ist eindeutig ein Bereich, der in den letzten Jahren verrückte Fortschritte gemacht hat. Dieser Trend und diese Fortschritte haben in der Branche viele Beschäftigungsmöglichkeiten geschaffen. Der Bedarf an Ingenieure für maschinelles Lernen sind sehr gefragt und dieser Anstieg ist auf die Weiterentwicklung der Technologie und die Erzeugung großer Datenmengen, auch bekannt als Big Data, zurückzuführen. In diesem Artikel werde ich die erstaunlichsten maschinellen Lernprojekte, die man unbedingt kennen und mit denen man arbeiten sollte, in der folgenden Reihenfolge diskutieren:
- Was ist maschinelles Lernen?
- Schritte des maschinellen Lernens
- Arten des maschinellen Lernens
- Anwendungsfälle für die Industrie
- Open Source-Projekte für maschinelles Lernen für 2019
Was ist maschinelles Lernen?
Maschinelles Lernen ist ein Konzept, mit dem die Maschine aus Beispielen und Erfahrungen lernen kann, und das auch ohne explizite Programmierung. Anstatt den Code zu schreiben, geben Sie Daten an den generischen Algorithmus weiter, und der Algorithmus / die Maschine erstellt die Logik basierend auf den angegebenen Daten.
Schritte des maschinellen Lernens
Jeder Algorithmus für maschinelles Lernen folgt einem gemeinsamen Muster oder Schritten.
Daten sammeln: In dieser Phase werden alle relevanten Daten aus verschiedenen Quellen gesammelt
Daten-Wrangling: Es ist der Prozess des Bereinigens und Konvertierens von „Rohdaten“ in ein Format, das einen bequemen Verbrauch ermöglicht
Daten analysieren: Die Daten werden analysiert, um die zur Vorbereitung des Modells erforderlichen Daten auszuwählen und zu filtern
Zugalgorithmus: Der Algorithmus wird auf dem Trainingsdatensatz trainiert, durch den der Algorithmus das Muster und die Regeln versteht, die die Daten regeln
Testmodell: Der Testdatensatz bestimmt die Genauigkeit unseres Modells.
Einsatz: Wenn die Geschwindigkeit und Genauigkeit des Modells akzeptabel sind, sollte dieses Modell im realen System bereitgestellt werden. Nachdem das Modell basierend auf seiner Leistung bereitgestellt wurde, wird das Modell aktualisiert und verbessert, wenn die Leistung nachlässt. Das Modell wird umgeschult.
Arten des maschinellen Lernens
Maschinelles Lernen ist in drei Typen unterteilt:
Überwachtes Lernen: Hier haben Sie Eingabevariablen (x) und eine Ausgabevariable (Y) und verwenden einen Algorithmus, um die Zuordnungsfunktion von der Eingabe zur Ausgabe zu lernen.
Unbeaufsichtigtes Lernen: Manchmal sind die angegebenen Daten unstrukturiert und unbeschriftet. Daher wird es schwierig, diese Daten in verschiedene Kategorien einzuteilen. Unbeaufsichtigtes Lernen hilft, dieses Problem zu lösen. Dieses Lernen wird verwendet, um die Eingabedaten auf der Grundlage ihrer statistischen Eigenschaften in Klassen zu gruppieren.
Reinforcement Learning: Es geht darum, geeignete Maßnahmen zu ergreifen, um die Belohnung in einer bestimmten Situation zu maximieren.
Wenn es um verstärkendes Lernen geht, wird kein Output erwartet. Der Verstärkungsagent entscheidet, welche Maßnahmen er ergreifen muss, um eine bestimmte Aufgabe auszuführen. Wenn kein Trainingsdatensatz vorhanden ist, muss er aus seinen Erfahrungen lernen.
Schauen wir uns nun einige reale maschinelle Lernprojekte an, mit denen Unternehmen Gewinne erzielen können.
Anwendungsfälle für die Industrie
1. BEWEGUNGSSTUDIO
Domain: Halb
Fokus: Auswahlprozess optimieren
java system.exit (1)
Geschäftliche Herausforderung: Motion Studio ist das größte Radioproduktionshaus in Europa. Mit einem Umsatz von mehr als einer Milliarde Dollar hat das Unternehmen beschlossen, eine neue Reality-Show zu starten: RJ Star. Die Resonanz auf die Show ist beispiellos und das Unternehmen ist mit Sprachclips überflutet. Als ML-Experte müssen Sie die Stimme als männlich / weiblich klassifizieren, damit die erste Filtrationsstufe schneller ist.
Schlüsselprobleme: Sprachbeispiele sind über Akzente hinweg.
