme quantità di dati.

Introduzione :

1. Iniziare con l'apprendimento automatico
2. Un'introduzione all'apprendimento automatico
3. Cos'è l'apprendimento automatico?
4. Introduzione ai dati nell'apprendimento automatico
5. Demistificazione del machine learning
6. ML – Applicazioni
7. Le migliori librerie Python per il Machine Learning
8. Intelligenza artificiale | Un introduzione
9. Apprendimento automatico e intelligenza artificiale
10. Differenza tra apprendimento automatico e intelligenza artificiale
11. Agenti nell'intelligenza artificiale
12. 10 domande di base per un'intervista sul machine learning

Comprendere l'elaborazione dei dati

Pitone | Crea set di dati di test utilizzando Sklearn

Pitone | Genera set di dati di test per l'apprendimento automatico

Pitone | Preelaborazione dei dati in Python

Pulizia dei dati

Ridimensionamento delle funzionalità – Parte 1

Ridimensionamento delle funzionalità – Parte 2

Pitone | Etichetta Codifica dei set di dati

Pitone | Una codifica a caldo dei set di dati

Gestione dei dati sbilanciati con SMOTE e l'algoritmo Near Miss in Python

Trappola delle variabili fittizie nei modelli di regressione

Apprendimento supervisionato:

1. Iniziare con la classificazione
2. Concetto base di classificazione
3. Tipi di tecniche di regressione
4. Classificazione vs Regressione
5. Ml | Tipi di apprendimento – Apprendimento supervisionato
6. Classificazione multiclasse utilizzando scikit-learn
7. Discesa gradiente:
   • Algoritmo Gradient Descent e sue varianti
   • Discesa del gradiente stocastico (SGD)
   • Discesa gradiente mini-batch con Python
   • Tecniche di ottimizzazione per la discesa del gradiente
   • Introduzione all'ottimizzatore di gradiente basato su Momentum
8. Regressione lineare :
   • Introduzione alla regressione lineare
   • Discesa del gradiente nella regressione lineare
   • Spiegazione matematica per il funzionamento della regressione lineare
   • Equazione normale nella regressione lineare
   • Regressione lineare (implementazione Python)
   • Regressione lineare semplice utilizzando R
   • Regressione lineare univariata in Python
   • Regressione lineare multipla utilizzando Python
   • Regressione lineare multipla utilizzando R
   • Regressione lineare ponderata localmente
   • Modelli lineari generalizzati
   • Pitone | Regressione lineare utilizzando sklearn
   • Regressione lineare utilizzando Tensorflow
   • Un approccio pratico alla regressione lineare semplice utilizzando R
   • Regressione lineare utilizzando PyTorch
   • Pyspark | Regressione lineare utilizzando Apache MLlib
     
   • Ml | Boston Housing Kaggle Challenge con regressione lineare
9. Pitone | Implementazione di Regressione polinomiale
10. Regressione Softmax utilizzando TensorFlow
11. Regressione logistica :
    • Comprendere la regressione logistica
    • Perché la regressione logistica nella classificazione?
    • Regressione logistica utilizzando Python
    • Funzione di costo nella regressione logistica
    • Regressione logistica utilizzando Tensorflow
12. L'ingenuo Bayes Classificatori
13. Vettore di supporto:
    • Supporta macchine vettoriali (SVM) in Python
    • Ottimizzazione degli iperparametri SVM utilizzando GridSearchCV
    • Supporta macchine vettoriali (SVM) in R
    • Utilizzo di SVM per eseguire la classificazione su un set di dati non lineare
14. Albero decisionale:
15. • Albero decisionale
    • Regressione dell'albero decisionale utilizzando sklearn
    • Introduzione all'albero decisionale con esempio
    • Implementazione dell'albero decisionale utilizzando Python
    • Albero decisionale nell'ingegneria del software
15. Foresta casuale:
    • Regressione casuale della foresta in Python
    • Classificatore d'insieme
    • Classificatore di voto utilizzando Sklearn
      
    • Classificatore di insaccamento

Apprendimento non supervisionato:

1. Ml | Tipi di apprendimento – Apprendimento non supervisionato
2. Apprendimento supervisionato e non supervisionato
3. Clustering nell'apprendimento automatico
4. Diversi tipi di algoritmi di clustering
5. K significa Clustering – Introduzione
6. Metodo del gomito per il valore ottimale di k in KMeans
7. Trappola di inizializzazione casuale nelle medie K
8. Ml | Algoritmo K-significa++
9. Analisi dei dati di test utilizzando il clustering K-Means in Python
10. Mini Batch K-significa algoritmo di clustering
11. Clustering a spostamento medio
12. DBSCAN: clustering basato sulla densità
13. Implementazione dell'algoritmo DBSCAN utilizzando Sklearn
14. Clustering fuzzy
15. Clustering spettrale
16. OTTICA Clustering
17. OTTICA Clustering Implementazione utilizzando Sklearn
18. Cluster gerarchico (cluster agglomerativo e divisivo)
19. Implementazione del clustering agglomerativo utilizzando Sklearn
20. Modello di miscela gaussiana

