ML v Pythone – rekapitulácia seriálu po 15-tich dieloch
Cieľom seriálu je ukázať na praktických príkladoch programovanie úloh strojového učenia v programovacom jazyku Python. Po 15-tich dieloch je čas na druhú rekapituláciu
ML v Pythone 15 – neurónové siete na klasifikačné úlohy
V prípade úloh tohoto typu nás zaujíma, čo to je, prípadne či nastane, alebo nenastane daná situácia. Ukážeme niekoľko zaujímavých príkladov klasifikačných úloh
Binárna klasifikácia - cieľ môže byť jednou z dvoch možností, napr. áno alebo nie. Napríklad či je huba jedlá, alebo nie je, či sledovaná osoba ochorie na danú chorobu, či bude schopná splácať úver a podobne. Zisťujeme to na základe zadaných parametrov.
Multi-class klasifikácia - cieľ identifikujeme výberom z viac ako dvoch možností. Napríklad o aký predmet, či zviera sa jedná, či je na obrázku pes, mačka, alebo morča a podobne.
Klasifikácia viacerých značiek (multi-label ) - cieľu možno priradiť viac ako jednu možnosť. Napríklad článok, či video môžeme zaradiť do viacerých kategórií. Typickým príkladom je jedlo a cestovanie
ML v Pythone 14 – neurónová sieť na generovanie textu II
Zaujíma vás ako funguje ChatGPT a podobné AI chatboty? Najlepšie to pochopíte keď si takého chatbota naprogramujete sami. V jednom z predchádzajúcich príkladov sme vytvorili neurónovú sieť, ktorá bola natrénovaná na texte knihy, pričom tréning spočíval v skúmaní slovosledu. Ukážeme iný postup kedy sa neurónová sieť počas trénovania nebude učiť postupnosť slov, ale postupnosť znakov.
ML v Pythone 13 – vytvorenie a natrénovanie neurónovej siete ktorá rozozná či je huba jedlá
Príklad v tejto stati bude zameraný na analýzu vzoriek údajov z oblasti prírodných vied. Úlohou neurónovej siete bude rozlíšiť jedlé huby od húb nejedlých a jedovatých. Príklad je názorný. Vo videu je kompletný postup.
ML v Pythone 12 – neurónová sieť predpovedá výskyt cukrovky u indiánskeho kmeňa
Ukážeme vytvorenie jednoduchej neurónovej siete, jej natrénovanie na vzorke údajov a následne bude táto neurónová sieť použitá na predpovedanie. Neurónovú sieť budeme trénovať na pomerne malej vzorke údajov, takže výpočty v pohode zvládne aj procesor, nepotrebujete GPU. Budeme používať knižnicu PyTorch.
ML v Pythone 11 – vytvorenie a učenie neurónovej siete na generovanie poviedok
Ukážeme vytvorenie a natrénovanie vlastnej neurónovej siete. Natrénujeme ju texte knihy. V reálnej praxi by sa trénovala na tisíckach kníh a ďaľších textov. Následne túto neurónovú sieť použijeme na generovanie textu krátkej poviedky. Zadáte prvých päť slov a algoritmus bude generovať ďalšie slová poviedky.
ML v Pythone 10 – trénovanie neurónovej siete, príprava
Námetom tohto a budúceho dielu je vytvorenie a natrénovanie vlastnej neurónovej siete. Natrénujeme ju na väčšom objeme textu v prirodzenom jazyku, v našom prípade na jednej, alebo viacerých knihách. Následne túto neurónovú sieť použijeme na generovanie textu krátkej poviedky. Zadáte prvých päť slov a algoritmus bude generovať ďalšie slová poviedky.
ML v Pythone 9 – trénovanie neurónu
Jednoduchý príklad ukazujúci princíp ako sa trénujú perceptróny a neuróny
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 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 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 5 – vizualizácia údajov pomocou grafov
Pokračujeme v téme vizualizácia údajov pomocou rôznych typov grafov.
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 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 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.
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/
