A legújabb gépi tanulási projektek, amelyeket kipróbálhatunk 2019-ben

Ez a cikk átfogó ismereteket nyújt az ipar gépi tanulási projektjeiről és az ezen a területen elért áttörésekről.

egyértelműen olyan terület, amely őrült előrelépéseket tett az elmúlt években. Ez a tendencia és az előrelépések sok munkalehetőséget teremtettek az iparban. A szükség Gépi tanulási mérnökök nagy a kereslet, és ez a hullám a fejlõdõ technológiának és a hatalmas adatmennyiségnek, vagyis a Big Data-nak köszönhetõ. Tehát ebben a cikkben a legcsodálatosabb gépi tanulási projekteket fogom megvitatni, amelyeket mindenképp ismerni és együttműködni kell, a következő sorrendben:



Mi az a gépi tanulás?

A gépi tanulás olyan fogalom, amely lehetővé teszi a gép számára, hogy tanuljon példákból és tapasztalatokból, és ezt is anélkül, hogy kifejezetten programoznák. Tehát ahelyett, hogy megírná a kódot, az az, hogy adatokat tölt be az általános algoritmusba, és az algoritmus / gép a megadott adatok alapján építi fel a logikát.



Aki ML mérnök

Gépi tanulási lépések

Bármely gépi tanulási algoritmus közös mintát vagy lépéseket követ.



Adatgyűjtés: Ez a szakasz magában foglalja az összes releváns adat összegyűjtését különböző forrásokból

Adatkezelés: Ez a „Nyers adatok” tisztításának és átalakításának olyan formátumba konvertálása, amely kényelmes fogyasztást tesz lehetővé

Adatok elemzése: Az adatokat elemzik a modell elkészítéséhez szükséges adatok kiválasztásához és szűréséhez



Vonat algoritmus: Az algoritmust betanítják a képzési adatkészletre, amelyen keresztül az algoritmus megérti az adatokat irányító mintát és szabályokat

Tesztmodell: A tesztelési adatkészlet meghatározza modellünk pontosságát.

Telepítés: Ha a modell sebessége és pontossága elfogadható, akkor ezt a modellt a valós rendszerbe kell telepíteni. Miután a modellt a teljesítménye alapján telepítették, a modell frissül és javul, ha csökken a teljesítmény, a modell átképzésre kerül.

A gépi tanulás típusai

A gépi tanulást három típusba sorolják:

Felügyelt tanulás: Itt van bemeneti (x) és kimeneti (Y) változó, és algoritmus segítségével megtanulja a leképezési függvényt a bemenettől a kimenetig.

Felügyelet nélküli tanulás: Az adott adatok néha strukturálatlanok és feliratok nélküliak. Tehát nehezen osztályozhatók ezek az adatok különböző kategóriákba. A felügyelet nélküli tanulás segít megoldani ezt a problémát. Ezt a tanulást arra használják, hogy a bemeneti adatokat osztályokba csoportosítsák statisztikai tulajdonságaik alapján.

Megerősítő tanulás: Minden arról szól, hogy megfelelő intézkedéseket tegyenek a jutalom maximalizálása érdekében egy adott helyzetben.
amikor a megerősítő tanulásról van szó, nincs várható eredmény. A megerősítő ügynök eldönti, hogy milyen műveleteket hajtson végre egy adott feladat végrehajtása érdekében. Képzési adatkészlet hiányában köteles tanulni tapasztalataiból.

Most nézzünk meg néhány valós gépi tanulási projektet, amelyek elősegíthetik a vállalatok profitszerzését.

Ipari felhasználási esetek

1. MOZGÁSSTÚDIÓ

Tartomány: Fél

Fókusz: Optimalizálja a kiválasztási folyamatot

egy-egy kapcsolat a java-ban

Üzleti kihívás: A Motion Studio Európa legnagyobb rádiós produkciós háza. A vállalat több mint egymilliárd dolláros bevétel mellett döntött egy új valóságshow indításáról: RJ Csillag. A bemutatóra soha nem látott válasz, és a társaságot hangklipek árasztják el. Önnek, mint ML szakértőnek a férfit / nőt kell osztályoznia, hogy a szűrés első szintje gyorsabb legyen.

Kulcskérdések: A hangminta az ékezeteket mutatja.

