บทเรียนทั้งหมด

คอร์ส

AI ชั้นมัธยมศึกษาปีที่ 3: Python และการเรียนรู้ของเครื่อง

ใช้ Python, NumPy และ pandas เพื่อฝึกและประเมินโมเดลการเรียนรู้ของเครื่องแบบคลาสสิก.

เรียนทีละบทตามลำดับ. พอจบ เธอเขียน Python ด้วยโครงสร้างข้อมูลและฟังก์ชันที่ใช้ซ้ำได้. เธอบวกเวกเตอร์ คำนวณความน่าจะเป็น และหาค่าเฉลี่ยกับส่วนเบี่ยงเบนมาตรฐานได้. เธอโหลด ทำความสะอาด และทำแผนภูมิของตารางด้วย NumPy และ pandas ได้. เธอจับเส้นตรงให้เข้ากับข้อมูล ฝึกตัวจำแนกแบบการถดถอยโลจิสติก ต้นไม้ตัดสินใจ และเพื่อนบ้านใกล้สุด k ตัว และจัดกลุ่มข้อมูลด้วย k-means ได้. เธอคำนวณความถูกต้อง ความแม่นยำ และความครอบคลุม สังเกตการฟิตเกิน เปรียบเทียบโมเดลกับเส้นฐานอย่างง่าย และนำเสนอคำทำนายจากชุดข้อมูลสิ่งแวดล้อมได้.

ใช้บทเรียนเหล่านี้ยังไง

  • เริ่มที่บทที่มีคำว่า ทำอันนี้. บรรทัดใต้ชื่อบททำเองได้แล้วค่อยไปต่อ.
  • เล่นเกมก่อน. แล้วทำแบบทดสอบ. ผ่านเมื่อถูก 8/10 ข้อ. ใบงานอยู่บนกระดาษ. คำตอบอยู่ด้านล่าง.
  • แต่ละบทต่อจากบทก่อน. จดทุกการทดลองไว้: เปลี่ยนอะไร เกิดอะไร และทำไม.
  • บทเขียนโค้ดใช้ Python ในสมุดออนไลน์ฟรี. ใช้เฉพาะเครื่องมือ AI ที่ครูอนุญาต. อธิบายโค้ดที่ AI เขียนให้. อย่าใส่ข้อมูลส่วนตัวในชุดข้อมูลที่แชร์.

แต่ละบทมีเกม แบบทดสอบ และใบงาน

0/36

การเขียนโปรแกรม Python

  1. 1ทบทวนไวยากรณ์เขียน Python ด้วยตัวแปร เงื่อนไข และลูป.
    • ใช้ตัวแปร ชนิดข้อมูล และ f-strings.
    • เขียนบล็อก if, for และ while.
    • อ่าน traceback แล้วแก้ข้อผิดพลาด.
  2. 2โครงสร้างข้อมูลเลือกโครงสร้างข้อมูล: ลิสต์ ทูเพิล เซต หรือดิกชันนารี.
    • ใช้โครงสร้างข้อมูลแต่ละแบบให้เหมาะกับงาน.
    • เขียน list comprehension และ dictionary comprehension.
    • ซ้อนโครงสร้างเพื่อเก็บระเบียน.
  3. 3ฟังก์ชันและโมดูลเขียนและทดสอบฟังก์ชันที่ใช้ซ้ำได้.
    • ใช้อาร์กิวเมนต์ค่าเริ่มต้นและอาร์กิวเมนต์แบบระบุชื่อ.
    • เขียนเทสต์ด้วย assert.
    • อิมพอร์ตฟังก์ชันของคุณจากโมดูล.
  4. 4สคริปต์ข้อมูลเขียนสคริปต์ที่ทำความสะอาดไฟล์ข้อความ.
    • อ่านไฟล์ทีละบรรทัด.
    • แก้แถวที่เสีย และข้ามแถวว่าง.
    • เขียนข้อมูลที่สะอาดลงไฟล์ใหม่.

