Wszystkie lekcje

Kurs

AI w klasie 9: Python i uczenie maszynowe

Użyj Pythona, NumPy i pandas, żeby trenować i oceniać klasyczne modele uczenia maszynowego.

Rób lekcje po kolei. Na końcu umiesz pisać Pythona ze strukturami danych i funkcjami do ponownego użycia. Umiesz dodawać wektory, obliczać prawdopodobieństwa oraz znajdować średnią i odchylenie standardowe. Umiesz wczytać, oczyścić i narysować tabelę w NumPy i pandas. Umiesz dopasować prostą do danych, trenować klasyfikatory regresji logistycznej, drzewa decyzyjne i k najbliższych sąsiadów oraz grupować dane metodą k-means. Umiesz obliczać dokładność, precyzję i czułość, wypatrzyć przeuczenie, porównać model z prostą linią bazową i przedstawić prognozy ze zbioru danych o środowisku.

Jak używać tych lekcji

  • Zacznij od lekcji oznaczonej Zrób to. Idź dalej, gdy potrafisz sam zrobić linijkę pod tytułem.
  • Najpierw zagraj w Gry. Potem zrób Quiz. 8 z 10 dobrych, żeby zaliczyć. Karty pracy są na papierze. Odpowiedzi są na dole.
  • Każda lekcja opiera się na poprzedniej. Rób notatki z każdego doświadczenia: co zmieniasz, co się stało i dlaczego.
  • Lekcje kodu używają Pythona w darmowym notesie online. Używaj tylko narzędzi AI, które zatwierdzi nauczyciel. Wyjaśniaj kod, który AI napisze za ciebie. Nigdy nie wkładaj danych osobowych do zbioru danych, który udostępniasz.

Każda lekcja ma gry, quiz i karty pracy.

0 z 36

Programowanie w Pythonie

  1. 1Powtórka składniPisz Pythona ze zmiennymi, warunkami i pętlami.
    • Używaj zmiennych, typów i f-strings.
    • Pisz bloki if, for i while.
    • Przeczytaj traceback i popraw błąd.
  2. 2Struktury danychWybieraj między listami, krotkami, zbiorami i słownikami.
    • Użyj każdej struktury do pracy, którą robi najlepiej.
    • Napisz list comprehension i dictionary comprehension.
    • Zagnieżdżaj struktury, żeby trzymać rekordy.
  3. 3Funkcje i modułyPisz i testuj funkcje do ponownego użycia.
    • Używaj argumentów domyślnych i nazwanych.
    • Pisz testy z assert.
    • Importuj swoje funkcje z modułu.
  4. 4Skrypty danychNapisz skrypt, który czyści plik tekstowy.
    • Czytaj plik linijka po linijce.
    • Popraw złe wiersze i pomiń puste.
    • Zapisz czyste dane do nowego pliku.

Matematyka do uczenia maszynowego

  1. 5WektoryDodawaj wektory i znajdź odległość między punktami.
    • Przedstaw punkt danych jako wektor.
    • Dodawaj i skaluj wektory.
    • Oblicz odległość euklidesową i iloczyn skalarny.
  2. 6PrawdopodobieństwoObliczaj prawdopodobieństwo proste i warunkowe.
    • Oblicz prawdopodobieństwo zdarzenia.
    • Oblicz prawdopodobieństwo warunkowe z tabeli.
    • Zasymuluj rzuty monetą, żeby sprawdzić odpowiedź.
  3. 7StatystykaZnajdź średnią, wariancję i odchylenie standardowe.
    • Oblicz każdą ręcznie i w kodzie.
    • Wyjaśnij, co mówi odchylenie standardowe.
    • Porównaj 2 zbiory danych po rozrzucie.
  4. 8Eksperymenty matematyczneRysuj dane i opisz rozrzut.
    • Narysuj histogram.
    • Narysuj wykres punktowy.
    • Opisz środek, rozrzut i wartości odstające.

Nauka o danych

  1. 9NumPyLicz na całych tablicach z NumPy.
    • Twórz tablice i zmieniaj ich kształt.
    • Używaj operacji wektorowych zamiast pętli.
    • Indeksuj i wycinaj tablice.
  2. 10pandasWczytuj, filtruj i grupuj tabelę z pandas.
    • Wczytaj CSV do DataFrame.
    • Filtruj wiersze i wybierz kolumny.
    • Grupuj i podsumuj dane.
  3. 11Czyszczenie danychRadź sobie z brakami i złymi typami.
    • Znajdź braki.
    • Uzupełnij je albo usuń i wyjaśnij wybór.
    • Popraw złe typy i zdublowane wiersze.
  4. 12WizualizacjaRób wykresy, które odpowiadają na pytanie.
    • Wybierz właściwy wykres do pytania.
    • Podpisz osie i dodaj tytuł.
    • Znajdź mylący wykres i popraw go.

Podstawy uczenia maszynowego

  1. 13Czym jest uczenie maszynoweWyjaśnij, jak model uczy się wzorca z danych.
    • Porównaj pisanie reguł i uczenie się z danych.
    • Zdefiniuj model, parametry i trening.
    • Podaj 3 prawdziwe zastosowania uczenia maszynowego.
  2. 14Nadzorowane i nienadzorowaneOdróżniaj zadania nadzorowane od nienadzorowanych.
    • Powiedz, że uczenie nadzorowane używa etykiet.
    • Powiedz, że uczenie nienadzorowane znajduje strukturę bez etykiet.
    • Podziel 10 zadań na każdą grupę.
  3. 15Przepływ pracy MLWymień kroki od danych do działającego modelu.
    • Ułóż kroki: pytanie, dane, cechy, trenuj, oceń, wdróż.
    • Powiedz, co może pójść źle na każdym kroku.
    • Powiedz, dlaczego kroki się powtarzają.
  4. 16Porównaj zadania MLDopasuj problemy do regresji, klasyfikacji albo grupowania.
    • Powiedz, co przewiduje każde zadanie.
    • Dopasuj 10 problemów do zadania.
    • Przepisz jeden problem jako inne zadanie.