Geschäftsvorteil: Schon seit RJ Star ist eine Reality-Show, die Zeit für die Auswahl der Kandidaten ist sehr kurz. Der gesamte Erfolg der Show und damit der Gewinn hängen von einer schnellen und reibungslosen Ausführung ab
Pandas als pd importieren numpy als np importieren matplotlib.pyplot als plt importieren seaborn als sns% matplotlib inline importieren warnings warnings.filterwarnings ('ignore') df = pd.read_csv ('voice-klassifikation.csv') df.head ()# Überprüfen Sie die Nr. von Datensätzen df.info () df.describe () df.isnull (). sum ()
print ('Form der Daten:', df.shape) print ('Gesamtzahl der Etiketten: {}'. Format (df.shape [0])) print ('Anzahl der Männer: {}'. Format (df [) df.label == 'männlich']. Form [0])) print ('Anzahl der Frauen: {}'. Format (df [df.label == 'weiblich']. Form [0]))
X = df.iloc [:,: -1] print (df.shape) print (X.shape)
aus sklearn.preprocessing importieren LabelEncoder y = df.iloc [:, - 1] gender_encoder = LabelEncoder () y = gender_encoder.fit_transform (y) y aus sklearn.preprocessing importieren StandardScaler scaler = StandardScaler () scaler.fit (X) X = scaler.transform (X) aus sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0.3, random_state = 100) aus sklearn.svm importieren SVC aus sklearn importieren Metriken aus sklearn.metrics , confusion_matrix svc_model = SVC () svc_model.fit (X_train, y_train) y_pred = svc_model.predict (X_test) print ('Genauigkeitsfaktor:') print (metrics.accuracy_score (y_test, y_pred))print (verwirrungsmatrix (y_test, y_pred))
2. LITHIONSKRAFT
Domain: Automobil
Fokus: Treiber anregen
Geschäftliche Herausforderung: Lithionpower ist der größte Anbieter von Batterien für Elektrofahrzeuge (E-Fahrzeuge). Fahrer mieten die Batterie normalerweise für einen Tag und ersetzen sie dann durch eine geladene Batterie des Unternehmens. Lithionpower verfügt über ein variables Preismodell, das auf der Fahrhistorie des Fahrers basiert. Da die Lebensdauer einer Batterie von Faktoren wie Überdrehzahl, gefahrene Strecke pro Tag usw. abhängt, müssen Sie als ML-Experte ein Cluster-Modell erstellen, in dem die Fahrer anhand der Fahrdaten gruppiert werden können.
Schlüsselprobleme: Die Treiber werden basierend auf dem Cluster gefördert, daher muss die Gruppierung genau sein.
Geschäftsvorteile: Gewinnsteigerung von bis zu 15-20%, da Fahrer mit schlechter Vorgeschichte mehr verlangen.
Pandas als pd importieren numpy als np importieren matplotlib.pyplot als plt importieren seegeboren als sns sns.set () # für Plotstil% matplotlib Inline-Importwarnungen warnings.filterwarnings ('ignorieren') matplotlib.pyplot importieren als plt plt.rcParams [ 'figure.figsize'] = (12, 6) df = pd.read_csv ('driver-data.csv') df.head ()df.info () df.describe ()
aus sklearn.cluster importieren KMeans # 2 Cluster nehmen kmeans = KMeans (n_clusters = 2) df_analyze = df.drop ('id', axis = 1) kmeans.fit (df_analyze)kmeans.cluster_centers_
print (kmeans.labels_) print (len (kmeans.labels_))
print (Typ (kmeans.labels_)) einzigartig, Anzahl = np.unique (kmeans.labels_, return_counts = True) print (dict (zip (einzigartig, Anzahl)))
df_analyze ['cluster'] = kmeans.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', palette = 'coolwarm', size = 6, Aspekt = 1, fit_reg = False)#Jetzt überprüfen wir die Cluster, wenn n = 4 kmeans_4 = KMeans (n_clusters = 4) kmeans_4.fit (df.drop ('id', Achse = 1)) kmeans_4.fit (df.drop ('id', Achse) = 1)) print (kmeans_4.cluster_centers_) einzigartig, Anzahl = np.unique (kmeans_4.labels_, return_counts = True) kmeans_4.cluster_centers_ print (dict (zip (einzigartig, Anzahl)))df_analyze ['cluster'] = kmeans_4.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', palette = 'coolwarm', size = 6, Aspekt = 1, fit_reg = False)
3. BluEx
Domain: Logistik
Fokus: Optimaler Pfad
Geschäftliche Herausforderung: BluEx ist ein führendes Logistikunternehmen in Indien. Es ist bekannt für die effiziente Zustellung von Paketen an Kunden. BluEx steht jedoch vor einer Herausforderung, bei der seine Van-Fahrer einen suboptimalen Lieferweg einschlagen. Dies führt zu Verzögerungen und höheren Kraftstoffkosten. Sie als ML-Experte müssen mithilfe von Reinforcement Learning ein ML-Modell erstellen, damit ein effizienter Weg durch das Programm gefunden wird.
