Totes les lliçons

Curs

IA de 9è: Python i aprenentatge automàtic

Fes servir Python, NumPy i pandas per entrenar i avaluar models clàssics d’aprenentatge automàtic.

Fes les lliçons en ordre. Al final pots escriure Python amb estructures de dades i funcions reutilitzables. Pots sumar vectors, calcular probabilitats i trobar la mitjana i la desviació estàndard. Pots carregar, netejar i fer un gràfic d’una taula amb NumPy i pandas. Pots ajustar una recta a les dades, entrenar classificadors de regressió logística, d’arbre de decisió i de k-NN, i agrupar dades amb k-means. Pots calcular l’exactitud, la precisió i l’exhaustivitat, detectar el sobreajustament, comparar un model amb una línia de base simple i presentar prediccions d’un conjunt de dades ambiental.

Com fer servir aquestes lliçons

  • Comença a la lliçó que diu Fes això. Passa endavant quan puguis fer tu sol la línia de sota el títol.
  • Primer juga als Jocs. Després fes les Proves. 8 de 10 encerts per aprovar. Les Fitxes són en paper. Les respostes són a baix.
  • Cada lliçó es basa en l’anterior. Apunta cada experiment: què has canviat, què ha passat i per què.
  • Les lliçons de codi fan servir Python en un quadern en línia gratuït. Fes servir només les eines d’IA que aprovi el teu professor, explica qualsevol codi que l’IA escrigui per tu i no posis mai dades personals en un conjunt de dades que comparteixis.

Cada lliçó té jocs, proves i fitxes.

0 de 36

Programació en Python

  1. 1Repàs de sintaxiEscriu Python amb variables, condicions i bucles.
    • Fes servir variables, tipus i f-strings.
    • Escriu blocs if, for i while.
    • Llegeix un traceback i corregeix l’error.
  2. 2Estructures de dadesTria entre llistes, tuples, conjunts i diccionaris.
    • Fes servir cada estructura per a la seva millor feina.
    • Escriu comprensions de llistes i de diccionaris.
    • Nia estructures per guardar registres.
  3. 3Funcions i mòdulsEscriu funcions reutilitzables i prova-les.
    • Fes servir arguments per defecte i per nom.
    • Escriu proves amb assert.
    • Importa les teves funcions des d’un mòdul.
  4. 4Scripts de dadesEscriu un script que neteja un fitxer de text.
    • Llegeix un fitxer línia per línia.
    • Corregeix les files dolentes i salta les buides.
    • Escriu les dades netes en un fitxer nou.

Matemàtiques per a l’aprenentatge automàtic

  1. 5VectorsSuma vectors i troba la distància entre punts.
    • Representa un punt de dades com un vector.
    • Suma vectors i canvia’n l’escala.
    • Calcula la distància euclidiana i el producte escalar.
  2. 6ProbabilitatCalcula probabilitats simples i condicionals.
    • Calcula la probabilitat d’un esdeveniment.
    • Calcula una probabilitat condicional a partir d’una taula.
    • Simula llançaments de moneda per comprovar la teva resposta.
  3. 7EstadísticaTroba la mitjana, la variància i la desviació estàndard.
    • Calcula cadascuna a mà i en codi.
    • Explica què et diu la desviació estàndard.
    • Compara dos conjunts de dades per la seva dispersió.
  4. 8Experiments de matemàtiquesFes un gràfic de les dades i descriu-ne la dispersió.
    • Fes un histograma.
    • Fes un diagrama de dispersió.
    • Descriu el centre, la dispersió i els valors atípics.

Ciència de dades

  1. 9NumPyFes matemàtiques amb arrays sencers a NumPy.
    • Crea arrays i canvia’n la forma.
    • Fes servir operacions vectoritzades en comptes de bucles.
    • Indexa arrays i pren-ne parts.
  2. 10pandasCarrega, filtra i agrupa una taula amb pandas.
    • Carrega un CSV en un DataFrame.
    • Filtra files i tria columnes.
    • Agrupa les dades i resumeix-les.
  3. 11Neteja de dadesTracta valors que falten i tipus incorrectes.
    • Troba els valors que falten.
    • Omple’ls o elimina’ls, i explica la teva elecció.
    • Corregeix tipus incorrectes i files duplicades.
  4. 12VisualitzacióFes gràfics que responguin una pregunta.
    • Tria el gràfic adequat per a la pregunta.
    • Etiqueta els eixos i afegeix un títol.
    • Troba un gràfic enganyós i corregeix-lo.

