Kursus
AI Gred 9: Python dan Pembelajaran Mesin
Guna Python, NumPy, dan pandas untuk melatih dan menilai model pembelajaran mesin yang klasik.
Buat pelajaran mengikut turutan. Di akhir, kamu boleh menulis Python dengan struktur data dan fungsi yang boleh digunakan semula. Kamu boleh menjumlahkan vektor, mengira kebarangkalian, dan mencari min serta sisihan piawai. Kamu boleh memuatkan, membersihkan, dan membuat carta jadual dengan NumPy dan pandas. Kamu boleh memadankan garis pada data, melatih pengelas regresi logistik, pokok keputusan, dan k jiran terdekat, serta mengumpulkan data dengan k-means. Kamu boleh mengira ketepatan, kepersisan, dan perolehan, menemui padanan berlebihan, membandingkan model dengan garis asas yang mudah, dan membentangkan ramalan daripada set data alam sekitar.
Cara guna pelajaran ini
- Mula pada pelajaran yang bertanda Buat ini. Teruskan bila kamu boleh buat sendiri baris di bawah tajuk.
- Main Permainan dulu. Kemudian jawab Kuiz. 8 daripada 10 betul untuk lulus. Lembaran kerja ada di kertas. Jawapan ada di bawah.
- Setiap pelajaran membina pelajaran sebelumnya. Catat setiap uji kaji: apa yang kamu ubah, apa yang berlaku, dan mengapa.
- Pelajaran kod guna Python dalam buku nota dalam talian yang percuma. Guna hanya alat AI yang guru kamu luluskan. Terangkan kod yang AI tulis untuk kamu. Jangan sekali-kali masukkan data peribadi ke set data yang kamu kongsi.
Setiap pelajaran ada permainan, kuiz dan lembaran kerja.
0 daripada 36
Pengaturcaraan Python
- 1Ulang kaji sintaksTulis Python dengan pemboleh ubah, syarat, dan gelung.
- Guna pemboleh ubah, jenis, dan f-strings.
- Tulis blok if, for, dan while.
- Baca traceback dan betulkan kesilapannya.
- 2Struktur dataPilih antara list, tuple, set, dan dictionary.
- Guna setiap struktur untuk kerja yang paling sesuai.
- Tulis list comprehension dan dictionary comprehension.
- Susun struktur bersarang untuk simpan rekod.
- 3Fungsi dan modulTulis dan uji fungsi yang boleh digunakan semula.
- Guna argumen lalai dan kata kunci.
- Tulis ujian dengan assert.
- Import fungsi kamu dari modul.
- 4Skrip dataTulis skrip yang membersihkan fail teks.
- Baca fail baris demi baris.
- Betulkan baris yang rosak dan langkau baris kosong.
- Tulis data bersih ke fail baharu.
Matematik untuk pembelajaran mesin
- 5VektorJumlahkan vektor dan cari jarak antara titik.
- Wakilkan titik data sebagai vektor.
- Jumlahkan dan skalakan vektor.
- Kira jarak Euclidean dan hasil darab titik.
- 6KebarangkalianKira kebarangkalian mudah dan kebarangkalian bersyarat.
- Kira kebarangkalian suatu peristiwa.
- Kira kebarangkalian bersyarat daripada jadual.
- Simulasikan balingan syiling untuk semak jawapan kamu.
- 7StatistikCari min, varians, dan sisihan piawai.
- Kira setiap satu dengan tangan dan dalam kod.
- Terangkan apa yang sisihan piawai beritahu kamu.
- Bandingkan 2 set data mengikut serakannya.
- 8Uji kaji matematikPlot data dan huraikan serakannya.
- Plot histogram.
- Plot serakan.
- Huraikan pusat, serakan, dan nilai luar.
Sains data
- 9NumPyBuat matematik pada seluruh array dengan NumPy.
- Cipta dan ubah bentuk array.
- Guna operasi vektor, bukan gelung.
- Indeks dan slice array.
- 10pandasMuatkan, tapis, dan kelompokkan jadual dengan pandas.
- Muatkan CSV ke DataFrame.
- Tapis baris dan pilih lajur.
- Kelompokkan dan ringkaskan data.
- 11Membersihkan dataKendalikan nilai yang hilang dan jenis yang salah.
- Cari nilai yang hilang.
- Isi atau buang nilai itu, dan terangkan pilihan kamu.
- Betulkan jenis yang salah dan baris pendua.
- 12VisualisasiBuat carta yang menjawab soalan.
- Pilih carta yang betul untuk soalan itu.
- Labelkan paksi dan tambah tajuk.
- Cari carta yang mengelirukan dan betulkan.
Asas pembelajaran mesin
- 13Apa itu pembelajaran mesinTerangkan bagaimana model belajar corak daripada data.
- Bandingkan menulis peraturan dan belajar daripada data.
- Takrifkan model, parameter, dan latihan.
- Sebut 3 kegunaan sebenar pembelajaran mesin.
- 14Terselia dan tanpa seliaBezakan tugas terselia daripada tugas tanpa selia.
- Katakan bahawa pembelajaran terselia guna label.