คณิตศาสตร์สำหรับการเรียนรู้ของเครื่อง

  1. 5เวกเตอร์บวกเวกเตอร์ และหาระยะทางระหว่างจุด.
    • เขียนจุดข้อมูลให้เป็นเวกเตอร์.
    • บวกเวกเตอร์ และคูณด้วยจำนวน.
    • คำนวณระยะทางยูคลิดและผลคูณจุด.
  2. 6ความน่าจะเป็นคำนวณความน่าจะเป็นอย่างง่ายและความน่าจะเป็นแบบมีเงื่อนไข.
    • คำนวณความน่าจะเป็นของเหตุการณ์.
    • คำนวณความน่าจะเป็นแบบมีเงื่อนไขจากตาราง.
    • จำลองการโยนเหรียญเพื่อตรวจคำตอบ.
  3. 7สถิติหาค่าเฉลี่ย ความแปรปรวน และส่วนเบี่ยงเบนมาตรฐาน.
    • คำนวณแต่ละค่าด้วยมือและด้วยโค้ด.
    • อธิบายว่าส่วนเบี่ยงเบนมาตรฐานบอกอะไร.
    • เปรียบเทียบสองชุดข้อมูลจากความกระจาย.
  4. 8การทดลองคณิตศาสตร์พล็อตข้อมูล และบรรยายความกระจาย.
    • พล็อตฮิสโตแกรม.
    • พล็อตแผนภูมิกระจาย.
    • บรรยายจุดศูนย์กลาง ความกระจาย และค่าผิดปกติ.

วิทยาการข้อมูล

  1. 9NumPyคำนวณทั้งอาร์เรย์ด้วย NumPy.
    • สร้างอาร์เรย์และเปลี่ยนรูปร่าง.
    • ใช้การคำนวณทั้งก้อนแทนลูป.
    • ใช้ดัชนีและตัวตัดกับอาร์เรย์.
  2. 10pandasโหลด กรอง และจัดกลุ่มตารางด้วย pandas.
    • โหลด CSV เข้า DataFrame.
    • กรองแถวและเลือกคอลัมน์.
    • จัดกลุ่มและสรุปข้อมูล.
  3. 11ทำความสะอาดข้อมูลทำความสะอาดข้อมูล: จัดการค่าที่หายไปและชนิดที่ผิด.
    • หาค่าที่หายไป.
    • เติมหรือทิ้ง แล้วอธิบายว่าทำไมเลือกแบบนั้น.
    • แก้ชนิดที่ผิดและแถวที่ซ้ำ.
  4. 12การทำแผนภูมิทำแผนภูมิที่ตอบคำถาม.
    • เลือกแผนภูมิให้ตรงกับคำถาม.
    • ติดป้ายแกนและใส่ชื่อเรื่อง.
    • หาแผนภูมิที่ชวนเข้าใจผิด แล้วแก้.

พื้นฐานการเรียนรู้ของเครื่อง

  1. 13การเรียนรู้ของเครื่องคืออะไรอธิบายว่าโมเดลเรียนรู้รูปแบบจากข้อมูลอย่างไร.
    • เทียบการเขียนกฎกับการเรียนรู้จากข้อมูล.
    • อธิบายโมเดล พารามิเตอร์ และการฝึก.
    • บอกการใช้การเรียนรู้ของเครื่องจริง ๆ สามอย่าง.
  2. 14แบบมีผู้สอนและแบบไม่มีผู้สอนแยกงานแบบมีผู้สอนออกจากงานแบบไม่มีผู้สอน.
    • บอกว่าการเรียนรู้แบบมีผู้สอนใช้ป้ายกำกับ.
    • บอกว่าการเรียนรู้แบบไม่มีผู้สอนหาโครงสร้างโดยไม่มีป้ายกำกับ.
    • จัด 10 งานเข้าสองกลุ่มนี้.
  3. 15ขั้นตอนการเรียนรู้ของเครื่องเรียงขั้นตอนจากข้อมูลถึงโมเดลที่ใช้งานได้.
    • เรียงขั้นตอน: คำถาม ข้อมูล ฟีเจอร์ ฝึก ประเมิน นำไปใช้.
    • บอกว่าแต่ละขั้นผิดพลาดได้อย่างไร.
    • บอกว่าทำไมขั้นตอนจึงต้องทำซ้ำ.
  4. 16เปรียบเทียบงานการเรียนรู้ของเครื่องจับคู่โจทย์กับการถดถอย การจำแนก หรือการจัดกลุ่ม.
    • บอกว่างานแต่ละแบบทำนายอะไร.
    • จับคู่ 10 โจทย์กับงานหนึ่งแบบ.
    • เขียนโจทย์หนึ่งข้อใหม่ให้เป็นอีกงานหนึ่ง.

