Основе машинског учења за програмере

У тренутном технолошком окружењу, од програмера се очекује да имају низ различитих вештина. И многи од њих.

Такође је доступно пуно различитих путова у каријери програмерима који користе многе своје тренутне вештине са благим преокретом.

Администратори база података, заговорници програмера и инжењери машинског учења имају једно заједничко са свим програмерима: сви знају како да кодирају. Није важно који се језици користе, сви они разумеју основне концепте који стоје иза писања доброг кода.

То је један од разлога због којег многи програмери софтвера сматрају да постају инжењери машинског учења. Са свим доступним алатима и пакетима, не морате имати дубоку математичку позадину да бисте добили тачне резултате.

Ако сте вољни да научите како да користите неке библиотеке и стекнете добро разумевање основне математике, можете постати инжењер машинског учења.

У овом чланку ћу вас провести кроз неке од главних концепата машинског учења које треба да разумете из порекла програмера софтвера.

Завршићемо примером читавог пројекта машинског учења, од добијања података до предвиђања вредности моделом. На крају, требало би да имате довољно знања да од самог почетка довршите мали пројекат машинског учења.

Шта је машинско учење?

Постоји пуно дефиниција. Али машинско учење у основи укључује употребу математике за проналажење образаца у огромним количинама података како би се направила предвиђања на основу нових података.

Једном када пронађе те обрасце, можете рећи да имате модел машинског учења.

Одатле можете користити модел за предвиђање нових података које модел никада раније није видео.

Циљ је постићи да се рачунари аутоматски побољшавају искуством користећи алгоритме које им пружају.

Алгоритам је само математичка једначина или скуп једначина који вам дају резултат на основу ваших улазних података. Машинско учење користи алгоритме за проналажење оних образаца које тражимо.

Како се алгоритми излажу све већем броју података, почињу да дају прецизнија предвиђања. На крају ће модел који су направили алгоритми моћи да утврди тачан резултат, а да за то није изричито програмиран.

То значи да би рачунар требало да буде у стању да узима податке и доноси одлуке (предвиђања) без икакве људске помоћи.

Машинско учење насупрот науци података насупрот вештачкој интелигенцији

Многи људи користе термине машинско учење, науку о подацима и вештачку интелигенцију наизменично. Али то нису исте ствари.

Машинско учење се користи у науци података за предвиђање и откривање образаца у вашим подацима.

Наука о подацима више се фокусира на статистику и алгоритме и тумачење резултата. Машинско учење је више усмерено на софтвер и аутоматизацију ствари.

Вештачка интелигенција се односи на способност рачунара да разуме и учи из података, док доноси одлуке засноване на скривеним обрасцима које би људима било готово немогуће докучити.

Машинско учење је попут гране вештачке интелигенције. Машинско учење ћемо користити за постизање вештачке интелигенције.

Вештачка интелигенција је широка тема и покрива ствари попут рачунарског вида, интеракције човека и рачунара и аутономије где би се машинско учење користило у свакој од тих апликација.

Различите врсте машинског учења

Постоје три врсте машинског учења које ћете чути и о којима ћете читати: учење под надзором, учење под надзором и учење без надзора.

Учење под надзором

Ово је категорија у коју спада већина проблема са машинским учењем. То је када имате улазне и излазне променљиве и покушавате да направите мапирање између њих.

То се назива надгледано учење, јер податке можемо користити да бисмо модел научили правом одговору.

Алгоритам ће правити предвиђања на основу података и полако ће се исправљати док се та предвиђања не подударају са очекиваним излазом.

Већина проблема који се покривају учењем под надзором могу се решити класификацијом или регресијом. Све док сте означили податке, радите са надгледањем машинског учења.

Учење под надзором

Већина проблема из стварног света спада у ову област због наших скупова података.

У многим случајевима ћете имати велики скуп података где су неки подаци означени, али већина њих није. Понекад може бити прескупо ако стручњак прође и означи све ове податке, па користите комбинацију учења под надзором и без надзора.

Једна стратегија је коришћење означених података за нагађање о необележеним подацима, а затим коришћење тих предвиђања као њихових ознака. Тада све податке можете користити у некаквом моделу учења под надзором.

Будући да је могуће и на овим скуповима података изводити учење без надзора, размислите да ли би то могао бити ефикаснији начин.

