Koneoppimisen perusteet kehittäjille

Nykyisellä teknologiaympäristössä kehittäjillä odotetaan olevan useita erilaisia ​​taitoja. Ja monet heistä tekevät.

Kehittäjillä on myös paljon erilaisia ​​urapolkuja, jotka käyttävät monia nykyisiä taitojaan pienellä väännöllä.

Tietokannan ylläpitäjillä, kehittäjien puolustajilla ja koneoppimisinsinööreillä on kaikilla kehittäjillä yksi yhteinen asia: he kaikki osaavat koodata. Ei ole väliä mitä kieliä käytetään, he kaikki ymmärtävät hyvän koodin kirjoittamisen peruskäsitteet.

Tämä on yksi syy siihen, miksi monet ohjelmistokehittäjät harkitsevat koneoppimisen insinöörejä. Kun kaikki työkalut ja paketit ovat käytettävissä, tarkkojen tulosten saamiseksi ei tarvitse olla syvää matemaattista taustaa.

Jos haluat oppia käyttämään joitain kirjastoja ja saada korkean tason käsityksen taustalla olevasta matematiikasta, voit tulla koneoppimisinsinööriksi.

Tässä artikkelissa tutustutaan koneoppimisen joihinkin pääkäsitteisiin, jotka sinun on ymmärrettävä ohjelmistokehittäjän taustasta.

Lopetamme esimerkin koko koneoppimisprojektista datan hankkimisesta arvon ennustamiseen mallilla. Loppuun mennessä sinulla pitäisi olla tarpeeksi tietoa suorittaaksesi pienen oman koneoppimisprojektin tyhjästä.

Mitä koneoppiminen on?

Siellä on paljon määritelmiä. Mutta koneoppimiseen sisältyy pohjimmiltaan matematiikan käyttö mallien löytämiseen valtavista tietomääristä ennusteiden tekemiseen uusien tietojen perusteella.

Kun se on löytänyt nuo mallit, voit sanoa, että sinulla on koneoppimismalli.

Sieltä voit mallin avulla tehdä ennusteita uusille tiedoille, joita malli ei ole koskaan ennen nähnyt.

Tavoitteena on saada tietokoneet parantumaan automaattisesti kokemuksen avulla tarjoamillaan algoritmeilla.

Algoritmi on vain matemaattinen yhtälö tai yhtälöjoukko, joka antaa tuloksen syöttötietojesi perusteella. Koneoppiminen käyttää algoritmeja etsimään ne mallit, joita etsimme.

Kun algoritmit altistuvat yhä useammalle tiedolle, ne alkavat tehdä tarkempia ennusteita. Lopulta algoritmien rakentama malli pystyy selvittämään oikean tuloksen ilman, että sitä olisi erikseen ohjelmoitu tekemään niin.

Tämä tarkoittaa, että tietokoneen pitäisi pystyä ottamaan vastaan ​​tietoja ja tekemään päätöksiä (ennusteita) ilman ihmisen apua.

Koneoppiminen vs. datatiede vs. tekoäly

Monet ihmiset käyttävät termejä koneoppiminen, datatiede ja tekoäly vaihtelevasti. Mutta ne eivät ole samoja asioita.

Koneoppimisen on käytetty data science tehdä ennusteita ja löytää malleja tietosi.

Datatiede keskittyy enemmän tilastoihin ja algoritmeihin sekä tulosten tulkintaan. Koneoppiminen on keskittynyt enemmän ohjelmistoon ja asioiden automatisointiin.

Tekoäly viittaa tietokoneen kykyyn ymmärtää ja oppia tiedoista samalla, kun hän tekee päätöksiä piilotettujen mallien perusteella, joita ihmisten on melkein mahdotonta selvittää.

Koneoppiminen on kuin tekoälyn haara. Käytämme koneoppimista keinotekoisen älykkyyden saavuttamiseen .

Tekoäly on laaja aihe, ja se kattaa asioita, kuten tietokonenäön, ihmisen ja tietokoneen väliset vuorovaikutukset ja autonomian, joissa koneoppimista käytettäisiin kussakin näistä sovelluksista.

Erilaiset koneoppiminen

Koneoppimista on kolme tyyppiä, joista kuulet ja luet: valvottu oppiminen, osittain valvottu oppiminen ja valvomaton oppiminen.

Ohjattu oppiminen

Tähän luokkaan eniten koneoppimisongelmia kuuluu. Se on silloin, kun sinulla on tulo- ja lähtömuuttujia ja yrität tehdä niiden välillä kartoituksen.

Sitä kutsutaan valvotuksi oppimiseksi, koska voimme käyttää tietoja opettaaksemme mallille oikean vastauksen.

Algoritmi tekee ennusteita tietojen perusteella ja sitä korjataan hitaasti, kunnes nämä ennusteet vastaavat odotettua tulosta.

