Kurs
AI i årskurs 9: Python och maskininlärning
Använd Python, NumPy och pandas för att träna och utvärdera klassiska modeller för maskininlärning.
Gå igenom lektionerna i ordning. Till slut kan du skriva Python med datastrukturer och funktioner du kan använda igen. Du kan addera vektorer, räkna ut sannolikhet och hitta medelvärde och standardavvikelse. Du kan ladda, städa och rita diagram för en tabell med NumPy och pandas. Du kan anpassa en linje till data, träna klassificerare för logistisk regression, beslutsträd och k närmaste grannar, och gruppera data med k-means. Du kan räkna ut träffsäkerhet, precision och täckning, upptäcka överanpassning, jämföra en modell med en enkel baslinje och visa förutsägelser från en miljödatamängd.
Så använder du lektionerna
- Börja på lektionen märkt Gör det här. Gå vidare när du själv kan raden under rubriken.
- Spela Spel först. Sedan Quiz. 8 av 10 rätt för att klara. Arbetsblad är på papper. Svaren finns längst ner.
- Varje lektion bygger på den förra. Skriv upp varje försök: vad du ändrade, vad som hände och varför.
- Kodlektionerna använder Python i en gratis anteckningsbok på nätet. Använd bara de AI-verktyg din lärare godkänner. Förklara kod som AI skriver åt dig. Lägg aldrig personliga uppgifter i en datamängd du delar.
Varje lektion har spel, quiz och arbetsblad.
0 av 36
Programmering i Python
- 1Repetition av syntaxSkriv Python med variabler, villkor och loopar.
- Använd variabler, typer och f-strings.
- Skriv block med if, for och while.
- Läs en traceback och rätta felet.
- 2DatastrukturerVälj datastruktur: lista, tupel, mängd eller lexikon.
- Använd varje datastruktur till det den gör bäst.
- Skriv list comprehensions och dictionary comprehensions.
- Lägg strukturer i varandra för att hålla poster.
- 3Funktioner och modulerSkriv och testa funktioner du kan använda igen.
- Använd standardargument och namngivna argument.
- Skriv tester med assert.
- Importera dina funktioner från en modul.
- 4DataskriptSkriv ett skript som städar en textfil.
- Läs en fil rad för rad.
- Rätta dåliga rader och hoppa över tomma.
- Skriv den städade datan till en ny fil.
Matte för maskininlärning
- 5VektorerAddera vektorer och hitta avståndet mellan punkter.
- Visa en datapunkt som en vektor.
- Addera vektorer och multiplicera dem med ett tal.
- Räkna ut euklidiskt avstånd och skalärprodukt.
- 6SannolikhetRäkna ut enkel och villkorlig sannolikhet.
- Räkna ut sannolikheten för en händelse.
- Räkna ut en villkorlig sannolikhet från en tabell.
- Simulera myntkast för att kolla ditt svar.
- 7StatistikHitta medelvärde, varians och standardavvikelse.
- Räkna ut varje sak för hand och i kod.
- Förklara vad standardavvikelse säger dig.
- Jämför två datamängder efter spridning.
- 8MatteförsökRita data och beskriv spridningen.
- Rita ett histogram.
- Rita ett spridningsdiagram.
- Beskriv centrum, spridning och avvikare.
Datavetenskap
- 9NumPyRäkna på hela arrayer med NumPy.
- Skapa arrayer och ändra deras form.
- Använd vektoriserade operationer i stället för loopar.
- Indexera och skiva arrayer.
- 10pandasLadda, filtrera och gruppera en tabell med pandas.
- Ladda en CSV till en DataFrame.
- Filtrera rader och välj kolumner.
- Gruppera och sammanfatta data.
- 11Städa dataStäda data: hantera saknade värden och fel typer.
- Hitta saknade värden.
- Fyll i eller ta bort dem, och förklara ditt val.
- Rätta fel typer och dubblettrader.
- 12VisualiseringRita diagram som svarar på en fråga.
- Välj rätt diagram för frågan.
- Namnge axlarna och lägg till en rubrik.
- Hitta ett missvisande diagram och rätta det.
Grunder i maskininlärning
- 13Vad är maskininlärningFörklara hur en modell lär sig ett mönster från data.
- Jämför att skriva regler och att lära från data.
- Förklara modell, parametrar och träning.
- Nämn tre verkliga användningar av maskininlärning.
- 14Övervakad och oövervakadSkilj övervakade uppgifter från oövervakade.
- Säg att övervakad inlärning använder etiketter.
- Säg att oövervakad inlärning hittar struktur utan etiketter.