Учење без надзора

Када имате само улазне податке, а нема придружених излазних података и желите да модел направи образац који тражите, тада улазите у учење без надзора.

Ваш алгоритам ће измислити нешто што за њега има смисла на основу параметара које му дате.

Ово је корисно када имате пуно наизглед случајних података и желите да видите има ли у њима занимљивих образаца. Ови проблеми су обично одлични за алгоритме кластерисања и дају вам неке неочекиване резултате.

Практична употреба машинског учења за програмере

Класификација

Када желите да предвидите ознаку за неке улазне податке, ово је проблем класификације.

Машинско учење обрађује класификацију градећи модел који узима податке који су већ означени и користи их за предвиђање нових података. У основи дајете нови унос и даје вам ознаку за коју мисли да је тачна.

Предвиђање одбијања купаца, класификација лица и медицински дијагностички тестови користе различите врсте класификације.

Иако сви ови спадају у различите домене класификације, сви они додељују вредности на основу података које су њихови модели користили за обуку. Све предвиђене вредности су тачне. Дакле, предвиђаћете вредности попут имена или логичке вредности.

Регресија

Регресија је занимљива јер прелази машинско учење и статистику. Слична је класификацији јер се користи за предвиђање вредности, осим што предвиђа континуиране вредности уместо дискретних вредности.

Дакле, ако желите да предвидите распон плата на основу година искуства и познатих језика или желите да предвидете цену куће на основу локације и квадратних метара, решавали бисте проблем регресије.

Постоје различите технике регресије за руковање свим врстама скупова података, чак и нелинеарним подацима.

Постоје подршка за векторску регресију, једноставну линеарну регресију и полиномску регресију међу многим другима. Постоји довољно техника регресије да се уклопе у било који скуп података који имате.

Груписање

Ово прелази у другу врсту машинског учења. Груписање се бави задацима учења без надзора. То је попут класификације, али ниједан од података није означен. На алгоритму је да пронађе и означи тачке података.

Ово је сјајно када имате масиван скуп података и не знате ниједан образац између њих или тражите необичне везе.

Кластерирање помаже када желите да пронађете аномалије и одступања у подацима без трошења стотина сати ручног означавања тачака података.

У овом случају, често не постоји најбољи алгоритам, а најбољи начин да пронађете оно што одговара вашим подацима је тестирање различитих алгоритама.

Неколико алгоритама за груписање укључују: К-Меанс, ДБСЦАН, Аггломеративе Цлустеринг и Аффинити Пропагатион. Неки покушаји и грешке ће вам помоћи да брзо пронађете који алгоритам је најефикаснији за вас.

Дубоко учење

Ово је поље машинског учења које користи алгоритме инспирисане начином на који мозак ради. Укључује неуронске мреже које користе велике некласификоване скупове података.

Учинак се обично побољшава количином података које уносите у алгоритам дубинског учења. Ова врста проблема бави се необележеним подацима који покривају већину доступних података.

Постоји низ алгоритама које можете користити са овом техником, попут конволуционих неуронских мрежа, мрежа дуготрајне меморије или дубоке К-мреже.

Сваки од њих користи се у пројектима попут рачунарског вида, аутономних возила или анализе ЕЕГ сигнала.

Алати које бисте могли користити

Доступни су бројни алати које можете користити за скоро сваки проблем машинског учења који имате.

Ево кратке листе неких од уобичајених пакета које ћете наћи у многим апликацијама за машинско учење.

Pandas: This is a general data analysis tool in Python. It helps when you need to work with raw data. It handles textual data, tabular data, time series data, and more.

This package is used to format data before training a machine learning model in many cases.

Tensorflow: You can build any number of machine learning applications with this library. You can run it on GPUs, use it to solve IoT problems, and it's great for deep learning.

This is the library that can handle just about anything, but it takes some time to get up to speed with it.

SciKit: This is similar to TensorFlow in the scope of machine learning applications it can be used for. A big difference is the simplicity you get with this package.

If you're familiar with NumPy, matplotlib, and SciPy, you'll have no problems getting started with this. You can create models to handle vehicle sensor data, logistics data, banking data, and other contexts.

Keras: When you want to work on a deep learning project, like a complex robotics project, this is a specific library that will help.

It's built on top of TensorFlow and makes it easy for people to create deep learning models and ship them to production. Y

ou'll see this used a lot on natural language processing applications and computer vision applications.

