機器學習
(二)監督式學習(Supervised)
監督式學習分成線性迴歸與分類兩種,線性迴歸用於預測連續性的數值,分類用於預測離散性的分類標籤或類別。
線性迴歸(Linear Regression)
線性回歸用於預測連續的數值,例如:預測血壓數值,使用體重、年齡、身高、睡眠與遺傳進行預測。
進階範例:使用XGBRegressor與GridSearchCV進行線性迴歸分析
分類(Classification)
用於預測離散的分類標籤或類別,例如:預測是否有糖尿病,使用體重、年齡、身高、睡眠、遺傳、飲食習慣進行預測。
用於預測是否、對錯、成功與否,用於預測二分類問題。
Step1)從資料集選擇一個屬性
Step2)計算屬性的重要性
Step3)根據屬性值分割資料
Step4)回到Step1
範例:使用決策樹進行病人用藥分
Step1)選擇K值
Step2)計算所有點到未知點的距離
Step3)選取最靠近未知點的K個點
Step4)使用最接近的K個點預測屬性值
Ch7 Support Vector Machines(支持向量機)
將資料映射到高維度空間造成資料可分割
適用情境:影片辨識、文字分析、語意分析
範例:使用Support Vector Machines分類鳶尾花
範例:使用SVM分類垃圾郵件
(三)非監督式學習 (Unsupervised)
分群(Clustering)
在資料集中相似的資料放在同一群,不相似的資料放到其他群。
分群用於辨識顧客的貢獻度、信用卡會違約與不會違約的顧客、推薦相似的書給顧客、辨識顧客的購買行為、辨識病人行為等
(1)K-means分群
Step1)隨機挑選K個中心點
Step2)每一個資料依據距離這K個中心點的距離,歸屬到最近的中心點,分成K群
Step3)這K群重新計算中心點。
Step4)回到Step2使用新的中心點重新分群,直到K個中心點不再移動
(四)神經網路(深度學習)
Artificial Neural Networks(ANN,人工神經網路,類神經網路),也可以去除Artificial,簡稱神經網路(Neural Network , NN)
(2)Convolutional Neural Network(卷積神經網路,縮寫為CNN)
範例:使用CNN進行圖片辨識
*影像辨識模組Xception 、VGG16、VGG19、ResNet50、InceptionV3、InceptionResNetV2與MobileNet
(五)人工智慧的應用
Natural Language Processing(自然語言處理)
GPU
Kaggle
從Kaggle下載檔案
股價預測
語音辨識
Raspberry3使用SpeechRecognition套件進行語音辨識
Windows10使用SpeechRecognition套件進行語音辨識
使用Google Speech Command Dataset資料集進行語音分析
圖像辨識
Raspberry3使用WebCam+OpenCV進行人臉辨識
Windows10使用WebCam+OpenCV進行人臉辨識
YOLOV4
Windows10安裝yolov4,並進行影像、影片與攝影機辨識
Windows11安裝yolov4,並進行影像、影片與攝影機辨識
Jetson nano安裝yolov4,並進行影像、影片辨識
在Google Colab安裝yolov4進行訓練與開啟攝影機進行辨識