Όλα τα μαθήματα

Σειρά μαθημάτων

ΤΝ Γ΄ Γυμνασίου: Python και μηχανική μάθηση

Χρησιμοποίησε Python, NumPy και pandas για να εκπαιδεύσεις και να αξιολογήσεις κλασικά μοντέλα μηχανικής μάθησης.

Κάνε τα μαθήματα με τη σειρά. Στο τέλος μπορείς να γράφεις Python με δομές δεδομένων και επαναχρησιμοποιούμενες συναρτήσεις. Μπορείς να προσθέτεις διανύσματα, να υπολογίζεις πιθανότητες και να βρίσκεις τον μέσο όρο και την τυπική απόκλιση. Μπορείς να φορτώνεις, να καθαρίζεις και να κάνεις γράφημα ενός πίνακα με NumPy και pandas. Μπορείς να προσαρμόζεις μια ευθεία στα δεδομένα, να εκπαιδεύεις ταξινομητές λογιστικής παλινδρόμησης, δέντρου απόφασης και k-NN, και να ομαδοποιείς δεδομένα με k-means. Μπορείς να υπολογίζεις την ακρίβεια, την ευστοχία και την ανάκληση, να εντοπίζεις την υπερπροσαρμογή, να συγκρίνεις ένα μοντέλο με μια απλή γραμμή βάσης και να παρουσιάζεις προβλέψεις από ένα σύνολο δεδομένων για το περιβάλλον.

Πώς να χρησιμοποιείς αυτά τα μαθήματα

  • Ξεκίνα από το μάθημα που λέει Κάνε αυτό. Προχώρα όταν μπορείς να κάνεις μόνος σου τη γραμμή κάτω από τον τίτλο.
  • Πρώτα παίξε τα Παιχνίδια. Μετά κάνε το Κουίζ. 8 από 10 σωστές για να περάσεις. Τα Φύλλα εργασίας είναι σε χαρτί. Οι απαντήσεις είναι κάτω.
  • Κάθε μάθημα στηρίζεται στο προηγούμενο. Κράτα σημειώσεις για κάθε πείραμα: τι άλλαξες, τι έγινε και γιατί.
  • Τα μαθήματα κώδικα χρησιμοποιούν Python σε ένα δωρεάν online σημειωματάριο. Χρησιμοποίησε μόνο τα εργαλεία ΤΝ που εγκρίνει ο καθηγητής σου, εξήγησε κάθε κώδικα που γράφει η ΤΝ για σένα και μη βάζεις ποτέ προσωπικά δεδομένα σε ένα σύνολο δεδομένων που μοιράζεσαι.

Κάθε μάθημα έχει παιχνίδια, κουίζ και φύλλα εργασίας.

0 από 36

Προγραμματισμός με Python

  1. 1Επανάληψη σύνταξηςΓράψε Python με μεταβλητές, συνθήκες και βρόχους.
    • Χρησιμοποίησε μεταβλητές, τύπους και f-strings.
    • Γράψε μπλοκ if, for και while.
    • Διάβασε ένα traceback και διόρθωσε το σφάλμα.
  2. 2Δομές δεδομένωνΔιάλεξε ανάμεσα σε λίστες, πλειάδες, σύνολα και λεξικά.
    • Χρησιμοποίησε κάθε δομή για την καλύτερη δουλειά της.
    • Γράψε comprehensions για λίστες και λεξικά.
    • Φώλιασε δομές για να κρατάς εγγραφές.
  3. 3Συναρτήσεις και ενότητεςΓράψε επαναχρησιμοποιούμενες συναρτήσεις και δοκίμασέ τες.
    • Χρησιμοποίησε ορίσματα με προεπιλογή και με λέξη-κλειδί.
    • Γράψε δοκιμές με assert.
    • Εισήγαγε τις συναρτήσεις σου από μια ενότητα.
  4. 4Σενάρια δεδομένωνΓράψε ένα σενάριο που καθαρίζει ένα αρχείο κειμένου.
    • Διάβασε ένα αρχείο γραμμή γραμμή.
    • Διόρθωσε τις κακές γραμμές και προσπέρασε τις κενές.
    • Γράψε τα καθαρά δεδομένα σε νέο αρχείο.

