Τελευταία έργα μηχανικής εκμάθησης που πρέπει να δοκιμάσετε το 2019

Αυτό το άρθρο θα σας δώσει μια ολοκληρωμένη γνώση των Έργων Μηχανικής Μάθησης στον κλάδο και τις ανακαλύψεις που έγιναν σε αυτόν τον τομέα.

είναι σαφώς ένας τομέας που έχει δει τρελές εξελίξεις τα τελευταία δύο χρόνια. Αυτή η τάση και οι εξελίξεις έχουν δημιουργήσει πολλές ευκαιρίες απασχόλησης στον κλάδο. Η ανάγκη για Μηχανικοί μηχανικής μάθησης έχουν υψηλή ζήτηση και αυτή η αύξηση οφείλεται στην εξελισσόμενη τεχνολογία και τη δημιουργία τεράστιων όγκων δεδομένων γνωστού και ως Big Data. Έτσι, σε αυτό το άρθρο, θα συζητήσω τα πιο εκπληκτικά Έργα Μηχανικής Μάθησης που πρέπει κανείς να γνωρίζει και να συνεργάζεται με την ακόλουθη σειρά:



Τι είναι η μηχανική εκμάθηση;

Η Μηχανική Εκμάθηση είναι μια έννοια που επιτρέπει στο μηχάνημα να μάθει από παραδείγματα και εμπειρίες, και αυτό επίσης χωρίς να έχει προγραμματιστεί ρητά. Έτσι, αντί να γράφετε τον κώδικα, αυτό που κάνετε είναι να τροφοδοτείτε δεδομένα στον γενικό αλγόριθμο και ο αλγόριθμος / μηχανή δημιουργεί τη λογική με βάση τα δεδομένα δεδομένα.



Ποιος είναι μηχανικός ML

Βήματα μηχανικής εκμάθησης

Οποιοσδήποτε αλγόριθμος μηχανικής εκμάθησης ακολουθεί ένα κοινό μοτίβο ή βήματα.



Συλλογή δεδομένων: Αυτό το στάδιο περιλαμβάνει τη συλλογή όλων των σχετικών δεδομένων από διάφορες πηγές

Διαμάχη δεδομένων: Είναι η διαδικασία καθαρισμού και μετατροπής του 'Raw Data' σε μορφή που επιτρέπει την εύκολη κατανάλωση

Ανάλυση δεδομένων: Τα δεδομένα αναλύονται για επιλογή και φιλτράρισμα των δεδομένων που απαιτούνται για την προετοιμασία του μοντέλου



Αλγόριθμος αμαξοστοιχίας: Ο αλγόριθμος εκπαιδεύεται στο σύνολο δεδομένων εκπαίδευσης, μέσω του οποίου ο αλγόριθμος κατανοεί το μοτίβο και τους κανόνες που διέπουν τα δεδομένα

Μοντέλο δοκιμής: Το σύνολο δεδομένων δοκιμής καθορίζει την ακρίβεια του μοντέλου μας.

Ανάπτυξη: Εάν η ταχύτητα και η ακρίβεια του μοντέλου είναι αποδεκτά, τότε αυτό το μοντέλο πρέπει να αναπτυχθεί στο πραγματικό σύστημα. Μετά την ανάπτυξη του μοντέλου με βάση την απόδοσή του, το μοντέλο ενημερώνεται και βελτιώνεται εάν υπάρχει πτώση στην απόδοση, το μοντέλο επανεκπαιδεύεται.

Τύποι μηχανικής μάθησης

Η μηχανική εκμάθηση υπο-κατηγοριοποιείται σε τρεις τύπους:

Εποπτευόμενη μάθηση: Είναι εκείνο όπου έχετε μεταβλητές εισόδου (x) και μεταβλητή εξόδου (Y) και χρησιμοποιείτε έναν αλγόριθμο για να μάθετε τη λειτουργία χαρτογράφησης από την είσοδο στην έξοδο.