Suurin osa valvotun oppimisen ongelmista voidaan ratkaista luokittelulla tai regressiolla. Niin kauan kuin olet merkinnyt tietoja, työskentelet valvotun koneoppimisen kanssa.

Puoliohjattu oppiminen

Useimmat reaalimaailman ongelmat kuuluvat tälle alueelle tietojoukkojemme takia.

Monissa tapauksissa sinulla on suuri tietojoukko, jossa osa tiedoista on merkitty, mutta suurin osa siitä ei ole. Joskus voi olla liian kallista, että asiantuntija käy läpi ja merkitsee kaikki nämä tiedot, joten käytät sekoitusta valvotusta ja valvomattomasta oppimisesta.

Yksi strategia on käyttää merkittyjä tietoja arvaamaan merkitsemättömiä tietoja ja käyttää sitten näitä ennusteita tunnisteina. Sitten voit käyttää kaikkia tietoja jonkinlaisessa valvotussa oppimismallissa.

Koska on mahdollista suorittaa myös valvomaton oppiminen näistä tietojoukoista, harkitse, olisiko tämä tehokkaampi tapa edetä.

Valvomaton oppiminen

Kun sinulla on vain syöttötietoja ja ei liitettyjä lähtötietoja ja haluat mallin tekemään etsimäsi mallin, syötät valvomatonta oppimista.

Algoritmisi tulee tekemään jotain, mikä on järkevää antamiesi parametrien perusteella.

Tämä on hyödyllistä, kun sinulla on paljon näennäisesti satunnaisia ​​tietoja ja haluat nähdä, onko niissä mielenkiintoisia kuvioita. Nämä ongelmat ovat yleensä hyviä algoritmien klusterointiin ja antavat sinulle odottamattomia tuloksia.

Koneoppimisen käytännön käyttö kehittäjille

Luokittelu

Kun haluat ennustaa tunnisteen joillekin syötetiedoille, tämä on luokitusongelma.

Koneoppiminen käsittelee luokituksen rakentamalla mallin, joka ottaa jo merkityt tiedot ja käyttää niitä uusien tietojen ennustamiseen. Pohjimmiltaan annat sille uuden syötteen ja se antaa sinulle etiketin, jonka hän pitää oikein.

Asiakkaan vaihtumisen, kasvoluokituksen ja lääketieteellisten diagnostisten testien ennustaminen käyttää kaikkia erilaisia ​​luokituksia.

Vaikka kaikki nämä kuuluvat eri luokitusalueisiin, ne kaikki antavat arvoja niiden mallien tietojen perusteella, joita heidän harjoitteluissaan käytettiin. Kaikki ennustetut arvot ovat tarkkoja. Joten ennustat arvot, kuten nimi tai totuusarvo.

Regressio

Regressio on mielenkiintoinen, koska se ylittää koneoppimisen ja tilastot. Se on samanlainen kuin luokittelu, koska sitä käytetään arvojen ennustamiseen, paitsi että se ennustaa jatkuvia arvoja erillisten arvojen sijaan.

So if you want to predict a salary range based on years of experience and languages known, or you want to predict a house price based on location and square footage, you would be handling a regression problem.

There are different regression techniques to handle all kinds of data sets, even non-linear data.

There's support vector regression, simple linear regression, and polynomial regression among many others. There are enough regression techniques out there to fit just about any data set you have.

Clustering

This moves into a different type of machine learning. Clustering handles unsupervised learning tasks. It's like classification, but none of the data is labeled. It's up to the algorithm to find and label data points.

This is great when you have a massive data set and you don't know of any patterns between them, or you're looking for uncommon connections.

Clustering helps when you want to find anomalies and outliers in your data without spending hundreds of hours manually labeling data points.

In this case, there's often not a best algorithm and the best way to find what works for your data is through testing different algorithms.

A few clustering algorithms include: K-Means, DBSCAN, Agglomerative Clustering, and Affinity Propagation. Some trial and error will help you quickly find what algorithm is the most efficient for you.

Deep learning

This is a field of machine learning that uses algorithms inspired by how the brain works. It involves neural networks using large unclassified data sets.

Typically performance improves with the amount of data you feed a deep learning algorithm. These types of problems deal with unlabeled data which covers the majority of data available.

There are a number of algorithms you can use with this technique, like Convolutional Neural Networks, Long Short-Term Memory Networks, or the Deep Q-Network.

Each of these are used in projects like computer vision, autonomous vehicles, or analyzing EEG signals.

Tools you might use

There are a number of tools available that you can use for just about any machine learning problem you have.

Here's a short list of some of the common packages you'll find in many machine learning applications.

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.

C: monimuuttuja- regressio- viini.py 7.e 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. øele 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.

Koneoppimiseen on niin monia sovelluksia videopeleistä lääketieteeseen valmistuksen automaatioon.

Ota vain vähän aikaa ja tee pieni malli, jos olet kiinnostunut koneoppimisesta. Kun alat tuntea olosi mukavammaksi, lisää malliin ja jatka oppimista.