In questo tutorial torneremo alla matematica e alle statistiche di studio e come calcolare numeri importanti Impareremo anche come utilizzare vari moduli Python per ottenere le risposte di cui abbiamo bisogno. E impareremo a creare funzioni in grado di prevedere il risultato in base a ciò che abbiamo appreso.

funzionano come i modelli di apprendimento del cervello Questa affermazione è totalmente priva di senso e Dopo aver visto e capito cosa è il Machine Learning e come esso è suddiviso, possiamo andare ancora più affondo e concentrarci su una sotto-branca del ML, il Deep Learning. chi è alle prime armi inizierei con il dire che il deep learning è una famiglia di algoritmi, spesso e riferimento ad una comprensione più profonda, anche se ad oggi è la branca più avanzata dell'intelligenza artificiale

un altro linguaggio di programmazione di alto livello ed è stato progettato per l'analisi numerica e Si dice che questo linguaggio sia più veloce per Python perché è stato progettato per implementare rapidamente concetti matematici come l'algebra lineare e si occupa meglio delle matrici. Julia fornisce lo sviluppo rapido di Python o R mentre produce programmi che funzionano alla stessa velocità

Spiegazione e Implementazione Algoritmo Albero decisionale Questo è uno dei miei algoritmi preferiti e lo uso abbastanza frequentemente. Sporchiamoci le mani e codifichiamo il nostro albero decisionale in Python!

Prerequisiti : Se non sai perchè utilizzeremo python, clicca qui Se non hai ancora installato Python, clicca qui Se non sai come scaricare e gestire le librerie, clicca qui Se non sai cosa sia un Dataset

Il machine learning è una delle parti più vitali della scienza dei dati e l'argomento di ricerca più Almeno uno ha bisogno di capire algoritmi di base del supervisionato e non supervisionato apprendimento Ci sono più librerie disponibili in Python e R per l'implementazione di questi algoritmi.

Per creare grandi set di dati per i test, utilizziamo il modulo Python NumPy, che viene fornito con una Crea un array contenente 250 float casuali tra 0 e 5: Istogramma Per visualizzare il set di dati possiamo Useremo il modulo Python Matplotlib per disegnare un istogramma. contenente 250 valori non è considerato molto grande, ma ora sai come creare un insieme casuale di valori e, Crea un array con 100000 numeri casuali e visualizzali usando un istogramma con 100 barre:

Questo ha portato molte connessioni utente e produce grandi set di dati. il coinvolgimento e la fidelizzazione degli utenti. automatizzati e monitorare le loro prestazioni. Identificare un oggetto La grafica realistica, l'uso dell'ingegno artificiale e il superamento dei confini La differenza tra forme, oggetti, ostacoli e figure diventa più facile e veloce per il giocatore.

Il Perceptron I primi studi in materia risalgono al 1943 e vennero fatti per cercare di comprendere al di emulare le funzioni principali del corpo cellulare il quale riceveva in input le caratteristiche e Come è possibile notare ritroviamo gli input, un "corpo di elaborazione" e gli output. Funzione : Perceptron Output : Classe Immagina quanto questa scoperta abbia influito su i progressi e del Perceptron in Python.

Deve essere elaborato e pulito prima di utilizzarlo per scopi diversi.

Spiegazione e Implementazione Algoritmo kNN Può essere utilizzato sia per problemi di classificazione KNN è un semplice algoritmo che memorizza tutti i casi disponibili e classifica i nuovi casi con un voto suoi k vicini Queste funzioni di distanza possono essere la distanza Euclidea, Manhattan, Minkowski e le cerchie in cui si muove e avere accesso alle sue informazioni! sulla fase di pre-elaborazione prima di utilizzare kNN Programma un modello di clusterizzazione in Python

Il miglior grado per te dipende dai tuoi obiettivi personali e professionali. Se sei interessato all'elaborazione dei dati e alla modellazione statistica, una laurea in analisi dei Quali sono le competenze comuni utilizzate dagli analisti di dati e dai data scientist? un'organizzazione, alcuni analisti di dati possono utilizzare linguaggi di programmazione come R o Python Qual è la differenza di stipendio tra un data scientist e un data analyst?