Μη επιτηρούμενη μάθηση: Μερικές φορές τα δεδομένα δεδομένα δεν είναι δομημένα και δεν επισημαίνονται. Έτσι γίνεται δύσκολο να ταξινομηθούν αυτά τα δεδομένα σε διαφορετικές κατηγορίες. Η μη επιτηρούμενη μάθηση βοηθά στην επίλυση αυτού του προβλήματος. Αυτή η εκμάθηση χρησιμοποιείται για την ομαδοποίηση των δεδομένων εισαγωγής σε τάξεις με βάση τις στατιστικές τους ιδιότητες.

Εκμάθηση Ενίσχυσης: Είναι όλα σχετικά με τη λήψη κατάλληλων μέτρων προκειμένου να μεγιστοποιηθεί η ανταμοιβή σε μια συγκεκριμένη κατάσταση.
Όσον αφορά τη μάθηση ενίσχυσης, δεν υπάρχει αναμενόμενο αποτέλεσμα. Ο παράγοντας ενίσχυσης αποφασίζει ποιες ενέργειες πρέπει να λάβει προκειμένου να εκτελέσει μια δεδομένη εργασία. Ελλείψει εκπαιδευτικού συνόλου δεδομένων, είναι υποχρεωμένο να μάθει από την εμπειρία του.

Τώρα, ας ρίξουμε μια ματιά σε μερικά Real-Life Machine Learning Projects που μπορούν να βοηθήσουν τις εταιρείες να αποφέρουν κέρδη.

Βιομηχανίες-Θήκες χρήσης

1. ΣΤΟΥΝΤΙΟ ΚΙΝΗΣΗΣ

Τομέα: Ήμισυ

Συγκεντρώνω: Βελτιστοποίηση διαδικασίας επιλογής

java addactionlistener (αυτό)

Επιχειρηματική πρόκληση: Το Motion Studio είναι ο μεγαλύτερος οίκος ραδιοπαραγωγής στην Ευρώπη. Έχοντας έσοδα πάνω από ένα δισεκατομμύριο δολάρια, η εταιρεία αποφάσισε να ξεκινήσει ένα νέο reality show: RJ αστέρι. Η απάντηση στο σόου είναι άνευ προηγουμένου και η εταιρεία κατακλύζεται από κλιπ φωνής. Εσείς ως εμπειρογνώμονας ML πρέπει να ταξινομήσετε τη φωνή ως είτε αρσενικό / θηλυκό, ώστε το πρώτο επίπεδο φιλτραρίσματος να είναι πιο γρήγορο.

Βασικά θέματα: Το φωνητικό δείγμα είναι σε τόνους.

Επιχειρηματικό όφελος: Από RJ αστέρι είναι ένα reality show, ο χρόνος για την επιλογή υποψηφίων είναι πολύ μικρός. Η όλη επιτυχία της παράστασης και συνεπώς τα κέρδη εξαρτάται από την γρήγορη και ομαλή εκτέλεση

εισαγωγή pandas ως pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns% matplotlib inline import Warnings Warnings.filterwarnings ('igne') df = pd.read_csv ('voice-classification.csv') df.head ()

# Ελέγξτε το όχι. εγγραφών df.info () df.describe () df.isnull (). άθροισμα ()

print ('Shape of Data:', df.shape) print ('Συνολικός αριθμός ετικετών: {}'. format (df.shape [0])) print ('Number of male: {}'. format (df [ df.label == 'male']. σχήμα [0])) εκτύπωση ('Αριθμός θηλυκού: {}'. μορφή (df [df.label == 'θηλυκό']. σχήμα [0]))

X = df.iloc [:,: -1] εκτύπωση (df.shape) εκτύπωση (σχήμα X.)