NLTK: Natural language processing is a huge area of machine learning and this package is focused on it.

This is one of the packages you can use to streamline your NLP projects. It's still being actively developed and there's a good community around it.

BERT: BERT is an open-source library created in 2018 at Google. It's a new technique for NLP and it takes a completely different approach to training models than any other technique. B

ERT is an acronym for Bidirectional Encoder Representations from Transformers. That means unlike most techniques that analyze sentences from left-to-right or right-to-left, BERT goes both directions using the Transformer encoder. Its goal is to generate a language model.

Brain.js: This is one of the better JavaScript machine learning libraries. You can convert your model to JSON or use it directly in the browser as a function and you still have the flexibility to handle most common machine learning projects.

It's super quick to get started with and it has some great docs and tutorials.

Full machine learning example

Just so you have an idea of what a machine learning project might look like, here's an example of the entire process.

Getting data

Arguably the hardest part of a machine learning project is getting the data. There are a lot of online resources you can use to get data sets for machine learning, and here's a list of some of them.

  • Critical care data set
  • Human heights and weights
  • Credit card fraud
  • IMDB reviews
  • Twitter airline sentiment
  • Song data set
  • Wine quality data set
  • Boston housing data set
  • MNIST handwritten digits
  • Joke ratings
  • Amazon reviews
  • Text message spam collection
  • Enron emails
  • Recommender system data sets
  • COVID data set

We'll use the white wine quality data set for this example and try to predict wine density.

Most of the time data won't be this clean when it comes to you and you'll have to work with it to get it in the format you want.

But even with data like this, we're still going to have to do some cleaning.

Choosing features

We're going to pick out a few features to predict the wine density. The features we'll work with are: quality, pH, alcohol, fixed acidity, and total sulfur dioxide.

This could have been any combination of the available features and I chose these arbitrarily. Feel free to use any of the other features instead of these, or feel free to use all of them!

Choosing algorithms

Now that you know the problem you're trying to solve and the data that you have to work with, you can start looking at algorithms.

Since we're trying to predict a continuous value based on several features, this is mostly likely a regression problem. If we were trying to predict a discrete value, like the type of wine, then that would likely be a classification problem.

This is why you have to know your data before you jump into the machine learning tools.

It helps you narrow down the number of algorithms you can choose for your problem. The multivariate regression algorithm is where we'll start. This is commonly used when you are dealing with multiple parameters that will impact the final result.

The multivariate regression algorithm is like the regular regression algorithm except you can have multiple inputs. The equation behind it is:

y = theta_0 + sum(theta_n * X_n)

We initialize both the theta_0 (the bias term) and theta_n terms to some value, typically 1 or 0 unless you have some other information to base these values on.

After the initial values have been set, we try to optimize them to fit the problem. We do that by solving the gradient descent equations:

theta_0 = theta_0 - alpha * (1 / m) * sum(y_n - y_i) theta_n = theta_n - alpha * (1 / m) * sum(y_n - y_i) * X_n

where y_n is the predicted value based on the algorithm's calculations and y_i is the value we have from our data or the expected value.

We want the margin of error between the predicted value and the real value to be as small as possible. That's the reason we're trying to optimize theta values. This is so we can minimize the cost function for predicting output values.

Here's the cost function equation:

J(theta_n) = (1 / 2m) * sum(y_n - y_i)^2

That's all of the math we need to build and train the model, so let's get started.

Pre-processing data

The first thing you want to do is check and see what our data looks like. I've done some modifications to that wine quality data set so that it will work with our algorithm.

You can download it here: //github.com/flippedcoder/probable-waddle/blob/master/wine-quality-data.csv.

All I've done is take the original file, removed the unneeded features, moved the density to the end, and cleaned up the format.

Now we can get to the real pre-processing part! Make a new file called multivariate-wine.py. This file should be in the same folder as the data set.

The first thing we'll do in this file is import some packages and see what the data set looks like.

import pandas as pd import numpy as np import matplotlib.pyplot as plt df = pd.read_csv('./wine-quality-data.csv', header=None) print(df.head())

You should see something like this in your terminal.