Insegnamento rafforzativo:

1. Insegnamento rafforzativo
2. Algoritmo di apprendimento per rinforzo: implementazione Python utilizzando Q-learning
3. Introduzione al campionamento Thompson
4. Algoritmo genetico per l'apprendimento per rinforzo
5. Apprendimento per rinforzo della SARSA
6. Q-Learning in Python

Riduzione dimensionalità:

1. Introduzione alla riduzione della dimensionalità
2. Introduzione al Kernel PCA
3. Analisi delle componenti principali (PCA)
4. Analisi delle componenti principali con Python
5. Approssimazioni di basso rango
6. Panoramica dell'analisi discriminante lineare (LDA)
7. Spiegazione matematica dell'analisi discriminante lineare (LDA)
8. Analisi Discriminante Generalizzata (GDA)
9. Analisi dei componenti indipendenti
10. Mappatura delle caratteristiche
11. Classificatore di alberi aggiuntivo per la selezione delle funzionalità
12. Test del chi quadrato per la selezione delle caratteristiche – Spiegazione matematica
13. Ml | Algoritmo di incorporamento dei vicini stocastici distribuiti su T (t-SNE).
14. Pitone | Come e dove applicare il Feature Scaling?
15. Parametri per la selezione delle funzionalità
16. Underfitting e overfitting nel machine learning

Elaborazione del linguaggio naturale :

1. Introduzione all'elaborazione del linguaggio naturale
2. Preelaborazione del testo in Python | Imposta – 1
3. Preelaborazione del testo in Python | Insieme 2
4. Rimozione delle stop word con NLTK in Python
5. Tokenizza il testo usando NLTK in Python
6. Come funziona la tokenizzazione di testo, frase e parole
7. Introduzione allo stemming
8. Parole con radice con NLTK
9. Lemmatizzazione con NLTK
10. Lemmatizzazione con TextBlob
11. Come ottenere sinonimi/contrari da NLTK WordNet in Python?

Reti neurali :

1. Introduzione alle reti neutre artificiali | Insieme 1
2. Introduzione alla rete neurale artificiale | Insieme 2
3. Introduzione alle ANN (Reti Neurali Artificiali) | Set 3 (sistemi ibridi)
4. Introduzione all'ANN | Set 4 (Architetture di rete)
5. Funzioni di attivazione
6. Implementazione del processo di formazione della rete neurale artificiale in Python
7. Una rete neurale a singolo neurone in Python
8. Reti neurali convoluzionali
   • Introduzione alla rete neurale di convoluzione
   • Introduzione al livello di pooling
   • Introduzione al riempimento
   • Tipi di riempimento nello strato di convoluzione
   • Applicazione della rete neurale convoluzionale al set di dati mnist
9. Reti neurali ricorrenti
   • Introduzione alla rete neurale ricorrente
   • Spiegazione delle reti neurali ricorrenti
   • modello seq2seq
   • Introduzione alla memoria a breve termine
   • Spiegazione delle reti di memoria a lungo e breve termine
   • Reti di unità ricorrenti recintate (GAN)
   • Generazione di testo utilizzando reti di unità ricorrenti recintate
10. GAN – Rete avversaria generativa
    • Introduzione alla rete avversaria generativa
    • Reti avversarie generative (GAN)
    • Casi d'uso di reti avversarie generative
    • Costruire una rete avversaria generativa utilizzando Keras
    • Collasso modale nei GAN
11. Introduzione al Q-Learning Profondo
12. Implementazione del Deep Q-Learning utilizzando Tensorflow

ML – Distribuzione:

1. Distribuisci la tua app Web di machine learning (Streamlit) su Heroku
2. Distribuisci un modello di machine learning utilizzando la libreria Streamlit
3. Distribuisci il modello di machine learning utilizzando Flask
4. Python: crea interfacce utente per la prototipazione di modelli di machine learning con Gradio
5. Come preparare i dati prima di distribuire un modello di machine learning?
6. Distribuzione di modelli ML come API utilizzando FastAPI
   
7. Distribuzione del ragno Scrapy su ScrapingHub

ML – Applicazioni:

1. Previsione delle precipitazioni utilizzando la regressione lineare
2. Identificazione delle cifre scritte a mano utilizzando la regressione logistica in PyTorch
3. Diagnosi del cancro al seno di Kaggle nel Wisconsin utilizzando la regressione logistica
4. Pitone | Implementazione del sistema di raccomandazione film
5. Supporta Vector Machine per riconoscere le caratteristiche facciali in C++
6. Alberi decisionali – Puzzle con monete false (contraffatte) (puzzle da 12 monete)
7. Rilevamento frodi su carte di credito
8. Analisi PNL delle recensioni dei ristoranti
9. Applicazione del Naive Bayes multinomiale ai problemi della PNL
10. Compressione delle immagini utilizzando il clustering K-means
11. Apprendimento profondo | Generazione di didascalie di immagini utilizzando i personaggi di Avengers EndGames
12. In che modo Google utilizza il machine learning?
13. In che modo la NASA utilizza il machine learning?
14. 5 modi strabilianti in cui Facebook utilizza il machine learning
    
15. Pubblicità mirata utilizzando l'apprendimento automatico
16. Come viene utilizzato il machine learning da aziende famose?

Varie:

1. Riconoscimento di modelli | introduzione
2. Calcola l'efficienza del classificatore binario
3. Regressione logistica rispetto alla classificazione dell'albero decisionale
4. R contro Python nella scienza dei dati
5. Spiegazione delle funzioni fondamentali coinvolte nell'algoritmo A3C
6. Privacy differenziale e deep learning
7. Intelligenza artificiale vs Machine Learning vs Deep Learning
8. Introduzione al Multi-Task Learning (MTL) per il Deep Learning
9. I 10 migliori algoritmi che ogni ingegnere di machine learning dovrebbe conoscere
10. Macchina virtuale di Azure per il machine learning
11. 30 minuti per l'apprendimento automatico
12. Che cos'è AutoML nel machine learning?
13. Matrice di confusione nell'apprendimento automatico

Prerequisiti per apprendere l'apprendimento automatico

• Conoscenza di equazioni lineari, grafici di funzioni, statistica, algebra lineare, probabilità, calcolo ecc.
• Si consiglia qualsiasi conoscenza di linguaggi di programmazione come Python, C++, R.

Domande frequenti sul tutorial sul machine learning

D.1 Che cos'è il machine learning e in cosa differisce dal deep learning?

Risposta :

L’apprendimento automatico sviluppa programmi in grado di accedere ai dati e apprendere da essi. Il deep learning è il sottodominio del machine learning. Il deep learning supporta l'estrazione automatica delle funzionalità dai dati grezzi.

D.2. Quali sono i diversi tipi di algoritmi di apprendimento automatico?

Risposta :

• Algoritmi supervisionati: questi sono gli algoritmi che apprendono dai dati etichettati, ad es. immagini etichettate con la faccia di cane o meno. L'algoritmo dipende da dati supervisionati o etichettati. per esempio. regressione, rilevamento di oggetti, segmentazione.
• Algoritmi non supervisionati: questi sono gli algoritmi che apprendono dai dati non etichettati, ad es. gruppo di immagini fornite per creare un insieme di immagini simile. per esempio. clustering, riduzione della dimensionalità, ecc.
• Algoritmi semi-supervisionati: algoritmi che utilizzano dati sia supervisionati che non supervisionati. La maggior parte dei dati utilizzati per questi algoritmi non sono dati supervisionati. per esempio. rilevamento dell'anamologia.

D.3. Perché utilizziamo l'apprendimento automatico?

Risposta :

L’apprendimento automatico viene utilizzato per prendere decisioni basate sui dati. Modellando gli algoritmi sulla base di dati storici, gli algoritmi trovano modelli e relazioni difficili da rilevare per gli esseri umani. Questi modelli sono ora ulteriormente utilizzati per i riferimenti futuri per prevedere la soluzione di problemi invisibili.

D.4. Qual è la differenza tra Intelligenza Artificiale e Machine Learning?

Risposta :

INTELLIGENZA ARTIFICIALE	APPRENDIMENTO MACCHINARIO
Sviluppare un sistema intelligente in grado di eseguire una varietà di lavori complessi.	Costruisci macchine in grado di svolgere solo i lavori per i quali sono stati addestrati.
Funziona come un programma che fa un lavoro intelligente.	La macchina del sistema di attività prende dati e impara dai dati.
L’intelligenza artificiale ha un’ampia varietà di applicazioni.	Il ML consente ai sistemi di apprendere nuove cose dai dati.
L’intelligenza artificiale guida la saggezza.	Il ML porta alla conoscenza.