ML v Pythone – priebežná rekapitulácia seriálu
Cieľom seriálu je ukázať na praktických príkladoch programovanie úloh strojového učenia v programovacom jazyku Python. Po prvých deviatich dieloch je čas na prvú rekapituláciu doterajších dielov
Strojové učenie v Pythone 1 – prostredie Google Colab
Pre tento seriál budeme využívať online prostredie Google Colaboratory (Colab), alebo prostredie Jupyter Notebook na lokálnom počítači. Online prostredie Google Colaboratory je dostupné na adrese https://colab.research.google.com. Umožňuje vytvárať a spúšťať kód v programovacom jazyku Python priamo v prehliadači bez toho aby ste čokoľvek museli inštalovať na svoj počítač.
Jupyter Notebook si môžete nainštalovať aj lokálne na svoj počítač, napríklad ako súčasť platformy Anaconda https://www.anaconda.com/
Strojové učenie v Pythone 2 – knižnica Pandas na prácu s údajmi
Pandas https://pandas.pydata.org/ je flexibilné prostredie na výpočty, analýzy a manipuláciu s údajmi. Využíva dva typy dátových štruktúr Series a DataFrame. Series pracujú s údajmi v podobe dvojice atribútov index a hodnota. DataFrame umožňujú pracovať s údajmi v tabuľkách s viacerými stĺpcami (atribútmi). Dátová štruktúra tabuliek je štandardná - obsahuje riadky a stĺpce nad ktorými je možné vykonávať rôzne matematické, štatistické aj analytické operácie.
ML v Pythone 3 – export a import údajov vo formáte CSV a Excel
Údaje na spracovanie a trénovanie modelov a neurónových sietí potrebujeme odniekiaľ získať a taktiež ich potrebujeme vo vhodnej forme exportovať. V treťom dieli sú príklady importu a exportu údajov vo formáte CSV, čiže hodnoty oddelené čiarkou a taktiež do dokumentov Excelu s príponou xlsx.
Strojové učenie v Pythone 4 – práca s údajmi
Dozviete sa ako zistíte informácie o tabuľkách v objektoch DataFrame, zostavíme podmienky pre výber údajov. Ukážeme možnosti utriedenia a tiež vizualizáciu údajov pomocou grafov
ML v Pythone 5 – vizualizácia údajov pomocou grafov
Pokračujeme v téme vizualizácia údajov pomocou rôznych typov grafov.
ML v Pythone 6 – animované grafy a ich export ako video
Animované grafy sú oveľa názornejšie než statické, pretože umožňujú zobraziť priebeh deja. . Animácie je možné exportovať ako videá do súborov .MP4, alebo animovaný GIF. Animácia okrem názornosti umožňuje lepšie pochopiť dynamické procesy, alebo vývoj určitého trendu. V závere ukážeme postup vytvorenia obľúbeného vodorovného stĺpcového grafu v ktorom sa menia nielen hodnoty, ale aj usporiadanie.
ML v Pythone 7 – Využitie grafickej karty NVIDIA na výpočtovo náročné úlohy
Predstavíme platformu CUDA (Compute Unified Device Architecture) ktorá využíva výkon grafických kariet NVIDIA na výpočtovo náročné úlohy. Vo videu je ukázaná inštalácia CUDA Toolkitu, a následne na príklade násobenia veľkých matíc funkciou z knižnice Torch je porovnaná rýchlosť výpočtu pomocou CPU a GPU
ML v Pythone 8 – príklad rozpoznávanie obrazu
Príklad na rozpoznávaniu obrazu s už natrénovanou neurónovou sieťou. Potrebujete mať nainštalovanú platformu Anaconda a knižnicu PyTorch. Príklady sú koncipované tak, aby fungovali aj na PC, ktoré nemajú grafickú kartu NVIDIA.
ML v Pythone 9 – trénovanie neurónu
Jednoduchý príklad ukazujúci princíp ako sa trénujú perceptróny a neuróny
V ďalších dieloch ukážeme vytvorenie a trénovanie reálnej neurónovej siete. Natrénujeme ju na kompletnom texte knihy a následne ju využijeme na napísanie príbehu.