- Sortera 10 uppgifter i de två grupperna.
- 15Arbetsgången i maskininlärningLista stegen från data till en fungerande modell.
- Ordna stegen: fråga, data, egenskaper, träna, utvärdera, driftsätt.
- Säg vad som kan gå fel vid varje steg.
- Säg varför stegen upprepas.
- 16Jämför uppgifter i maskininlärningPara ihop problem med regression, klassificering eller klustring.
- Säg vad varje uppgift förutsäger.
- Para ihop 10 problem med en uppgift.
- Skriv om ett problem som en annan uppgift.
Regression
- 17Linjär regressionAnpassa en linje till data.
- Förklara lutning och skärning.
- Anpassa en linje med scikit-learn.
- Rita linjen över datan.
- 18EgenskaperVälj egenskaper och skala dem.
- Använd mer än en egenskap.
- Skala egenskaper till samma intervall.
- Koda en kategoriegenskap.
- 19FelMät fel med medelkvadratfel.
- Räkna ut residualer.
- Räkna ut medelkvadratfel och medelabsolutfel.
- Rita residualer för att hitta ett mönster.
- 20Förutsäg talTräna en regressionsmodell och förutsäg nya värden.
- Träna på en del av datan.
- Förutsäg resten.
- Rapportera felet i riktiga enheter.
Klassificering
- 21Logistisk regressionTräna en klassificerare med logistisk regression.
- Förklara hur den gör en poäng till en sannolikhet.
- Träna den och förutsäg sannolikheter.
- Ändra tröskeln och jämför.
- 22BeslutsträdTräna ett beslutsträd och läs dess delningar.
- Träna ett träd.
- Rita och läs dess delningar.
- Begränsa djupet och jämför poäng.
- 23k närmaste grannarKlassificera med k närmaste grannar och välj k.
- Förklara hur k närmaste grannar röstar.
- Prova flera värden på k.
- Säg varför skalning spelar roll för k närmaste grannar.
- 24Träna en klassificerareJämför tre klassificerare på en datamängd.
- Träna alla tre på samma uppdelning.
- Jämför deras poäng.
- Välj en och förklara varför.
Oövervakad inlärning
- 25LikhetMät hur lika två prov är.
- Använd euklidiskt avstånd.
- Använd cosinuslikhet.
- Hitta de mest lika sakerna i en datamängd.
- 26k-meansGruppera data med k-means-klustring.
- Gå igenom k-means för hand.
- Kör den i scikit-learn.
- Rita klustren.
- 27Välja kAnvänd armbågsmetoden för att välja ett antal kluster.
- Kör k-means för flera värden på k.
- Rita armbågskurvan.
- Kolla att klustren är rimliga.
- 28Gruppera provKlustra en datamängd och beskriv varje grupp.
- Klustra en riktig datamängd.
- Sammanfatta varje kluster.
- Ge varje kluster ett namn.
Utvärdering av modeller
- 29Uppdelning i träning och testDela data i träning och test och förklara varför.
- Dela med train_test_split.
- Använd en valideringsmängd för att justera.
- Använd korsvalidering.
- 30Träffsäkerhet, precision och täckningRäkna ut träffsäkerhet, precision och täckning.
- Bygg en förväxlingsmatris.
- Räkna ut varje mått från den.
- Välj måttet som passar problemet.
- 31ÖveranpassningUpptäck överanpassning genom att jämföra träning- och testpoäng.
- Träna en modell som överanpassar.
- Rita träning- och testpoäng.
- Minska överanpassningen och jämför.
- 32Enkel baslinjeJämför en modell med en enkel baslinje.
- Bygg en enkel baslinje som alltid gissar det vanligaste svaret.
- Jämför din modell med den.
- Förklara när en modell inte är värd att använda.
Projekt i maskininlärning
- 33Välj en datamängdVälj en öppen miljödatamängd och en fråga.
- Hitta en öppen datamängd om väder eller luftkvalitet.
- Skriv en fråga som den kan svara på.
- Välj regression eller klassificering.
- 34Förbered och utforskaStäda datan och rita diagram för de viktigaste mönstren.
- Städa datan.
- Rita diagram för tre mönster.
- Välj egenskaper.
- 35Träna och jämförTräna två modeller och jämför dem med en enkel baslinje.
- Träna två modeller.
- Jämför dem med en enkel baslinje.
- Kolla efter överanpassning.
- 36Förutsäga miljöförhållandenVisa resultat, gränser och nästa steg.
- Visa dina resultat och diagram.
- Förklara modellens gränser.
- Föreslå nästa steg.