από sklearn.preprocessing εισαγωγή LabelEncoder y = df.iloc [:, - 1] gender_encoder = LabelEncoder () y = gender_encoder.fit_transform (y) y από το sklearn.preprocessing εισαγωγή StandardScaler scaler = StandardScaler () scaler.fit (X) scaler.transform (X) from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0.3, random_state = 100) από sklearn.svm εισαγωγή Slec , confusion_matrix svc_model = SVC () svc_model.fit (X_train, y_train) y_pred = svc_model.predict (X_test) print ('Accuracy Score:') print (metrics.accuracy_score (y_test, y_pred))

εκτύπωση (confusion_matrix (y_test, y_pred))

2. LITHIONPOWER

Τομέα: Αυτοκίνητο

Συγκεντρώνω: Κίνητρο προγραμμάτων οδήγησης

Επιχειρηματική πρόκληση: Η Lithionpower είναι ο μεγαλύτερος πάροχος μπαταριών ηλεκτρικών οχημάτων (ηλεκτρονικό όχημα). Οι οδηγοί νοικιάζουν μπαταρία συνήθως για μια μέρα και στη συνέχεια αντικαθιστούν με μια φορτισμένη μπαταρία από την εταιρεία. Η Lithionpower διαθέτει ένα μεταβλητό μοντέλο τιμολόγησης με βάση το ιστορικό οδήγησης του οδηγού. Καθώς η διάρκεια ζωής της μπαταρίας εξαρτάται από παράγοντες όπως η υπερβολική ταχύτητα, η απόσταση από την ημέρα κ.λπ. Εσείς ως ειδικός ML πρέπει να δημιουργήσετε ένα μοντέλο συμπλέγματος όπου οι οδηγοί μπορούν να ομαδοποιηθούν βάσει των δεδομένων οδήγησης.

Βασικά θέματα: Οι οδηγοί θα έχουν κίνητρα βάσει του συμπλέγματος, οπότε η ομαδοποίηση πρέπει να είναι ακριβής.

Επιχειρηματικά οφέλη: Αύξηση των κερδών, έως και 15-20% καθώς οι οδηγοί με κακή ιστορία θα χρεωθούν περισσότερο.

εισαγάγετε pandas ως pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns sns.set () # for plot styling% matplotlib inline import Warnings Warnings.filterwarnings ('ignise') import matplotlib.pyplot as plt plt.rcParams [ 'figure.figsize'] = (12, 6) df = pd.read_csv ('driver-data.csv') df.head ()

df.info () df.describe ()

από sklearn.cluster import KMeans # Λήψη 2 συμπλεγμάτων kmeans = KMeans (n_clusters = 2) df_analyze = df.drop ('id', axis = 1) kmeans.fit (df_analyze)

kmeans.cluster_centers_

εκτύπωση (kmeans.labels_) εκτύπωση (len (kmeans.labels_))

εκτύπωση (type (kmeans.labels_)) μοναδικό, μετράει = np.unique (kmeans.labels_, return_counts = True) εκτύπωση (υπαγόρευση (zip (μοναδικό, μετράει)))

df_analyze ['cluster'] = kmeans.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', παλέτα = 'coolwarm', μέγεθος = 6, πτυχή = 1, fit_reg = False)

# Τώρα, ας δούμε τις συστάδες, όταν n = 4 kmeans_4 = KMeans (n_clusters = 4) kmeans_4.fit (df.drop ('id', axis = 1)) kmeans_4.fit (df.drop ('id', axis) = 1)) εκτύπωση (kmeans_4.cluster_centers_) μοναδικό, μετράει = np.unique (kmeans_4.labels_, return_counts = True) kmeans_4.cluster_centers_ print (υπαγόμενο (zip (μοναδικό, μετρά)))

df_analyze ['cluster'] = kmeans_4.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', παλέτα = 'coolwarm', μέγεθος = 6, πτυχή = 1, fit_reg = False)

