Jakie są łatwe do nauczenia się aplikacje do uczenia maszynowego? [Zamknięte]

Będąc ogólnie nowym uczeniem maszynowym, chciałbym zacząć się bawić i zobaczyć, jakie są możliwości.

Jestem ciekawy, jakie aplikacje możesz polecić, oferując najszybszy czas od instalacji do uzyskania znaczącego rezultatu.

Docenione zostaną również wszelkie zalecenia dotyczące dobrych materiałów dla początkujących na temat uczenia maszynowego.

Poleciłbym zacząć od trochę MOOC na temat uczenia maszynowego. Na przykład kurs Andrew Ng na coursera.

Powinieneś także spojrzeć na aplikację Orange . Ma interfejs graficzny i prawdopodobnie łatwiej jest zrozumieć niektóre techniki ML przy jego użyciu.

Szczerze mówiąc, myślę, że robienie niektórych projektów nauczy Cię znacznie więcej niż pełnego kursu. Jednym z powodów jest to, że realizacja projektu jest bardziej motywująca i otwarta niż wykonywanie zadań.

Oczywiście, jeśli masz czas i motywację (prawdziwą motywację), jest lepsza niż robienie projektu. Inni komentatorzy wydali dobre rekomendacje platformy dotyczące technologii.

Myślę, że z zabawnego punktu widzenia projektu powinieneś zadać pytanie i poprosić komputer, aby nauczył się na nie odpowiadać.

Niektóre dobre klasyczne pytania, które mają dobre przykłady to:

• Sieci neuronowe do rozpoznawania ręcznie napisanych cyfr
• Klasyfikacja spamu przy użyciu regresji logistycznej
• Klasyfikacja obiektów za pomocą modeli mieszanki Gaussa
• Pewne zastosowanie regresji liniowej, być może prognozowanie cen żywności w danych dzielnicach

W projektach tych wykonano matematykę, wykonano kod i można je łatwo znaleźć w Google.

Inne fajne tematy mogą być wykonane przez Ciebie!

Na koniec badam robotykę, więc dla mnie najbardziej zabawne aplikacje to behawioralne. Przykłady mogą obejmować (jeśli możesz grać z arduino)

Utwórz aplikację, która może wykorzystuje regresję logistyczną, i uczy się, kiedy wyłączyć i włączyć wentylator, biorąc pod uwagę temperaturę wewnętrzną i stan światła w pomieszczeniu.

Utwórz aplikację, która uczy robota poruszania siłownikiem, być może kołem, na podstawie danych wejściowych czujnika (być może naciśnięcia przycisku), używając Gaussian Mixture Models (uczenie się z demonstracji).

W każdym razie są one dość zaawansowane. Chodzi mi o to, że jeśli wybierzesz projekt, który ci się naprawdę podoba i spędzisz na nim kilka tygodni, nauczysz się ogromnej kwoty i zrozumiesz o wiele więcej niż dostaniesz kilka zadań.

Myślę, że Weka jest dobrym punktem wyjścia. Możesz zrobić wiele rzeczy, takich jak nadzorowane uczenie się lub tworzenie klastrów, i łatwo porównać duży zestaw algorytmów dotyczących metodologii.

Podręcznik Weki to tak naprawdę książka na temat uczenia maszynowego i eksploracji danych, którą można wykorzystać jako materiał wprowadzający.

Zakładając, że znasz się na programowaniu, poleciłbym zapoznanie się ze scikit-learn . Ma szczególnie ładne strony pomocy, które mogą służyć jako mini-tutoriale / krótka prezentacja uczenia maszynowego. Wybierz interesujący Cię obszar i przejrzyj przykłady.

Uważam, że kurs pluralsight Wprowadzenie do uczenia maszynowego stanowi świetny zasób, więc zacznij od. Korzysta z biblioteki Encog, aby szybko odkrywać różne techniki ml.

Jeśli znasz już R Studio, pakiet Caret to dobry początek. Oto kilka samouczków:

1. https://class.coursera.org/predmachlearn-002
2. http://caret.r-forge.r-project.org/index.html

Dzięki R i Caret możesz łatwo ładować i dzielić zestawy danych, redukcję funkcji, analizę głównych komponentów oraz trenować i przewidywać przy użyciu różnych algorytmów.

Jeśli potrafisz odtworzyć siatkę wykresów 6x3 ze sztandaru strony http://scikit-learn.org/ , nauczysz się trochę ML i trochę Pythona. Nie wspomniałeś o języku. Python jest dość łatwy do nauczenia się bardzo szybko, a scikit-learn ma zaimplementowany szeroki zakres algorytmów.

Następnie wypróbuj własne dane!

Oprócz opublikowanych kursów i samouczków, proponuję coś bardziej praktycznego: Kaggle ma kilka wprowadzających konkursów, które mogą wzbudzić twoje zainteresowanie (większość ludzi zaczyna od zawodów Titanica). Istnieje wiele różnych tematów do zbadania i rywalizacji, jeśli chcesz zdobyć więcej doświadczenia.

Jak wspomniano w powyższych odpowiedziach, należy zapoznać się z podstawami ML, postępując zgodnie z MOOC autorstwa prof. Andrew Ng i „Learning From Data” autorstwa prof. Yasera Abu-Mostafa.

R jest wyraźnym zwycięzcą jako najczęściej używane narzędzie w zawodach Kaggle. (Nie zapomnij sprawdzić zasobów na wiki Kaggle i forach)

Naucz się podstawowych R i Python. Tor Coursera „dane nauki” ma wprowadzający R kurs . Prawie wszystkie algorytmy można znaleźć w bibliotekach Python i R. Zachęcamy do korzystania z algorytmów, których nauczyłeś się w kilku konkurencjach kaggle. Jako punkt wyjścia porównaj wydajność kilku algorytmów w zestawie danych Titanic i zestawu danych rozpoznawania cyfr w kaggle .

I kontynuuj ćwiczenia na różnych zestawach danych!