Spiegazione e Implementazione Algoritmi Foresta casuale Random Forest è un termine caratteristico per Per classificare un nuovo oggetto in base agli attributi, ogni albero fornisce una classificazione e Ogni albero viene piantato e cresciuto come segue: Se il numero di casi nel training set è N, il campione viene specificato un numero m<<M tale che ad ogni nodo vengono selezionate a caso m variabili dalle M e Implementiamo l'algoritmo foresta casuale con Python :

La deviazione standard è un numero che descrive la distribuzione dei valori. Una deviazione standard bassa significa che la maggior parte dei numeri è vicina al valore medio (medio). Una deviazione standard elevata significa che i valori sono distribuiti su un intervallo più ampio. Esempio: questa volta abbiamo registrato la velocità di 7 auto: speed = [86,87,88,86,87,85,86] La deviazione standard è: 0.9 Ciò significa che la maggior parte dei valori rientra nell'intervallo di 0,9 dal valore medio, che è 86,4. Facciamo lo stesso con una selezione di numeri con una gamma più ampia: speed = [32,111,138,28,59,77,97] La deviazione standard è: 37.85 Ciò significa che la maggior parte dei valori rientra nell'intervallo 37,85 dal valore medio, che è 77,4. Come puoi vedere, una deviazione standard più alta indica che i valori sono distribuiti su un intervallo più ampio. Il modulo NumPy ha un metodo per calcolare la deviazione standard: Varianza La varianza è un altro numero che indica quanto sono distribuiti i valori. Infatti, se prendi la radice quadrata della varianza, ottieni la deviazione standard! O viceversa, se moltiplichi la deviazione standard per se stessa, ottieni la varianza! Per calcolare la varianza devi fare come segue: 1. Trova la media: (32+111+138+28+59+77+97) / 7 = 77.4 2. Per ogni valore: trova la differenza dalla media: 32 - 77.4 = -45.4 111 - 77.4 = 33.6 138 - 77.4 = 60.6 28 - 77.4 = -49.4 59 - 77.4 = -18.4 77 - 77.4 = - 0.4 97 - 77.4 = 19.6 3. Per ogni differenza: trova il valore del quadrato: (-45.4)2 = 2061.16 (33.6)2 = 1128.96 (60.6)2 = 3672.36 (-49.4)2 = 2440.36 (-18.4)2 = 338.56 (- 0.4)2 = 0.16 (19.6)2 = 384.16 4. La varianza è il numero medio di queste differenze al quadrato: (2061.16+1128.96+3672.36+2440.36+338.56+0.16+384.16) / 7 = 1432.2 Fortunatamente, NumPy ha un metodo per calcolare la varianza: Deviazione standard Come abbiamo appreso, la formula per trovare la deviazione standard è la radice quadrata della varianza: √1432.25 = 37.85 Oppure, come nell'esempio precedente, usa NumPy per calcolare la deviazione standard:

I percentili vengono utilizzati nelle statistiche per fornire un numero che descrive il valore a cui una determinata percentuale dei valori è inferiore. Esempio: supponiamo di avere una serie di età di tutte le persone che vivono in una strada. ages = [5,31,43,48,50,41,7,11,15,39,80,82,32,2,8,6,25,36,27,61,31] Qual è il 75. percentile? La risposta è 43, il che significa che il 75% delle persone ha 43 anni o meno. Il modulo NumPy ha un metodo per trovare il percentile specificato: Vediamo se stai capendo o solo completando gli step per sbrigarti... Utilizzando l'editor degli esempi calcola il 90. percentile ! Ti do una mano , se per il 75 percentile abbiamo usato questo comando : x = numpy.percentile(ages, 75) Cosa dovrai cambiare per sapere il 90 percentile ?