3. BluEx

Τομέα: Επιμελητεία

Συγκεντρώνω: Βέλτιστη διαδρομή

Επιχειρηματική πρόκληση: Η BluEx είναι μια κορυφαία εταιρεία logistics στην Ινδία. Είναι γνωστό για την αποτελεσματική παράδοση πακέτων στους πελάτες. Ωστόσο, το BluEx αντιμετωπίζει μια πρόκληση όπου οι οδηγοί του van ακολουθούν μια μη βέλτιστη διαδρομή για παράδοση. Αυτό προκαλεί καθυστερήσεις και υψηλότερο κόστος καυσίμου. Εσείς ως ειδικός ML πρέπει να δημιουργήσετε ένα μοντέλο ML χρησιμοποιώντας το Reinforcement Learning έτσι ώστε να βρεθεί αποτελεσματική διαδρομή μέσω του προγράμματος.

Βασικά θέματα: Τα δεδομένα έχουν πολλά χαρακτηριστικά και η ταξινόμηση μπορεί να είναι δύσκολη.

Επιχειρηματικά οφέλη: Μέχρι το 15% του κόστους καυσίμου μπορεί να εξοικονομηθεί ακολουθώντας τη βέλτιστη διαδρομή.

import numpy as np import pylab as plt import networkx as nx #Initialization points points_list = [(0,1), (1,5), (5,6), (5,4), (1,2), (2) , 3), (2,7)] γκολ = 7 χαρτογράφηση = {0: 'Έναρξη', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5 ', 6:' 6 ', 7:' 7-Destination '} G = nx.Graph () G.add_edges_from (points_list) pos = nx.spring_layout (G, k = .5, center = points_list [2]) nx .draw_networkx_nodes (G, pos, node_color = 'g') nx.draw_networkx_edges (G, pos, edge_color = 'b') nx.draw_networkx_labels (G, pos) plt.show ()

NO_OF_POINTS = 8 #Inititlaizing R Matrix R = np.matrix (np.ones (σχήμα = (NO_OF_POINTS, NO_OF_POINTS))) R * = -1 για point in points_list: print (point) if point [1] == στόχος: R [point] = 150 else: R [point] = 0 if point [0] == goal: R [point [:: - 1]] = 150 other: # αντίστροφο του σημείου R [σημείο [:: - 1]] = 0

R [γκολ, γκολ] = 150 R

Q = np.matrix (np.zeros ([NO_OF_POINTS, NO_OF_POINTS])) # Η παράμετρος εκμάθησης gamma = 0,8 initial_state = 1 def available_actions (state): current_state_row = R [state,] av_act = np.where (current_state_row & ampampampgt = 0 ) [1] επιστροφή av_act available_act = available_actions (αρχική_ κατάσταση) def sample_next_action (available_actions_range): next_action = int (np.random.choice (available_act, 1)) return next_action action = sample_next_action (available_act) def update (current_state, action, gamma) : max_index = np.where (Q [action,] == np.max (Q [action,])) [1] if max_index.shape [0] & ampampampgt 1: max_index = int (np.random.choice (max_index, μέγεθος = 1)) άλλο: max_index = int (max_index) max_value = Q [action, max_index] Q [current_state, action] = R [current_state, action] + gamma * max_value print ('max_value', R [current_state, action] + gamma * max_value) εάν (np.max (Q) & ampampampgt 0): return (np.sum (Q / np.max (Q) * 100)) other: return (0) update (αρχική κατάσταση, δράση, gamma)

σκορ = [] για i στην περιοχή (700): current_state = np.random.randint (0, int (Q.shape [0])) available_act = available_actions (current_state) action = sample_next_action (available_act) σκορ = ενημέρωση (current_state, action, gamma) score.append (score) print ('Score:', str (score)) print ('Trained Q matrix:') print (Q / np.max (Q) * 100) # Testing current_state = 0 βήματα = [current_state] while current_state! = 7: next_step_index = np.where (Q [current_state,] == np.max (Q [current_state,])) [1] if next_step_index.shape [0] & ampampampgt 1: next_step_index = int (np.random.choice (next_step_index, size = 1)) other: next_step_index = int (next_step_index) βήματα. προσθήκη (next_step_index) current_state = next_step_index