Regresja

  1. 17Regresja liniowaDopasuj prostą do danych.
    • Wyjaśnij nachylenie i wyraz wolny.
    • Dopasuj prostą w scikit-learn.
    • Narysuj prostą na danych.
  2. 18CechyWybieraj i skaluj cechy.
    • Użyj więcej niż jednej cechy.
    • Skaluj cechy do tego samego zakresu.
    • Zakoduj cechę kategorialną.
  3. 19BłądMierz błąd błędem średniokwadratowym.
    • Oblicz reszty.
    • Oblicz błąd średniokwadratowy i średni błąd bezwzględny.
    • Narysuj reszty, żeby znaleźć wzorzec.
  4. 20Przewiduj liczbyWytrenuj model regresji i przewiduj nowe wartości.
    • Trenuj na jednej części danych.
    • Przewiduj resztę.
    • Podaj błąd w prawdziwych jednostkach.

Klasyfikacja

  1. 21Regresja logistycznaWytrenuj klasyfikator regresji logistycznej.
    • Wyjaśnij, jak zamienia wynik w prawdopodobieństwo.
    • Wytrenuj go i przewiduj prawdopodobieństwa.
    • Zmień próg i porównaj.
  2. 22Drzewa decyzyjneWytrenuj drzewo decyzyjne i odczytaj podziały.
    • Wytrenuj drzewo.
    • Narysuj i odczytaj podziały.
    • Ogranicz głębokość i porównaj wyniki.
  3. 23k najbliższych sąsiadówKlasyfikuj metodą k najbliższych sąsiadów i wybierz k.
    • Wyjaśnij, jak głosują k najbliżsi sąsiedzi.
    • Wypróbuj kilka wartości k.
    • Powiedz, dlaczego skalowanie ma znaczenie dla k najbliższych sąsiadów.
  4. 24Wytrenuj klasyfikatorPorównaj 3 klasyfikatory na jednym zbiorze danych.
    • Wytrenuj wszystkie 3 na tym samym podziale.
    • Porównaj ich wyniki.
    • Wybierz jeden i wyjaśnij dlaczego.

Uczenie nienadzorowane

  1. 25PodobieństwoZmierz, jak podobne są 2 próbki.
    • Użyj odległości euklidesowej.
    • Użyj podobieństwa cosinusowego.
    • Znajdź najbardziej podobne elementy w zbiorze danych.
  2. 26k-meansGrupuj dane grupowaniem k-means.
    • Przejdź k-means ręcznie.
    • Uruchom je w scikit-learn.
    • Narysuj skupienia.
  3. 27Wybór kUżyj metody łokcia, żeby wybrać liczbę skupień.
    • Uruchom k-means dla kilku wartości k.
    • Narysuj krzywą łokcia.
    • Sprawdź, czy skupienia mają sens.
  4. 28Grupuj próbkiPogrupuj zbiór danych w skupienia i opisz każdą grupę.
    • Pogrupuj prawdziwy zbiór danych w skupienia.
    • Podsumuj każde skupienie.
    • Nadaj każdemu skupieniu nazwę.

Ocena modelu

  1. 29Podział na trening i testPodziel dane i wyjaśnij dlaczego.
    • Podziel za pomocą train_test_split.
    • Użyj zbioru walidacyjnego do strojenia.
    • Użyj walidacji krzyżowej.
  2. 30Dokładność, precyzja i czułośćObliczaj dokładność, precyzję i czułość.
    • Zbuduj macierz pomyłek.
    • Oblicz każdą miarę z tej macierzy.
    • Wybierz miarę, która pasuje do problemu.
  3. 31PrzeuczenieWypatrz przeuczenie, porównując wyniki treningu i testu.
    • Wytrenuj model, który się przeucza.
    • Narysuj wyniki treningu i testu.
    • Zmniejsz przeuczenie i porównaj.
  4. 32Linia bazowaPorównaj model z prostą linią bazową.
    • Zbuduj linię bazową, która zawsze zgaduje najczęstszą odpowiedź.
    • Porównaj z nią swój model.
    • Wyjaśnij, kiedy modelu nie warto używać.

Projekt uczenia maszynowego

  1. 33Wybierz zbiór danychWybierz otwarty zbiór danych o środowisku i pytanie.
    • Znajdź otwarty zbiór danych o pogodzie albo jakości powietrza.
    • Napisz pytanie, na które ten zbiór może odpowiedzieć.
    • Wybierz regresję albo klasyfikację.
  2. 34Przygotuj i zbadajOczyść dane i narysuj główne wzorce.
    • Oczyść dane.
    • Narysuj 3 wzorce.
    • Wybierz cechy.
  3. 35Trenuj i porównajWytrenuj 2 modele i porównaj je z linią bazową.
    • Wytrenuj 2 modele.
    • Porównaj je z linią bazową.
    • Sprawdź przeuczenie.
  4. 36Przewidywanie warunków środowiskaPrzedstaw wyniki, granice i następne kroki.
    • Pokaż wyniki i wykresy.
    • Wyjaśnij granice modelu.
    • Zaproponuj następne kroki.