Tüm dersler

Kurs

9. sınıf Yapay Zeka: Python ve Makine Öğrenmesi

Klasik makine öğrenmesi modellerini eğitmek ve değerlendirmek için Python, NumPy ve pandas kullan.

Dersleri sırayla bitir. Sonunda veri yapıları ve yeniden kullanılabilir fonksiyonlarla Python yazabilirsin. Vektörleri toplayabilir, olasılık hesaplayabilir, ortalama ve standart sapmayı bulabilirsin. NumPy ve pandas ile bir tabloyu yükleyebilir, temizleyebilir ve grafiğini çizebilirsin. Veriye bir doğru uydurabilir, lojistik regresyon, karar ağacı ve k en yakın komşu sınıflandırıcılarını eğitebilir, veriyi k-means ile gruplayabilirsin. Doğruluk, kesinlik ve duyarlılığı hesaplayabilir, aşırı öğrenmeyi fark edebilir, bir modeli basit tabanla karşılaştırabilir ve bir çevre veri kümesinden tahminleri sunabilirsin.

Bu dersleri nasıl kullanırsın

  • Bunu yap yazan dersten başla. Başlığın altındaki satırı kendin yapınca devam et.
  • Önce Oyunlar. Sonra Sınav. 8/10 doğru ile geçersin. Çalışma kağıtları kağıt üzerinde. Cevaplar en altta.
  • Her ders bir öncekine dayanır. Her deneyi yaz: ne değiştirdin, ne oldu ve neden.
  • Kod dersleri ücretsiz çevrimiçi bir defterde Python kullanır. Yalnızca öğretmeninin onayladığı yapay zeka araçlarını kullan. Yapay zekanın senin için yazdığı kodu açıkla. Paylaştığın veri kümesine kişisel veri koyma.

Her derste oyunlar, sınav ve çalışma kağıtları vardır.

0/36

Python programlama

  1. 1Sözdizimi tekrarıDeğişkenler, koşullar ve döngülerle Python yaz.
    • Değişken, tür ve f-strings kullan.
    • if, for ve while blokları yaz.
    • Bir traceback oku ve hatayı düzelt.
  2. 2Veri yapılarıListe, demet, küme veya sözlük arasından bir veri yapısı seç.
    • Her veri yapısını en uygun işi için kullan.
    • Liste ve sözlük comprehension yaz.
    • Kayıt tutmak için yapıları iç içe koy.
  3. 3Fonksiyonlar ve modüllerYeniden kullanılabilir fonksiyonlar yaz ve test et.
    • Varsayılan ve anahtar sözcük argümanları kullan.
    • assert ile test yaz.
    • Fonksiyonlarını bir modülden içe aktar.
  4. 4Veri betikleriBir metin dosyasını temizleyen bir betik yaz.
    • Dosyayı satır satır oku.
    • Kötü satırları düzelt, boşları atla.
    • Temiz veriyi yeni bir dosyaya yaz.

Makine öğrenmesi için matematik

  1. 5VektörlerVektörleri topla ve noktalar arasındaki uzaklığı bul.
    • Bir veri noktasını vektör olarak yaz.
    • Vektörleri topla ve bir sayıyla çarp.
    • Öklid uzaklığını ve nokta çarpımını hesapla.
  2. 6OlasılıkBasit ve koşullu olasılık hesapla.
    • Bir olayın olasılığını hesapla.
    • Bir tablodan koşullu olasılık hesapla.
    • Cevabını kontrol etmek için yazı tura simülasyonu yap.
  3. 7İstatistikOrtalama, varyans ve standart sapmayı bul.
    • Her birini elle ve kodla hesapla.
    • Standart sapmanın ne söylediğini açıkla.
    • İki veri kümesini yayılıma göre karşılaştır.
  4. 8Matematik deneyleriVeriyi çiz ve yayılımını anlat.
    • Bir histogram çiz.
    • Bir saçılım grafiği çiz.
    • Merkezi, yayılımı ve aykırı değerleri anlat.

Veri bilimi

  1. 9NumPyNumPy ile bütün diziler üzerinde işlem yap.
    • Dizi oluştur ve biçimini değiştir.
    • Döngü yerine vektörleştirilmiş işlem kullan.
    • Dizilerde indeksle ve dilimle.
  2. 10pandaspandas ile bir tabloyu yükle, süz ve grupla.
    • Bir CSV dosyasını DataFrame olarak yükle.
    • Satırları süz ve sütunları seç.
    • Veriyi grupla ve özetle.
  3. 11Veri temizlemeVeriyi temizle: eksik değerleri ve yanlış türleri ele al.
    • Eksik değerleri bul.
    • Onları doldur ya da at, seçimini açıkla.
    • Yanlış türleri ve yinelenen satırları düzelt.
  4. 12GörselleştirmeBir soruyu yanıtlayan grafikler çiz.
    • Soruya uygun grafiği seç.
    • Eksenleri adlandır ve başlık ekle.
    • Yanıltıcı bir grafik bul ve düzelt.

Makine öğrenmesinin temelleri

  1. 13Makine öğrenmesi nedirBir modelin veriden bir örüntü nasıl öğrendiğini açıkla.
    • Kural yazmayı ve veriden öğrenmeyi karşılaştır.
    • Model, parametre ve eğitimi tanımla.
    • Makine öğrenmesinin üç gerçek kullanımını söyle.
  2. 14Denetimli ve denetimsizDenetimli görevleri denetimsiz görevlerden ayır.
    • Denetimli öğrenmenin etiket kullandığını söyle.
    • Denetimsiz öğrenmenin etiketsiz yapı bulduğunu söyle.
    • 10 görevi bu iki gruba ayır.
  3. 15Makine öğrenmesi adımlarıVeriden çalışan bir modele giden adımları listele.
    • Adımları sırala: soru, veri, özellik, eğit, değerlendir, kullanıma al.
    • Her adımda neyin ters gidebileceğini söyle.
    • Adımların neden yinelendiğini söyle.
  4. 16Makine öğrenmesi görevlerini karşılaştırProblemleri regresyon, sınıflandırma veya kümelemeyle eşleştir.
    • Her görevin ne tahmin ettiğini söyle.
    • 10 problemi bir görevle eşleştir.
    • Bir problemi başka bir görev olarak yeniden yaz.