εκτύπωση ('Η πιο αποτελεσματική διαδρομή:') εκτύπωση (βήματα) plt.plot (βαθμολογίες) plt.show ()

Έργα μηχανικής εκμάθησης ανοιχτού κώδικα το 2019

Detectron : Το Detectron είναι το σύστημα λογισμικού του Facebook AI Research που εφαρμόζει αλγόριθμους ανίχνευσης αντικειμένων τελευταίας τεχνολογίας. Είναι γραμμένο σε Python και τροφοδοτείται από το πλαίσιο βαθιάς μάθησης του Caffe2.

Ο στόχος του Detectron είναι να παρέχει μια υψηλής ποιότητας, υψηλής απόδοσης βάση κώδικα για έρευνα ανίχνευσης αντικειμένων. Έχει σχεδιαστεί για να είναι ευέλικτη προκειμένου να υποστηρίζει την ταχεία εφαρμογή και αξιολόγηση της νέας έρευνας. Περιέχει περισσότερα από 50 προ-εκπαιδευμένα μοντέλα.

Διάθεση : Η εκτίμηση της πυκνής ανθρώπινης στάσης στοχεύει στη χαρτογράφηση όλων των ανθρώπινων εικονοστοιχείων μιας εικόνας RGB στην τρισδιάστατη επιφάνεια του ανθρώπινου σώματος. Το DensePose-RCNN υλοποιείται στο πλαίσιο Detectron.

TensorFlow.js : Είναι μια βιβλιοθήκη για την ανάπτυξη και εκπαίδευση μοντέλων ML και ανάπτυξης στο πρόγραμμα περιήγησης. Έχει γίνει μια πολύ δημοφιλής κυκλοφορία από την κυκλοφορία της στις αρχές του τρέχοντος έτους και συνεχίζει να εκπλήσσει με την ευελιξία της. Με αυτό μπορείτε

περνώντας με αναφορά στην Ιάβα

  • Ανάπτυξη ML στο πρόγραμμα περιήγησης: Χρησιμοποιήστε ευέλικτα και διαισθητικά API για να δημιουργήσετε μοντέλα από το μηδέν χρησιμοποιώντας τη βιβλιοθήκη γραμμικής άλγεβρας JavaScript χαμηλού επιπέδου ή το API επιπέδων υψηλού επιπέδου.
  • Εκτελέστε υπάρχοντα μοντέλα : Χρησιμοποιήστε μετατροπείς μοντέλου TensorFlow.js για να εκτελέσετε προϋπάρχοντα μοντέλα TensorFlow απευθείας στο πρόγραμμα περιήγησης.
  • Εκπαίδευση υφιστάμενων μοντέλων: Εκπαιδεύστε προϋπάρχοντα μοντέλα ML χρησιμοποιώντας δεδομένα αισθητήρα συνδεδεμένα στο πρόγραμμα περιήγησης ή άλλα δεδομένα από τον πελάτη.

Waveglow: Η Μηχανική Εκμάθηση κάνει επίσης σημαντικές εξελίξεις στην επεξεργασία ήχου και δεν δημιουργεί μόνο μουσική ή ταξινόμηση. Το WaveGlow είναι ένα γενετικό δίκτυο βασισμένο στη ροή για σύνθεση ομιλίας από τη NVIDIA. Οι ερευνητές έχουν επίσης αναφέρει τα βήματα που μπορείτε να ακολουθήσετε εάν θέλετε να εκπαιδεύσετε το δικό σας μοντέλο από το μηδέν.