Μαθηματικά για τη μηχανική μάθηση

  1. 5ΔιανύσματαΠρόσθεσε διανύσματα και βρες την απόσταση ανάμεσα σε σημεία.
    • Παράστησε ένα σημείο δεδομένων ως διάνυσμα.
    • Πρόσθεσε διανύσματα και άλλαξε την κλίμακά τους.
    • Υπολόγισε την ευκλείδεια απόσταση και το εσωτερικό γινόμενο.
  2. 6ΠιθανότηταΥπολόγισε απλές και δεσμευμένες πιθανότητες.
    • Υπολόγισε την πιθανότητα ενός ενδεχομένου.
    • Υπολόγισε μια δεσμευμένη πιθανότητα από έναν πίνακα.
    • Προσομοίωσε ρίψεις νομίσματος για να ελέγξεις την απάντησή σου.
  3. 7ΣτατιστικήΒρες τον μέσο όρο, τη διακύμανση και την τυπική απόκλιση.
    • Υπολόγισε το καθένα με το χέρι και στον κώδικα.
    • Εξήγησε τι σου λέει η τυπική απόκλιση.
    • Σύγκρινε δύο σύνολα δεδομένων από τη διασπορά τους.
  4. 8Πειράματα μαθηματικώνΚάνε γράφημα δεδομένων και περίγραψε τη διασπορά τους.
    • Κάνε ένα ιστόγραμμα.
    • Κάνε ένα διάγραμμα διασποράς.
    • Περίγραψε το κέντρο, τη διασπορά και τις ακραίες τιμές.

Επιστήμη δεδομένων

  1. 9NumPyΚάνε μαθηματικά σε ολόκληρα arrays με NumPy.
    • Δημιούργησε arrays και άλλαξε το σχήμα τους.
    • Χρησιμοποίησε διανυσματικές πράξεις αντί για βρόχους.
    • Δεικτοδότησε arrays και πάρε κομμάτια.
  2. 10pandasΦόρτωσε, φίλτραρε και ομαδοποίησε έναν πίνακα με pandas.
    • Φόρτωσε ένα CSV σε ένα DataFrame.
    • Φίλτραρε γραμμές και διάλεξε στήλες.
    • Ομαδοποίησε τα δεδομένα και συνόψισέ τα.
  3. 11Καθαρισμός δεδομένωνΧειρίσου τιμές που λείπουν και λάθος τύπους.
    • Βρες τις τιμές που λείπουν.
    • Συμπλήρωσέ τες ή αφαίρεσέ τες, και εξήγησε την επιλογή σου.
    • Διόρθωσε λάθος τύπους και διπλές γραμμές.
  4. 12ΟπτικοποίησηΚάνε γραφήματα που απαντούν σε μια ερώτηση.
    • Διάλεξε το σωστό γράφημα για την ερώτηση.
    • Ονόμασε τους άξονες και πρόσθεσε τίτλο.
    • Βρες ένα παραπλανητικό γράφημα και διόρθωσέ το.

Βάσεις της μηχανικής μάθησης

  1. 13Τι είναι η μηχανική μάθησηΕξήγησε πώς ένα μοντέλο μαθαίνει ένα μοτίβο από δεδομένα.
    • Σύγκρινε το να γράφεις κανόνες με το να μαθαίνεις από δεδομένα.
    • Όρισε μοντέλο, παραμέτρους και εκπαίδευση.
    • Πες τρεις πραγματικές χρήσεις της μηχανικής μάθησης.
  2. 14Επιβλεπόμενη και μη επιβλεπόμενηΞεχώρισε επιβλεπόμενες από μη επιβλεπόμενες εργασίες.
    • Πες ότι η επιβλεπόμενη μάθηση χρησιμοποιεί ετικέτες.
    • Πες ότι η μη επιβλεπόμενη μάθηση βρίσκει δομή χωρίς ετικέτες.
    • Μοίρασε δέκα εργασίες σε κάθε ομάδα.
  3. 15Η ροή του MLΚατέγραψε τα βήματα από τα δεδομένα ως ένα μοντέλο που δουλεύει.
    • Βάλε σε σειρά τα βήματα: ερώτηση, δεδομένα, χαρακτηριστικά, εκπαίδευση, αξιολόγηση, χρήση.
    • Πες τι μπορεί να πάει στραβά σε κάθε βήμα.
    • Πες γιατί τα βήματα επαναλαμβάνονται.
  4. 16Σύγκρινε εργασίες MLΤαίριαξε προβλήματα με παλινδρόμηση, ταξινόμηση ή συσταδοποίηση.
    • Πες τι προβλέπει κάθε εργασία.
    • Ταίριαξε δέκα προβλήματα με μια εργασία.
    • Ξαναγράψε ένα πρόβλημα ως άλλη εργασία.