Schlüsselprobleme: Daten haben viele Attribute und die Klassifizierung kann schwierig sein.
Geschäftsvorteile: Durch den optimalen Weg können bis zu 15% der Kraftstoffkosten eingespart werden.
importiere numpy als np importiere pylab als plt importiere networkx als nx #Initialisierungspunkte points_list = [(0,1), (1,5), (5,6), (5,4), (1,2), (2 , 3), (2,7)] Ziel = 7 Zuordnung = {0: 'Start', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5 ', 6:' 6 ', 7:' 7-Destination '} G = nx.Graph () G.add_edges_from (points_list) pos = nx.spring_layout (G, k = .5, center = points_list [2]) nx .draw_networkx_nodes (G, pos, node_color = 'g') nx.draw_networkx_edges (G, pos, edge_color = 'b') nx.draw_networkx_labels (G, pos) plt.show ()NO_OF_POINTS = 8 #Inititlaizing R Matrix R = np.matrix (np.ones (Form = (NO_OF_POINTS, NO_OF_POINTS))) R * = -1 für Punkt in der Punkteliste: print (Punkt) wenn Punkt [1] == Ziel: R. [Punkt] = 150 sonst: R [Punkt] = 0 wenn Punkt [0] == Ziel: R [Punkt [:: - 1]] = 150 sonst: # Umkehrung von Punkt R [Punkt [:: - 1]] = 0
R [Ziel, Ziel] = 150 R.
Q = np.matrix (np.zeros ([NO_OF_POINTS, NO_OF_POINTS])) # Der Lernparameter gamma = 0,8 initial_state = 1 def available_actions (state): current_state_row = R [state,] av_act = np.where (current_state_row & ampampampgt = 0 ) [1] return av_act available_act = available_actions (initial_state) def sample_next_action (available_actions_range): next_action = int (np.random.choice (available_act, 1)) return next_action action = sample_next_action (available_act) def update (current_state, action, gamma) : max_index = np.where (Q [Aktion,] == np.max (Q [Aktion,])) [1] wenn max_index.shape [0] & ampampampgt 1: max_index = int (np.random.choice (max_index, Größe = 1)) sonst: max_index = int (max_index) max_value = Q [Aktion, max_index] Q [aktueller_Zustand, Aktion] = R [aktueller_Zustand, Aktion] + Gamma * max_Wert print ('max_Wert', R [aktueller_Zustand, Aktion] + gamma * max_value) if (np.max (Q) & ampampampgt 0): return (np.sum (Q / np.max (Q) * 100)) else: return (0) update (initial_state, action, gamma)Scores = [] für i im Bereich (700): current_state = np.random.randint (0, int (Q.shape [0])) available_act = available_actions (current_state) action = sample_next_action (available_act) score = update (current_state, action, gamma) score.append (score) print ('Score:', str (score)) print ('Trained Q matrix:') print (Q / np.max (Q) * 100) # Testen von current_state = 0 Schritte = [current_state] while current_state! = 7: next_step_index = np.where (Q [current_state,] == np.max (Q [current_state,])) [1] if next_step_index.shape [0] & ampampampgt 1: next_step_index = int (np.random.choice (next_step_index, size = 1)) else: next_step_index = int (next_step_index) steps.append (next_step_index) current_state = next_step_indexprint ('Effizientester Pfad:') print (Schritte) plt.plot (Scores) plt.show ()Open Source-Projekte für maschinelles Lernen im Jahr 2019
Detectron :: Detectron ist das Softwaresystem von Facebook AI Research, das modernste Objekterkennungsalgorithmen implementiert. Es ist in Python geschrieben und basiert auf dem Caffe2 Deep Learning Framework.
Das Ziel von Detectron ist es, eine qualitativ hochwertige und leistungsstarke Codebasis für die Objekterkennungsforschung bereitzustellen. Es soll flexibel sein, um eine schnelle Umsetzung und Bewertung neuartiger Forschung zu unterstützen. Es enthält mehr als 50 vorgefertigte Modelle.