Üzleti előny: Mivel RJ Csillag valóságshow, a jelöltek kiválasztására nagyon rövid az idő. A bemutató teljes sikere és így a nyereség a gyors és zökkenőmentes kivitelezéstől függ

import pandák, mint pd, import számok, mint np, import matplotlib.pyplot, mint plt import tengeri születésűek, mint sns% matplotlib inline import figyelmeztetések figyelmeztetések.filterwarnings ('figyelmen kívül hagyni' 'df = pd.read_csv (' hang-osztályozás.csv ') df.head ()

# Ellenőrizze a nem. rekordok df.info () df.describe () df.isnull (). sum ()

print ('Shape of Data:', df.shape) print ('Összes címke száma: {}'. format (df.shape [0])) print ('Male száma: {}'. format (df [ df.label == 'male']. shape [0])) print ('Nő száma: {}'. format (df [df.label == 'female']. shape [0]))

X = df.iloc [:,: -1] print (df.shape) print (X.shape)

from sklearn.preprocessing import LabelEncoder y = df.iloc [:, - 1] gender_encoder = LabelEncoder () y = gender_encoder.fit_transform (y) y from sklearn.preprocessing import StandardScaler scaler = StandardScaler () scaler.fit ( scaler.transform (X) from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0.3, random_state = 100) from sklearn.svm import SVC from sklearn.metr import metrics import osztályozás , confusion_matrix svc_model = SVC () svc_model.fit (X_train, y_train) y_pred = svc_model.predict (X_test) print ('Pontossági pontszám:') print (metrics.accuracy_score (y_test, y_pred))

nyomtatás (confusion_matrix (y_test, y_pred))

2. LIONIONPOWER

Tartomány: Autóipari

Fókusz: Ösztönözze az illesztőprogramokat

Üzleti kihívás: A Lithionpower a legnagyobb elektromos jármű (e-jármű) akkumulátorok szállítója. A járművezetők általában egy napra bérlik az akkumulátort, majd kicserélik a vállalat által feltöltött akkumulátorra. A Lithionpower változó árképzési modellel rendelkezik, amely a vezető vezetési előzményein alapul. Mivel az akkumulátor élettartama olyan tényezőktől függ, mint a túllépés, a napi megtett távolság stb. Önnek, mint ML szakértőnek létre kell hoznia egy klaszter modellt, ahol a járművezetők a vezetési adatok alapján csoportosíthatók.

Kulcskérdések: A járművezetőket a klaszter alapján ösztönzik, ezért a csoportosításnak pontosnak kell lennie.

Üzleti előnyök: A nyereség növekedése, akár 15-20%, mivel a rossz történelemmel rendelkező járművezetőknek többet kell fizetniük.

import pandák, mint pd import számok, mint np import matplotlib.pyplot, mint plt import tengeri születésűek, mint sns sns.set () # a telek stílusához% matplotlib inline import figyelmeztetések warnings.filterwarnings ('ignore') import matplotlib.pyplot as plt plt.rcParams [ 'figure.figsize'] = (12, 6) df = pd.read_csv ('driver-data.csv') df.head ()

df.info () df.describe ()

a sklearn.cluster importból KMeans # 2 fürt felvétele kmeans = KMeans (n_clusters = 2) df_analyze = df.drop ('id', tengely = 1) kmeans.fit (df_analyze)

kmeans.cluster_centers_

print (kmeans.labels_) print (len (kmeans.labels_))

print (type (kmeans.labels_)) egyedi, count = np.unique (kmeans.labels_, return_counts = True) print (dict (zip (egyedi, számít)))

df_analyze ['cluster'] = kmeans.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', palette = 'coolwarm', méret = 6, aspektus = 1, fit_reg = hamis)

# Most ellenőrizzük a fürtöket, amikor n = 4 kmeans_4 = KMeans (n_fürtök = 4) kmeans_4.fit (df.drop ('id', tengely = 1)) kmeans_4.fit (df.drop ('id', tengely) = 1)) print (kmeans_4.cluster_centers_) egyedi, count = np.unique (kmeans_4.labels_, return_counts = True) kmeans_4.cluster_centers_ print (dict (zip (egyedi, számít)))

df_analyze ['cluster'] = kmeans_4.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', palette = 'coolwarm', méret = 6, aspektus = 1, fit_reg = hamis)

3. BluEx

Tartomány: Logisztika

Fókusz: Optimális elérési út

Üzleti kihívás: A BluEx India vezető logisztikai vállalata. A csomagok ügyfeleknek történő hatékony kézbesítéséről ismert. A BluEx azonban olyan kihívással néz szembe, amikor a kisteherautó-sofőrök nem optimális utat választanak a szállításhoz. Ez késéseket és magasabb üzemanyagköltségeket okoz. Önnek, mint ML szakértőnek létre kell hoznia egy ML modellt a Reinforcement Learning használatával, hogy a program révén hatékony utat találjon.

Kulcskérdések: Az adatok sok attribútummal rendelkeznek, és az osztályozás bonyolult lehet.