Παλινδρόμηση

  1. 17Γραμμική παλινδρόμησηΠροσάρμοσε μια ευθεία στα δεδομένα.
    • Εξήγησε την κλίση και την τομή.
    • Προσάρμοσε μια ευθεία με scikit-learn.
    • Σχεδίασε την ευθεία πάνω στα δεδομένα.
  2. 18ΧαρακτηριστικάΔιάλεξε χαρακτηριστικά και άλλαξε την κλίμακά τους.
    • Χρησιμοποίησε περισσότερα από ένα χαρακτηριστικά.
    • Βάλε τα χαρακτηριστικά στο ίδιο εύρος.
    • Κωδικοποίησε ένα χαρακτηριστικό κατηγορίας.
  3. 19ΣφάλμαΜέτρησε το σφάλμα με το μέσο τετραγωνικό σφάλμα.
    • Υπολόγισε τα υπόλοιπα.
    • Υπολόγισε το μέσο τετραγωνικό σφάλμα και το μέσο απόλυτο σφάλμα.
    • Κάνε γράφημα των υπολοίπων για να βρεις ένα μοτίβο.
  4. 20Πρόβλεψε αριθμούςΕκπαίδευσε ένα μοντέλο παλινδρόμησης και πρόβλεψε νέες τιμές.
    • Εκπαίδευσε σε ένα μέρος των δεδομένων.
    • Πρόβλεψε τα υπόλοιπα.
    • Δώσε το σφάλμα σε πραγματικές μονάδες.

Ταξινόμηση

  1. 21Λογιστική παλινδρόμησηΕκπαίδευσε έναν ταξινομητή λογιστικής παλινδρόμησης.
    • Εξήγησε πώς μετατρέπει ένα σκορ σε πιθανότητα.
    • Εκπαίδευσέ τον και πρόβλεψε πιθανότητες.
    • Άλλαξε το κατώφλι και σύγκρινε.
  2. 22Δέντρα απόφασηςΕκπαίδευσε ένα δέντρο απόφασης και διάβασε τους διαχωρισμούς του.
    • Εκπαίδευσε ένα δέντρο.
    • Σχεδίασε τους διαχωρισμούς του και διάβασέ τους.
    • Περιόρισε το βάθος του και σύγκρινε τις βαθμολογίες.
  3. 23k κοντινότεροι γείτονεςΤαξινόμησε με k-NN και διάλεξε το k.
    • Εξήγησε πώς ψηφίζει το k-NN.
    • Δοκίμασε πολλές τιμές του k.
    • Πες γιατί η κλίμακα μετράει για το k-NN.
  4. 24Εκπαίδευσε έναν ταξινομητήΣύγκρινε τρεις ταξινομητές σε ένα σύνολο δεδομένων.
    • Εκπαίδευσε και τους τρεις στο ίδιο χώρισμα.
    • Σύγκρινε τις βαθμολογίες τους.
    • Διάλεξε έναν και εξήγησε γιατί.