- Katakan bahawa pembelajaran tanpa selia mencari struktur tanpa label.
- Susun 10 tugas ke setiap kumpulan.
- 15Aliran kerja MLSenaraikan langkah daripada data hingga model yang berfungsi.
- Susun langkah: soalan, data, ciri, latih, nilai, laksana.
- Katakan apa yang boleh jadi salah pada setiap langkah.
- Katakan mengapa langkah itu berulang.
- 16Bandingkan tugas MLPadankan masalah dengan regresi, pengelasan, atau pengelompokan.
- Katakan apa yang setiap tugas ramalkan.
- Padankan 10 masalah dengan satu tugas.
- Tulis semula satu masalah sebagai tugas yang lain.
Regresi
- 17Regresi linearPadankan garis pada data.
- Terangkan kecerunan dan pintasan.
- Padankan garis dengan scikit-learn.
- Plot garis di atas data.
- 18CiriPilih dan skalakan ciri.
- Guna lebih daripada satu ciri.
- Skalakan ciri ke julat yang sama.
- Kodkan ciri kategori.
- 19RalatUkur ralat dengan ralat kuasa dua min.
- Kira sisa.
- Kira ralat kuasa dua min dan ralat mutlak min.
- Plot sisa untuk cari corak.
- 20Ramalkan nomborLatih model regresi dan ramalkan nilai baharu.
- Latih pada satu bahagian data.
- Ramalkan yang lain.
- Laporkan ralat dalam unit sebenar.
Pengelasan
- 21Regresi logistikLatih pengelas regresi logistik.
- Terangkan bagaimana ia menukar skor menjadi kebarangkalian.
- Latih dan ramalkan kebarangkalian.
- Ubah ambang dan bandingkan.
- 22Pokok keputusanLatih pokok keputusan dan baca belahannya.
- Latih sebatang pokok.
- Lukis dan baca belahannya.
- Hadkan kedalamannya dan bandingkan skor.
- 23k jiran terdekatKelaskan dengan k jiran terdekat dan pilih k.
- Terangkan bagaimana k jiran terdekat mengundi.
- Cuba beberapa nilai k.
- Katakan mengapa penskalaan penting untuk k jiran terdekat.
- 24Latih pengelasBandingkan 3 pengelas pada satu set data.
- Latih ketiga-tiganya pada bahagian yang sama.
- Bandingkan skornya.
- Pilih satu dan terangkan mengapa.
Pembelajaran tanpa selia
- 25KeserupaanUkur betapa serupa 2 sampel.
- Guna jarak Euclidean.
- Guna keserupaan kosinus.
- Cari item yang paling serupa dalam set data.
- 26k-meansKelompokkan data dengan pengelompokan k-means.
- Ikuti langkah k-means dengan tangan.
- Jalankan dalam scikit-learn.
- Plot kluster.
- 27Memilih kGuna kaedah siku untuk memilih bilangan kluster.
- Jalankan k-means untuk beberapa nilai k.
- Plot lengkung siku.
- Semak bahawa kluster itu masuk akal.
- 28Kelompokkan sampelBuat kluster daripada set data dan huraikan setiap kumpulan.
- Buat kluster daripada set data yang sebenar.
- Ringkaskan setiap kluster.
- Beri nama setiap kluster.
Penilaian model
- 29Pembahagian latih dan ujiBahagikan data dan terangkan mengapa.
- Bahagikan dengan train_test_split.
- Guna set pengesahan untuk melaras.
- Guna pengesahan silang.
- 30Ketepatan, kepersisan, dan perolehanKira ketepatan, kepersisan, dan perolehan.
- Bina matriks kekeliruan.
- Kira setiap metrik daripada matriks itu.
- Pilih metrik yang sesuai untuk masalah itu.
- 31Padanan berlebihanTemui padanan berlebihan dengan membandingkan skor latih dan skor uji.
- Latih model dengan padanan berlebihan.
- Plot skor latih dan skor uji.
- Kurangkan padanan berlebihan dan bandingkan.
- 32Garis asasBandingkan model dengan garis asas yang mudah.
- Bina garis asas yang sentiasa meneka jawapan yang paling biasa.
- Bandingkan model kamu dengannya.
- Terangkan bila model tidak berbaloi dipakai.
Projek pembelajaran mesin
- 33Pilih set dataPilih set data alam sekitar yang terbuka dan satu soalan.
- Cari set data cuaca atau kualiti udara yang terbuka.
- Tulis soalan yang set data itu boleh jawab.
- Pilih regresi atau pengelasan.
- 34Sediakan dan terokaBersihkan data dan buat carta corak utamanya.
- Bersihkan data.
- Buat carta 3 corak.
- Pilih ciri.
- 35Latih dan bandingkanLatih 2 model dan bandingkan dengan garis asas.
- Latih 2 model.
- Bandingkan dengan garis asas.
- Semak padanan berlebihan.
- 36Meramalkan keadaan alam sekitarBentangkan hasil, had, dan langkah seterusnya.
- Tunjukkan hasil dan carta kamu.
- Terangkan had model.
- Cadangkan langkah seterusnya.