Denspose :: Eine dichte Schätzung der menschlichen Pose zielt darauf ab, alle menschlichen Pixel eines RGB-Bildes auf die 3D-Oberfläche des menschlichen Körpers abzubilden. DensePose-RCNN ist im Detectron-Framework implementiert.
c ++ Fibonacci-Rekursion
TensorFlow.js :: Es ist eine Bibliothek zum Entwickeln und Trainieren von ML-Modellen und zum Bereitstellen im Browser. Es ist seit seiner Veröffentlichung Anfang dieses Jahres eine sehr beliebte Veröffentlichung geworden und überrascht weiterhin mit seiner Flexibilität. Damit können Sie
- ML im Browser entwickeln: Verwenden Sie flexible und intuitive APIs, um Modelle mithilfe der linearen JavaScript-Algebra-Bibliothek auf niedriger Ebene oder der Ebenen-API auf hoher Ebene von Grund auf neu zu erstellen.
- Führen Sie vorhandene Modelle aus : Verwenden Sie die Modellkonverter von TensorFlow.js, um bereits vorhandene TensorFlow-Modelle direkt im Browser auszuführen.
- Bestehende Modelle neu trainieren: Trainieren Sie bereits vorhandene ML-Modelle mithilfe von Sensordaten, die mit dem Browser verbunden sind, oder anderer clientseitiger Daten.
Wellenglühen: Maschinelles Lernen macht auch große Fortschritte in der Audioverarbeitung und generiert nicht nur Musik oder Klassifizierung. WaveGlow ist ein Flow-basiertes generatives Netzwerk für die Sprachsynthese von NVIDIA. Die Forscher haben auch die Schritte aufgelistet, die Sie ausführen können, wenn Sie Ihr eigenes Modell von Grund auf neu trainieren möchten.
Bildmalerei :: Stellen Sie sich vor, Sie haben ein halbes Bild einer Szene und möchten die gesamte Szenerie. Genau das kann Image Outpainting für Sie tun. Dieses Projekt ist eine Keras-Implementierung von Stanfords Image Outpainting-Papier. Das Modell wurde mit trainiert 3500 verschrottete Stranddaten mit Argumentation von insgesamt bis zu 10.500 Bilder für 25 Epochen .
Dies ist ein erstaunliches Papier mit einer detaillierten schrittweisen Erklärung. Ein Muss für alle Enthusiasten des maschinellen Lernens. Persönlich ist dies mein Lieblingsprojekt für maschinelles Lernen.
Tiefe malerische Harmonisierung :: Wenn wir über Bilder sprechen, ist dies ein Meisterwerk. Dieser Algorithmus verwendet ein Bild als Eingabe. Wenn Sie dem Bild ein externes Element hinzufügen, wird dieses Element in die Umgebung eingefügt, als wäre es ein Teil davon.
Kannst du den Unterschied erkennen? Kein Recht? Dies zeigt uns, wie weit wir beim maschinellen Lernen gekommen sind.
DeepMimic: Schauen Sie sich die Bilder hier genau an. Sie sehen eine Strichmännchen, die Spin-Kick, Backflip und Cartwheel ausführt. Dass mein Freund das Lernen in Aktion verstärkt. DeepMimic ist ein beispielhaftes Deep Reinforcement-Lernen von physikbasierten Charakterfähigkeiten.
Magenta :: Magenta ist ein Forschungsprojekt, das die Rolle des maschinellen Lernens bei der Schaffung von Kunst und Musik untersucht. Dies beinhaltet in erster Linie die Entwicklung neuer Deep-Learning- und Enforcement-Lernalgorithmen zum Generieren von Songs, Bildern, Zeichnungen und anderen Materialien.
Es ist auch eine Erforschung des Aufbaus intelligenter Werkzeuge und Schnittstellen, die es Künstlern und Musikern ermöglichen, sich zu erweitern ( nicht ersetzen! ) ihre Prozesse unter Verwendung dieser Modelle. Verbreite deine Flügel, erstelle deine einzigartigen Inhalte für Instagram oder Soundcloud und werde ein Influencer.
Also Leute, damit sind wir am Ende dieses erstaunlichen Artikels über maschinelle Lernprojekte angelangt. Probieren Sie diese Beispiele aus und teilen Sie uns dies im Kommentarbereich unten mit. Ich hoffe, Sie haben die praktische Umsetzung des maschinellen Lernens in der Branche kennengelernt. Edurekas macht Sie mit Techniken wie überwachtem Lernen, unbeaufsichtigtem Lernen und Verarbeitung natürlicher Sprache vertraut. Es umfasst Schulungen zu den neuesten Fortschritten und technischen Ansätzen im Bereich künstliche Intelligenz und maschinelles Lernen wie Deep Learning, grafische Modelle und Reinforcement Learning