Μη επιβλεπόμενη μάθηση

  1. 25ΟμοιότηταΜέτρησε την ομοιότητα δύο δειγμάτων.
    • Χρησιμοποίησε την ευκλείδεια απόσταση.
    • Χρησιμοποίησε την ομοιότητα συνημιτόνου.
    • Βρες τα πιο όμοια στοιχεία σε ένα σύνολο δεδομένων.
  2. 26k-meansΟμαδοποίησε δεδομένα με συσταδοποίηση k-means.
    • Κάνε το k-means με το χέρι, βήμα βήμα.
    • Τρέξε το στο scikit-learn.
    • Κάνε γράφημα των συστάδων.
  3. 27Επιλογή του kΧρησιμοποίησε τη μέθοδο του αγκώνα για να διαλέξεις έναν αριθμό συστάδων.
    • Τρέξε το k-means για πολλές τιμές του k.
    • Κάνε γράφημα της καμπύλης του αγκώνα.
    • Έλεγξε ότι οι συστάδες βγάζουν νόημα.
  4. 28Ομαδοποίησε δείγματαΚάνε συστάδες σε ένα σύνολο δεδομένων και περίγραψε κάθε ομάδα.
    • Κάνε συστάδες σε ένα πραγματικό σύνολο δεδομένων.
    • Συνόψισε κάθε συστάδα.
    • Δώσε όνομα σε κάθε συστάδα.

Αξιολόγηση μοντέλου

  1. 29Χώρισμα εκπαίδευσης και ελέγχουΧώρισε τα δεδομένα και εξήγησε γιατί.
    • Χώρισε με train_test_split.
    • Χρησιμοποίησε ένα σύνολο επικύρωσης για ρύθμιση.
    • Χρησιμοποίησε διασταυρούμενη επικύρωση.
  2. 30Ακρίβεια, ευστοχία και ανάκλησηΥπολόγισε την ακρίβεια, την ευστοχία και την ανάκληση.
    • Φτιάξε έναν πίνακα σύγχυσης.
    • Υπολόγισε κάθε μέτρο από αυτόν.
    • Διάλεξε το μέτρο που ταιριάζει στο πρόβλημα.
  3. 31ΥπερπροσαρμογήΕντόπισε την υπερπροσαρμογή συγκρίνοντας βαθμολογίες εκπαίδευσης και ελέγχου.
    • Εκπαίδευσε ένα μοντέλο που υπερπροσαρμόζεται.
    • Κάνε γράφημα των βαθμολογιών εκπαίδευσης και ελέγχου.
    • Μείωσε την υπερπροσαρμογή και σύγκρινε.
  4. 32Γραμμές βάσηςΣύγκρινε ένα μοντέλο με μια απλή γραμμή βάσης.
    • Φτιάξε μια γραμμή βάσης που μαντεύει πάντα την πιο συχνή απάντηση.
    • Σύγκρινε το μοντέλο σου με αυτή.
    • Εξήγησε πότε ένα μοντέλο δεν αξίζει να το χρησιμοποιείς.

Εργασία μηχανικής μάθησης

  1. 33Διάλεξε ένα σύνολο δεδομένωνΔιάλεξε ένα ανοιχτό σύνολο δεδομένων για το περιβάλλον και μια ερώτηση.
    • Βρες ένα ανοιχτό σύνολο δεδομένων για τον καιρό ή την ποιότητα του αέρα.
    • Γράψε μια ερώτηση που μπορεί να απαντήσει.
    • Διάλεξε παλινδρόμηση ή ταξινόμηση.
  2. 34Ετοίμασε και εξερεύνησεΚαθάρισε τα δεδομένα και κάνε γράφημα των κύριων μοτίβων.
    • Καθάρισε τα δεδομένα.
    • Κάνε γράφημα τριών μοτίβων.
    • Διάλεξε χαρακτηριστικά.
  3. 35Εκπαίδευσε και σύγκρινεΕκπαίδευσε δύο μοντέλα και σύγκρινέ τα με μια γραμμή βάσης.
    • Εκπαίδευσε δύο μοντέλα.
    • Σύγκρινέ τα με μια γραμμή βάσης.
    • Έλεγξε για υπερπροσαρμογή.
  4. 36Πρόβλεψη περιβαλλοντικών συνθηκώνΠαρουσίασε αποτελέσματα, όρια και επόμενα βήματα.
    • Δείξε τα αποτελέσματα και τα γραφήματά σου.
    • Εξήγησε τα όρια του μοντέλου.
    • Πρότεινε επόμενα βήματα.