Ц: мултивариате-регрессион-вине.пи 7.е 6.3 9.5 97 .ø 7.2 7.2 8. 1 17ø.ø 132.ø 186.ø 186.ø 3.øø 3 30 3.26 3. 19 3. 19 9 6 6 6 6 6 1. øеле ø.  994 € ø.  9951

The data looks good to go for the multivariate regression algorithm, so we can start building the model. I do encourage you to try and start with the raw white wine data set to see if you can find a way to get it to the correct format.

Building the model

We need to add a bias term to the data because, as you saw in the explanation of the algorithm, we need it because it's the theta_0 term.

df = pd.concat([pd.Series(1, index=df.index, name="00"), df], axis=1)

Since the data is ready, we can define the independent and dependent variables for the algorithm.

X = df.drop(columns=5) y = df.iloc[:, 6]

Now let's normalize the data by dividing each column by the max value in that column.

You don't really have to do this step, but it will help speed up the training time for the algorithm. It also helps to prevent one feature from being more dominate than other features.

for i in range(1, len(X.columns)): X[i-1] = X[i-1]/np.max(X[i-1])

Let's take a look at the data since the normalization.

print(X.head())

You should see something similar to this in the terminal.

The data is ready now and we can initialize the theta parameter. That just means we're going to make an array of ones that has the same number of columns as the input variable, X.

theta = np.array([1]*len(X.columns))

It should look like this if you print it in your terminal, although you don't need to print it if you don't want to.

[1 1 1 1 1 1]

Then we're going to set the number training points we'll take from the data. We will leave 500 data points out so we can use them for testing later. This is going to be the value for m from the gradient descent equation we went over earlier.

m = len(df) - 500

Now we get to start writing the functions we'll need to train the model after it's built. We'll start with the hypothesis function which is just the input variable multiplied by the theta_n parameter.

def hypothesis(theta, X): return theta * X

Next we'll define the cost model which will give us the error margin between the real and predicted values.

def calculateCost(X, y, theta): y1 = hypothesis(theta, X) y1 = np.sum(y1, axis=1) return (1 / 2 * m) * sum(np.sqrt((y1 - y) ** 2))

The last function we need before our model is ready to run is a function to calculate gradient descent values.

def gradientDescent(X, y, theta, alpha, i): J = [] # cost function for each iteration k = 0 while k < i: y1 = hypothesis(theta, X) y1 = np.sum(y1, axis=1) for c in range(1, len(X.columns)): theta[c] = theta[c] - alpha * (1 / m) * (sum((y1 - y) * X.iloc[:, c])) j = calculateCost(X, y, theta) J.append(j) k += 1 return J, j, theta

With these three functions in place and our data clean, we can finally get to training the model.

Training the model

The training part is the fun part and also the easiest. If you've set your algorithm up correctly, then all you'll have to do is take the optimized parameters it gives you and make predictions.

We're returning a list of costs at each iteration, the final cost, and the optimized theta values from the gradient descent function. So we'll get the optimized theta values and use them for testing.

J, j, theta = gradientDescent(X, y, theta, 0.1, 10000)

After all of the work of setting up the functions and data correctly, this single line of code trains the model and gives us the theta values we need to start predicting values and testing the accuracy of the model.

Testing the model

Now we can test the model by making a prediction using the data.

y_hat = hypothesis(theta, X) y_hat = np.sum(y_hat, axis=1)

After you’ve checked a few values, you'll know if your model is accurate enough or if you need to do more tuning on the theta values.

If you feel comfortable with your testing results, you can go ahead and start using this model in your projects.

Using the model

The optimized theta values are really all you need to start using the model. You'll continue to use the same equations, even in production, but with the best theta values to give you the most accurate predictions.

You can even continue training the model and try and find better theta values.

Final thoughts

Machine learning has a lot of layers to it, but none of them are too complex. They just start to stack which makes it seem more difficult than it is.

If you're willing to spend some time reading about machine learning libraries and tools, it's really easy to get started. You don't need to know any of the advanced math and statistics to learn the concepts or even to solve real world problems.

The tools are more advanced than they used to be so you can be a machine learning engineer without understanding most of the math behind it.

The main thing you need to understand is how to handle your data. That's the part no one likes to talk about. The algorithms are fun and exciting, but there may be times you need to write SQL procedures to get the raw data you need before you even start processing it.

Постоји толико много апликација за машинско учење од видео игара до медицине до аутоматизације производње.

Само одвојите мало времена и направите мали модел ако вас занима машинско учење. Како вам буде угодније, додајте се том моделу и наставите учити више.