การถดถอย

  1. 17การถดถอยเชิงเส้นจับเส้นตรงให้เข้ากับข้อมูล.
    • อธิบายความชันและจุดตัด.
    • จับเส้นตรงด้วย scikit-learn.
    • พล็อตเส้นทับบนข้อมูล.
  2. 18ฟีเจอร์เลือกฟีเจอร์และปรับสเกล.
    • ใช้มากกว่าหนึ่งฟีเจอร์.
    • ปรับฟีเจอร์ให้อยู่ช่วงเดียวกัน.
    • เข้ารหัสฟีเจอร์ที่เป็นหมวดหมู่.
  3. 19ความคลาดเคลื่อนวัดความคลาดเคลื่อนด้วยค่าคลาดเคลื่อนกำลังสองเฉลี่ย.
    • คำนวณส่วนตกค้าง.
    • คำนวณค่าคลาดเคลื่อนกำลังสองเฉลี่ยและค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย.
    • พล็อตส่วนตกค้างเพื่อหารูปแบบ.
  4. 20ทำนายตัวเลขฝึกโมเดลการถดถอย และทำนายค่าใหม่.
    • ฝึกด้วยข้อมูลส่วนหนึ่ง.
    • ทำนายส่วนที่เหลือ.
    • รายงานความคลาดเคลื่อนเป็นหน่วยจริง.

การจำแนก

  1. 21การถดถอยโลจิสติกฝึกตัวจำแนกแบบการถดถอยโลจิสติก.
    • อธิบายว่ามันเปลี่ยนคะแนนให้เป็นความน่าจะเป็นอย่างไร.
    • ฝึกมัน และทำนายความน่าจะเป็น.
    • เปลี่ยนเกณฑ์ แล้วเปรียบเทียบ.
  2. 22ต้นไม้ตัดสินใจฝึกต้นไม้ตัดสินใจ และอ่านจุดที่มันแยก.
    • ฝึกต้นไม้หนึ่งต้น.
    • วาดจุดที่แยก และอ่านให้เข้าใจ.
    • จำกัดความลึก แล้วเทียบคะแนน.
  3. 23เพื่อนบ้านใกล้สุด k ตัวจำแนกด้วยเพื่อนบ้านใกล้สุด k ตัว และเลือก k.
    • อธิบายว่าเพื่อนบ้านใกล้สุด k ตัวโหวตอย่างไร.
    • ลองค่า k หลายค่า.
    • บอกว่าทำไมการปรับสเกลจึงสำคัญต่อเพื่อนบ้านใกล้สุด k ตัว.
  4. 24ฝึกตัวจำแนกเปรียบเทียบตัวจำแนกสามแบบบนชุดข้อมูลเดียว.
    • ฝึกทั้งสามบนการแบ่งชุดเดียวกัน.
    • เปรียบเทียบคะแนนของพวกมัน.
    • เลือกหนึ่งแบบ และอธิบายว่าทำไม.