Regresyon

  1. 17Doğrusal regresyonVeriye bir doğru uydur.
    • Eğimi ve kesimi açıkla.
    • scikit-learn ile bir doğru uydur.
    • Doğruyu verinin üzerine çiz.
  2. 18ÖzelliklerÖzellik seç ve ölçekle.
    • Birden fazla özellik kullan.
    • Özellikleri aynı aralığa ölçekle.
    • Bir kategori özelliğini kodla.
  3. 19HataHatayı ortalama karesel hata ile ölç.
    • Artıkları hesapla.
    • Ortalama karesel hata ve ortalama mutlak hata hesapla.
    • Bir örüntü bulmak için artıkları çiz.
  4. 20Sayı tahmin etBir regresyon modeli eğit ve yeni değerler tahmin et.
    • Verinin bir kısmıyla eğit.
    • Kalanını tahmin et.
    • Hatayı gerçek birimlerle bildir.

Sınıflandırma

  1. 21Lojistik regresyonBir lojistik regresyon sınıflandırıcısı eğit.
    • Bir puanı olasılığa nasıl çevirdiğini açıkla.
    • Onu eğit ve olasılık tahmin et.
    • Eşiği değiştir ve karşılaştır.
  2. 22Karar ağaçlarıBir karar ağacı eğit ve ayrılmalarını oku.
    • Bir ağaç eğit.
    • Ayrılmalarını çiz ve oku.
    • Derinliğini sınırla ve puanları karşılaştır.
  3. 23k en yakın komşuk en yakın komşu ile sınıflandır ve k seç.
    • k en yakın komşunun nasıl oy verdiğini açıkla.
    • Birkaç k değeri dene.
    • Ölçeklemenin k en yakın komşu için neden önemli olduğunu söyle.
  4. 24Bir sınıflandırıcı eğitÜç sınıflandırıcıyı tek bir veri kümesinde karşılaştır.
    • Üçünü de aynı bölümmede eğit.
    • Puanlarını karşılaştır.
    • Birini seç ve nedenini açıkla.

Denetimsiz öğrenme

  1. 25Benzerlikİki örneğin ne kadar benzer olduğunu ölç.
    • Öklid uzaklığını kullan.
    • Kosinüs benzerliğini kullan.
    • Bir veri kümesindeki en benzer öğeleri bul.
  2. 26k-meansVeriyi k-means kümeleme ile grupla.
    • k-means adımlarını elle izle.
    • scikit-learn içinde çalıştır.
    • Kümeleri çiz.
  3. 27k seçmekKüme sayısını seçmek için dirsek yöntemini kullan.
    • Birkaç k değeri için k-means çalıştır.
    • Dirsek eğrisini çiz.
    • Kümelerin anlamlı olduğunu kontrol et.
  4. 28Örnekleri gruplaBir veri kümesini kümele ve her grubu anlat.
    • Gerçek bir veri kümesini kümele.
    • Her kümeyi özetle.
    • Her kümeye bir ad ver.

Model değerlendirme

  1. 29Eğitim ve test bölümüVeriyi eğitim ve test diye böl ve nedenini açıkla.
    • train_test_split ile böl.
    • Ayar yapmak için bir doğrulama kümesi kullan.
    • Çapraz doğrulama kullan.
  2. 30Doğruluk, kesinlik ve duyarlılıkDoğruluk, kesinlik ve duyarlılık hesapla.
    • Bir karışıklık matrisi kur.
    • Her ölçüyü ondan hesapla.
    • Probleme uyan ölçüyü seç.
  3. 31Aşırı öğrenmeEğitim ve test puanlarını karşılaştırarak aşırı öğrenmeyi fark et.
    • Aşırı öğrenen bir model eğit.
    • Eğitim ve test puanlarını çiz.
    • Aşırı öğrenmeyi azalt ve karşılaştır.
  4. 32Basit tabanBir modeli basit tabanla karşılaştır.
    • Her zaman en sık cevabı tahmin eden bir basit taban kur.
    • Modelini onunla karşılaştır.
    • Bir modelin ne zaman kullanılmaya değmediğini açıkla.

Makine öğrenmesi projesi

  1. 33Bir veri kümesi seçAçık bir çevre veri kümesi ve bir soru seç.
    • Açık bir hava durumu veya hava kalitesi veri kümesi bul.
    • Onun yanıtlayabileceği bir soru yaz.
    • Regresyon veya sınıflandırma seç.
  2. 34Hazırla ve keşfetVeriyi temizle ve ana örüntülerin grafiğini çiz.
    • Veriyi temizle.
    • Üç örüntünün grafiğini çiz.
    • Özellik seç.
  3. 35Eğit ve karşılaştırİki model eğit ve onları basit tabanla karşılaştır.
    • İki model eğit.
    • Onları basit tabanla karşılaştır.
    • Aşırı öğrenme var mı bak.
  4. 36Çevre koşullarını tahmin etmekSonuçları, sınırları ve sonraki adımları sun.
    • Sonuçlarını ve grafiklerini göster.
    • Modelin sınırlarını açıkla.
    • Sonraki adımları öner.