Was sind einige leicht zu erlernende maschinelle Lernanwendungen? [geschlossen]

Da mir das maschinelle Lernen im Allgemeinen neu ist, möchte ich anfangen, herumzuspielen und nach den Möglichkeiten zu suchen.

Ich bin gespannt, welche Anwendungen Sie empfehlen können, um die schnellste Zeit von der Installation bis zu einem aussagekräftigen Ergebnis zu erzielen.

Auch alle Empfehlungen für gute Einstiegsmaterialien zum Thema maschinelles Lernen im Allgemeinen wären willkommen.

Ich würde empfehlen, mit etwas MOOC über maschinelles Lernen zu beginnen. Zum Beispiel Andrew Ngs Kurs bei coursera.

Sie sollten sich auch die Orange- Anwendung ansehen . Es hat eine grafische Oberfläche und es ist wahrscheinlich einfacher, einige ML-Techniken zu verstehen, die es verwenden.

Um ehrlich zu sein, denke ich, dass Sie bei einigen Projekten viel mehr lernen, als nur einen vollständigen Kurs zu absolvieren. Ein Grund dafür ist, dass das Ausführen eines Projekts motivierender und offener ist als das Ausführen von Aufgaben.

Ein Kurs, wenn Sie die Zeit und Motivation (echte Motivation) haben, ist besser als ein Projekt. Die anderen Kommentatoren haben gute Plattformempfehlungen für Tech abgegeben.

Ich denke, vom Standpunkt eines unterhaltsamen Projekts aus sollten Sie eine Frage stellen und einen Computer dazu bringen, die Beantwortung zu lernen.

Einige gute klassische Fragen mit guten Beispielen sind:

• Neuronale Netze zur Erkennung handgeschriebener Ziffern
• Spam-E-Mail-Klassifizierung mit logistischer Regression
• Klassifizierung von Objekten mit Gaußschen Mischungsmodellen
• In einigen Fällen wird eine lineare Regression verwendet, möglicherweise eine Prognose der Lebensmittelpreise in bestimmten Stadtteilen

Diese Projekte haben die Mathematik erledigt, den Code erledigt und können mit Google leicht gefunden werden.

Andere coole Themen können von Ihnen gemacht werden!

Zuletzt erforsche ich die Robotik, daher sind die meisten FUN-Anwendungen für mich Verhaltensanwendungen. Beispiele können umfassen (wenn Sie mit einem Arduino spielen können)

Erstellen Sie eine Anwendung, die möglicherweise eine logistische Regression verwendet und anhand der Innentemperatur und des Lichtstatus im Raum erfährt, wann der Lüfter ein- und ausgeschaltet werden muss.

Erstellen Sie eine Anwendung, die einem Roboter das Bewegen eines Stellglieds, z. B. eines Rads, anhand von Sensoreingaben (z. B. durch Drücken einer Taste) mithilfe von Gaußschen Mischmodellen lehrt (Lernen aus der Demonstration).

Wie auch immer, die sind ziemlich weit fortgeschritten. Der Punkt, den ich anspreche, ist, dass Sie, wenn Sie ein Projekt auswählen, das Ihnen (wirklich wirklich) gefällt, und ein paar Wochen damit verbringen, eine Menge lernen und so viel mehr verstehen, als Sie für ein paar Aufgaben tun müssen.

Ich denke, Weka ist ein guter Ausgangspunkt. Sie können eine Reihe von Aufgaben erledigen, z. B. überwachtes Lernen oder Clustering, und auf einfache Weise eine große Anzahl von Algorithmen mit Methoden vergleichen.

Wekas ​​Handbuch ist eigentlich ein Buch über maschinelles Lernen und Data Mining, das als Einführungsmaterial verwendet werden kann.

Vorausgesetzt, Sie sind mit Programmierung vertraut, würde ich empfehlen, sich mit Scikit-Learn zu beschäftigen . Es hat besonders nette Hilfeseiten, die als Mini-Tutorials / eine kurze Tour durch maschinelles Lernen dienen können. Wählen Sie einen Bereich aus, den Sie interessant finden, und arbeiten Sie die Beispiele durch.

Ich fand den Pluralsight-Kurs Einführung in maschinelles Lernen eine großartige Ressource. Es verwendet die Encog-Bibliothek, um schnell verschiedene ml-Techniken zu erkunden.

Wenn Sie R Studio bereits kennen, ist das Caret-Paket ein guter Anfang. Hier sind einige Tutorials:

1. https://class.coursera.org/predmachlearn-002
2. http://caret.r-forge.r-project.org/index.html

Mit R und Caret können Sie auf einfache Weise Datensätze laden und verbinden, Funktionen reduzieren, Hauptkomponenten analysieren und mithilfe verschiedener Algorithmen trainieren und vorhersagen.

Wenn Sie das 6x3-Raster von Grafiken aus dem Banner der http://scikit-learn.org/-Seite reproduzieren können, haben Sie etwas ML und etwas Python gelernt. Du hast keine Sprache erwähnt. Python ist einfach genug, um sehr schnell zu lernen, und in scikit-learn sind zahlreiche Algorithmen implementiert.

Dann probieren Sie Ihre eigenen Daten aus!

Zusätzlich zu den Kursen und Tutorials, die veröffentlicht wurden, würde ich etwas mehr "Hands on" vorschlagen : Kaggle hat einige Einführungswettbewerbe, die Ihr Interesse wecken könnten (die meisten Leute beginnen mit dem Titanic-Wettbewerb). Und es gibt eine Vielzahl von Themen, die Sie erforschen und in denen Sie sich messen können, wenn Sie mehr Erfahrung sammeln möchten.

Wie in den obigen Antworten erwähnt , lernen Sie die Grundlagen von ML anhand von MOOCs von Prof.Andrew Ng und 'Learning From Data' von Prof. Yaser Abu-Mostafa.

R ist der klare Gewinner als das am häufigsten verwendete Werkzeug in Kaggle-Wettbewerben. (Vergiss nicht, die Ressourcen in Kaggle-Wiki und -Foren zu überprüfen.)

Lerne R und Python. Coursera 'Data Science' hat einen Einführungskurs . Fast alle Algorithmen befinden sich in Python- und R-Bibliotheken. Fühlen Sie sich frei, die Algorithmen zu verwenden, die Sie in einigen Kaggle-Wettbewerben gelernt haben. Vergleichen Sie zunächst die Leistung mehrerer Algorithmen für den Titanic-Datensatz und den Digit Recognizer- Datensatz für kaggle .

Üben Sie auch weiterhin an verschiedenen Datensätzen!