Bases de l’aprenentatge automàtic

  1. 13Què és l’aprenentatge automàticExplica com un model aprèn un patró a partir de dades.
    • Compara escriure regles i aprendre de les dades.
    • Defineix model, paràmetres i entrenament.
    • Anomena tres usos reals de l’aprenentatge automàtic.
  2. 14Supervisat i no supervisatDistingeix tasques supervisades de tasques no supervisades.
    • Digues que l’aprenentatge supervisat fa servir etiquetes.
    • Digues que l’aprenentatge no supervisat troba estructura sense etiquetes.
    • Reparteix deu tasques en cada grup.
  3. 15El flux de MLLlista els passos des de les dades fins a un model que funciona.
    • Ordena els passos: pregunta, dades, característiques, entrenar, avaluar, desplegar.
    • Digues què pot anar malament a cada pas.
    • Digues per què els passos es repeteixen.
  4. 16Compara tasques de MLUneix problemes amb regressió, classificació o agrupament.
    • Digues què prediu cada tasca.
    • Uneix deu problemes amb una tasca.
    • Reescriu un problema com una altra tasca.

Regressió

  1. 17Regressió linealAjusta una recta a les dades.
    • Explica el pendent i l’ordenada.
    • Ajusta una recta amb scikit-learn.
    • Dibuixa la recta sobre les dades.
  2. 18CaracterístiquesTria característiques i canvia’n l’escala.
    • Fes servir més d’una característica.
    • Posa les característiques al mateix rang.
    • Codifica una característica de categoria.
  3. 19ErrorMesura l’error amb l’error quadràtic mitjà.
    • Calcula els residus.
    • Calcula l’error quadràtic mitjà i l’error absolut mitjà.
    • Fes un gràfic dels residus per trobar un patró.
  4. 20Prediu nombresEntrena un model de regressió i prediu valors nous.
    • Entrena amb una part de les dades.
    • Prediu la resta.
    • Informa de l’error en unitats reals.

Classificació

  1. 21Regressió logísticaEntrena un classificador de regressió logística.
    • Explica com converteix una puntuació en una probabilitat.
    • Entrena’l i prediu probabilitats.
    • Canvia el llindar i compara.
  2. 22Arbres de decisióEntrena un arbre de decisió i llegeix-ne les divisions.
    • Entrena un arbre.
    • Dibuixa’n les divisions i llegeix-les.
    • Limita’n la profunditat i compara les puntuacions.
  3. 23k veïns més propersClassifica amb k-NN i tria k.
    • Explica com vota k-NN.
    • Prova diversos valors de k.
    • Digues per què l’escala importa per a k-NN.
  4. 24Entrena un classificadorCompara tres classificadors en un conjunt de dades.
    • Entrena els tres amb la mateixa divisió.
    • Compara’n les puntuacions.
    • Tria’n un i explica per què.

Aprenentatge no supervisat

  1. 25SimilitudMesura la similitud de dues mostres.
    • Fes servir la distància euclidiana.
    • Fes servir la similitud del cosinus.
    • Troba els elements més similars d’un conjunt de dades.
  2. 26k-meansAgrupa dades amb agrupament k-means.
    • Fes k-means a mà, pas a pas.
    • Executa’l a scikit-learn.
    • Fes un gràfic dels clústers.
  3. 27Triar kFes servir el mètode del colze per triar un nombre de clústers.
    • Executa k-means amb diversos valors de k.
    • Fes un gràfic de la corba del colze.
    • Comprova que els clústers tenen sentit.
  4. 28Agrupa mostresAgrupa un conjunt de dades i descriu cada grup.
    • Agrupa un conjunt de dades real.
    • Resumeix cada clúster.
    • Posa un nom a cada clúster.

Avaluació del model

  1. 29Divisió d’entrenament i provaDivideix les dades i explica per què.
    • Divideix amb train_test_split.
    • Fes servir un conjunt de validació per ajustar.
    • Fes servir validació creuada.
  2. 30Exactitud, precisió i exhaustivitatCalcula l’exactitud, la precisió i l’exhaustivitat.
    • Fes una matriu de confusió.
    • Calcula cada mesura a partir d’ella.
    • Tria la mesura que encaixa amb el problema.
  3. 31SobreajustamentDetecta el sobreajustament en comparar les puntuacions d’entrenament i de prova.
    • Entrena un model que té sobreajustament.
    • Fes un gràfic de les puntuacions d’entrenament i de prova.
    • Redueix el sobreajustament i compara.
  4. 32Línies de baseCompara un model amb una línia de base simple.
    • Fes una línia de base que sempre endevina la resposta més comuna.
    • Compara el teu model amb ella.
    • Explica quan un model no val la pena.

Projecte d’aprenentatge automàtic

  1. 33Tria un conjunt de dadesTria un conjunt de dades ambiental obert i una pregunta.
    • Troba un conjunt de dades obert del temps o de la qualitat de l’aire.
    • Escriu una pregunta que pugui respondre.
    • Tria regressió o classificació.
  2. 34Prepara i exploraNeteja les dades i fes un gràfic dels patrons principals.
    • Neteja les dades.
    • Fes un gràfic de tres patrons.
    • Tria característiques.
  3. 35Entrena i comparaEntrena dos models i compara’ls amb una línia de base.
    • Entrena dos models.
    • Compara’ls amb una línia de base.
    • Comprova el sobreajustament.
  4. 36Predir condicions ambientalsPresenta resultats, límits i propers passos.
    • Mostra els teus resultats i gràfics.
    • Explica els límits del model.
    • Suggereix propers passos.