Ta strona korzysta z plików cookie, abyśmy mogli zapewnić jak najlepszą obsługę. Informacje o plikach cookie są przechowywane w przeglądarce i wykonują takie funkcje, jak rozpoznawanie cię po powrocie do naszej witryny i pomaganie naszemu zespołowi w zrozumieniu, które sekcje witryny są dla Ciebie najbardziej interesujące i przydatne.
Druga część kursu z serii Machine Learning Bootcamp obejmująca tematykę uczenia nienadzorowanego. Poruszone są główne problemy uczenia nienadzorowanego takie jak klasteryzacja, redukcja wymiarowości, reguły asocjacyjne czy detekcja anomalii. Kurs zbudowany jest w oparciu o kilka bibliotek do uczenia maszynowego w języku Python: scikit-learn, Prophet, OpenCV.
Na kursie omówionych zostało wiele algorytmów uczenia nienadzorowanego, między innymi:
-
algorytm K-średnich
-
grupowanie hierarchiczne
-
algorytm DBSCAN
-
algorytm PCA
-
algorytm t-SNE
-
algorytm Apriori
-
LOF – Local Outlier Factor
-
algorytm Isolation Forest
O uczeniu maszynowym mówi się już praktycznie wszędzie. Wkrada się w każdą dziedzinę naszego życia. Jeżeli zastanawiasz się czy warto podjąć krok w stronę ucznia maszynowego nie zwlekaj ani chwili dłużej i już dziś podejmij wyzwanie.
scikit-learn
scikit-learn jest prawdopodobnie najbardziej użyteczną biblioteką do uczenia maszynowego w języku Python. Biblioteka zawiera wiele wydajnych narzędzi do uczenia maszynowego i modelowania statystycznego, w tym klasyfikacji, regresji, grupowania czy redukcji wymiarowości.
OpenCV
OpenCV to świetne narzędzie do przetwarzania obrazu i wykonywania zadań widzenia komputerowego (computer vision). Jest to biblioteka typu open source, której można używać do wykonywania zadań, takich jak detekcja twarzy, śledzenie objektów, wykrywanie punktów orientacyjnych i wiele innych. Obsługuje wiele języków, w tym Python, Java oraz C++. Biblioteka wyposażona jest w setki przydatnych funkcji i algorytmów, z których wszystkie są dla nas za darmo. Niektóre z tych funkcji są naprawdę powszechne i są używane w prawie każdym zadaniu widzenia komputerowego.
Boom na rozwiązania AI
Zastosowania sztucznej inteligencji (Artificial Intelligence) rosną w tempie wykładniczym. Od prostych modeli klasyfikujących pocztę mailową, wybierającą najbardziej optymalną trasę dojazdu, rozpoznającą nas w czasie rzeczywistym (wideoweryfikacja) po auta a nawet samoloty autonomiczne. A przed nami przecież tyle nieodkrytych obszarów w których można zastosować AI.
Stack Overflow Developer Survey
Według Stack Overflow Developer Survey 2021 język Python jest najchętniej wybieranym językiem do nauki programowania.
-----KLASTERYZACJA-----
Repozytorium kursu - Github
Algorytm K-średnich
Grupowanie hierarchiczne
-
10Metryka Minkowskiego (euklidesowa, Manhattan)
-
11Algorytm K-średnich - wykład
-
12Algorytm K-średnich - implementacja
-
13Algorytm K-średnich - biblioteka scikit-learn
-
14Algorytm K-średnich - wybór optymalnej ilości klastrów
-
15Algorytm K-średnich - metoda łokcia
-
16Algorytm K-średnich - wady i zalety
-
17Test
Algorytm DBSCAN
Klasteryzacja - porównanie algorytmów
-----REDUKCJA WYMIAROWOŚCI-----
PCA - Analiza Głównych Składowych
t-SNE
-
31PCA - Analiza Głównych Składowych - wykład
-
32PCA - Analiza Głównych Składowych - wektory i wartości własne
-
33PCA - Analiza Głównych Składowych - implementacja
-
34PCA - Analiza Głównych Składowych - breast cancer data
-
35PCA - Analiza Głównych Składowych - MNIST data
-
36PCA - Analiza Głównych Składowych - CIFAR data
-
37PCA - Analiza Głównych Składowych - Wine dataset
-
38PCA - Analiza Głównych Składowych - rekonstrukcja obrazu
-
39Test