Εξακρίβωση εικόνας : Φανταστείτε ότι έχετε μια μισή εικόνα μιας σκηνής και θέλετε το πλήρες σκηνικό, και αυτό μπορεί να το κάνει αυτό για σας. Αυτό το έργο είναι μια υλοποίηση του Keras του Paper Outpainting του Στάνφορντ. Το μοντέλο εκπαιδεύτηκε με 3500 διαγραμμένα δεδομένα παραλίας με επιχειρηματολογία συνολικά έως 10.500 εικόνες για 25 εποχές .

Αυτό είναι ένα καταπληκτικό έγγραφο με λεπτομερή εξήγηση βήμα προς βήμα. Πρέπει να δοκιμάσετε ένα παράδειγμα για όλους τους λάτρεις της μηχανικής μάθησης. Προσωπικά, αυτό είναι το αγαπημένο μου πρόγραμμα Machine Learning.

Βαθιά ζωγραφική εναρμόνιση : Λοιπόν, μιλώντας για εικόνες, αυτό είναι ένα αριστούργημα. Αυτό που κάνει αυτός ο αλγόριθμος είναι, παίρνει μια εικόνα ως είσοδο και, στη συνέχεια, εάν προσθέσετε ένα εξωτερικό στοιχείο στην εικόνα, συνδυάζει το στοιχείο στο περιβάλλον σαν να είναι μέρος αυτής.

Μπορείτε να πείτε τη διαφορά; Δεν έχει δικαίωμα? Λοιπόν, αυτό μας δείχνει πόσο έχουμε φτάσει από την άποψη της Μηχανικής Μάθησης.

Βαθιά μίμηση: Τώρα, ρίξτε μια προσεκτική ματιά στις εικόνες εδώ, βλέπετε μια φιγούρα που κάνει spin-kick, backflip και cartwheel. Ότι ο φίλος μου είναι ενίσχυση μάθηση σε δράση. Το DeepMimic είναι μια μάθηση βαθιάς ενίσχυσης με γνώμονα το παράδειγμα δεξιοτήτων χαρακτήρων με βάση τη φυσική.

Πορφύρα βαφή : Το Magenta είναι ένα ερευνητικό έργο που διερευνά το ρόλο της μηχανικής μάθησης στη διαδικασία δημιουργίας τέχνης και μουσικής. Κυρίως αυτό περιλαμβάνει την ανάπτυξη νέων αλγορίθμων μάθησης βαθιάς μάθησης και ενίσχυσης για τη δημιουργία τραγουδιών, εικόνων, σχεδίων και άλλου υλικού.

Είναι επίσης μια εξερεύνηση στην κατασκευή έξυπνων εργαλείων και διεπαφών που επιτρέπουν στους καλλιτέχνες και τους μουσικούς να επεκτείνουν ( όχι αντικατάσταση! ) τις διαδικασίες τους χρησιμοποιώντας αυτά τα μοντέλα. Κάντε τα φτερά σας, δημιουργήστε το μοναδικό σας περιεχόμενο για το Instagram ή το Soundcloud και γίνετε επιρροή.

Λοιπόν, παιδιά, με αυτό καταλήγουμε στο τέλος αυτού του καταπληκτικού άρθρου Έργων Μηχανικής Μάθησης. Δοκιμάστε αυτά τα παραδείγματα και ενημερώστε μας στην παρακάτω ενότητα σχολίων. Ελπίζω να μάθετε την πρακτική εφαρμογή της Μηχανικής Μάθησης στη βιομηχανία. Το Edureka's σε κάνει ικανό σε τεχνικές όπως Εποπτευόμενη Εκμάθηση, Μη Εποπτευόμενη Μάθηση και Επεξεργασία Φυσικής Γλώσσας. Περιλαμβάνει εκπαίδευση για τις τελευταίες εξελίξεις και τεχνικές προσεγγίσεις στην Τεχνητή Νοημοσύνη & Μηχανική Μάθηση όπως η Βαθιά Μάθηση, τα Γραφικά Μοντέλα και η Ενίσχυση της Μάθησης