การเรียนรู้แบบไม่มีผู้สอน

  1. 25ความคล้ายวัดว่าสองตัวอย่างคล้ายกันแค่ไหน.
    • ใช้ระยะทางยูคลิด.
    • ใช้ความคล้ายโคไซน์.
    • หาสิ่งที่คล้ายที่สุดในชุดข้อมูล.
  2. 26k-meansจัดกลุ่มข้อมูลด้วย k-means.
    • เดินทีละขั้นของ k-means ด้วยมือ.
    • รันใน scikit-learn.
    • พล็อตกลุ่ม.
  3. 27การเลือก kใช้วิธีข้อศอกเพื่อเลือกจำนวนกลุ่ม.
    • รัน k-means ด้วยค่า k หลายค่า.
    • พล็อตเส้นโค้งข้อศอก.
    • ตรวจว่ากลุ่มนั้นสมเหตุสมผล.
  4. 28จัดกลุ่มตัวอย่างจัดกลุ่มชุดข้อมูล และบรรยายแต่ละกลุ่ม.
    • จัดกลุ่มชุดข้อมูลจริง.
    • สรุปแต่ละกลุ่ม.
    • ตั้งชื่อให้แต่ละกลุ่ม.

การประเมินโมเดล

  1. 29แบ่งชุดฝึกและชุดทดสอบแบ่งข้อมูลเป็นชุดฝึกกับชุดทดสอบ และอธิบายว่าทำไม.
    • แบ่งด้วย train_test_split.
    • ใช้ชุดตรวจสอบเพื่อปรับโมเดล.
    • ใช้การตรวจสอบไขว้.
  2. 30ความถูกต้อง ความแม่นยำ และความครอบคลุมคำนวณความถูกต้อง ความแม่นยำ และความครอบคลุม.
    • สร้างตารางความสับสน.
    • คำนวณแต่ละตัววัดจากตารางนั้น.
    • เลือกตัววัดที่เหมาะกับโจทย์.
  3. 31การฟิตเกินสังเกตการฟิตเกินโดยเทียบคะแนนชุดฝึกกับชุดทดสอบ.
    • ฝึกโมเดลที่เกิดการฟิตเกิน.
    • พล็อตคะแนนชุดฝึกและชุดทดสอบ.
    • ลดการฟิตเกิน แล้วเปรียบเทียบ.
  4. 32เส้นฐานอย่างง่ายเปรียบเทียบโมเดลกับเส้นฐานอย่างง่าย.
    • สร้างเส้นฐานอย่างง่ายที่เดาคำตอบที่พบบ่อยที่สุดเสมอ.
    • เปรียบเทียบโมเดลของคุณกับมัน.
    • อธิบายว่าเมื่อไรโมเดลไม่คุ้มที่จะใช้.

โครงงานการเรียนรู้ของเครื่อง

  1. 33เลือกชุดข้อมูลเลือกชุดข้อมูลสิ่งแวดล้อมแบบเปิด และเลือกคำถาม.
    • หาชุดข้อมูลเปิดเรื่องสภาพอากาศหรือคุณภาพอากาศ.
    • เขียนคำถามที่ชุดข้อมูลนั้นตอบได้.
    • เลือกการถดถอยหรือการจำแนก.
  2. 34เตรียมและสำรวจทำความสะอาดข้อมูล และทำแผนภูมิรูปแบบหลัก.
    • ทำความสะอาดข้อมูล.
    • ทำแผนภูมิสามรูปแบบ.
    • เลือกฟีเจอร์.
  3. 35ฝึกและเปรียบเทียบฝึกสองโมเดล และเปรียบเทียบกับเส้นฐานอย่างง่าย.
    • ฝึกสองโมเดล.
    • เปรียบเทียบกับเส้นฐานอย่างง่าย.
    • ตรวจหาการฟิตเกิน.
  4. 36ทำนายสภาพสิ่งแวดล้อมนำเสนอผล ข้อจำกัด และขั้นต่อไป.
    • แสดงผลและแผนภูมิของคุณ.
    • อธิบายข้อจำกัดของโมเดล.
    • เสนอขั้นต่อไป.