Üzleti előnyök: Az üzemanyagköltség legfeljebb 15% -át lehet megtakarítani, ha az optimális utat választjuk.

import numpy as np import pylab as plt import networkx as nx # Pontok inicializálása_lista = [(0,1), (1,5), (5,6), (5,4), (1,2), (2 , 3), (2,7)] cél = 7 leképezés = {0: 'Start', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5 ', 6:' 6 ', 7:' 7-Destination '} G = nx.Graph () G.add_edges_from (points_list) pos = nx.pring_layout (G, k =, 5, center = points_list [2]) nx .draw_networkx_nodes (G, pos, node_color = 'g') nx.draw_networkx_edges (G, pos, edge_color = 'b') nx.draw_networkx_labels (G, pos) plt.show ()

NO_OF_POINTS = 8 # Kezdő R mátrix R = np.mátrix (np.ones (alak = (NO_OF_POINTS, NO_OF_POINTS))) R * = -1 a pontok listáján szereplő ponthoz: print (pont), ha [1] = = cél: R [pont] = 150 egyéb: R [pont] = 0, ha a pont [0] == cél: R [pont [:: - 1]] = 150 más: # az R pont hátulja [pont [:: - 1]] = 0

R [gól, gól] = 150 R

Q = np.matrix (np.zeros ([NO_OF_POINTS, NO_OF_POINTS])) # A tanulási paraméter gamma = 0,8 kezdőállomás = 1 def elérhető_műveletek (állapot): current_state_row = R [állapot] av_act = np.where (current_state_row & ampampampgt = 0 ) [1] return av_act available_act = available_actions (kezdőállomás) def sample_next_action (available_actions_range): next_action = int (np.random.choice (available_act, 1)) return next_action action = sample_next_action (available_act) def update (current_state, action, gamma) : max_index = np.where (Q [action,] == np.max (Q [action,])) [1] if max_index.shape [0] & ampampampgt 1: max_index = int (np.random.choice (max_index, méret = 1)) else: max_index = int (max_index) max_value = Q [action, max_index] Q [current_state, action] = R [current_state, action] + gamma * max_value print ('max_value', R [current_state, action] + gamma * max_érték) if (np.max (Q) és ampampampgt 0): return (np.sum (Q / np.max (Q) * 100)) else: return (0) frissítés (kezdőállomás, művelet, gamma)

pontszám = [] i-re a (700) tartományban: current_state = np.random.randint (0, int (Q.shape [0])) available_act = available_actions (current_state) action = sample_next_action (available_act) score = update (current_state, action, gamma) scores.append (score) print ('Score:', str (score)) print ('Trained Q matrix:') print (Q / np.max (Q) * 100) # current_state tesztelése = 0 lépés = [current_state] while current_state! = 7: next_step_index = np.where (Q [current_state,] == np.max (Q [current_state,])) [1] if next_step_index.shape [0] & ampampampgt 1: next_step_index = int (np.random.choice (next_step_index, size = 1)) else: next_step_index = int (next_step_index) steps.append (next_step_index) current_state = next_step_index

print ('A leghatékonyabb elérési út:') print (steps) plt.plot (score) plt.show ()

Nyílt forráskódú gépi tanulási projektek 2019-ben

Detectron : A Detectron a Facebook AI Research szoftver rendszere, amely a legkorszerűbb tárgyfelismerési algoritmusokat valósítja meg. Pythonban íródott, és a Caffe2 mély tanulási keretrendszer hajtja.

A Detectron célja magas színvonalú, nagy teljesítményű kódbázis biztosítása az objektum-felderítési kutatáshoz. Úgy tervezték, hogy rugalmas legyen az új kutatások gyors megvalósításának és értékelésének támogatása érdekében. Több mint 50 előre kiképzett modellt tartalmaz.

Denspose : A sűrű emberi pózbecslés célja az RGB kép összes emberi pixelének feltérképezése az emberi test 3D felületére. A DensePose-RCNN a Detectron keretrendszerben valósul meg.

c ++ használja a névteret

TensorFlow.js : Ez egy könyvtár az ML modellek fejlesztésére és képzésére, valamint a böngészőben történő telepítésre. Nagyon népszerű kiadássá vált, mivel ez év elején jelent meg, és továbbra is csodálkozik rugalmasságával. Ezzel megteheti

  • Fejlessze az ML-t a böngészőben: Használjon rugalmas és intuitív API-kat a modellek nulláról történő elkészítéséhez az alacsony szintű JavaScript lineáris algebra könyvtár vagy a magas szintű rétegek API segítségével.
  • Futtassa a Meglévő modelleket : A TensorFlow.js modell konverterekkel futtathatja a már meglévő TensorFlow modelleket közvetlenül a böngészőben.
  • A meglévő modellek átképzése: Képezze át a már meglévő ML modelleket a böngészőhöz csatlakoztatott szenzoradatok vagy más kliensoldali adatok felhasználásával.

Waveglow: A gépi tanulás az audio feldolgozás terén is jelentős előrelépéseket hajt végre, és nem csak zenét vagy osztályozást generál. A WaveGlow egy Flow-alapú generatív hálózat az NVIDIA beszédszintéziséhez. A kutatók felsorolták azokat a lépéseket is, amelyeket követhet, ha saját modelljét szeretné a nulláról képezni.

Képfestés : Képzelje el, hogy van egy fél képe egy jelenetről, és a teljes díszletet szerette volna, nos ez az, amit a képfestés tehet Önért. Ez a projekt a Stanford Image Outpainting című könyvének Keras-megvalósítása. A modellt képezték 3500 selejtezett strandadatok, összesen legfeljebb 10 500 képek 25 korszak .

Ez egy csodálatos cikk, részletes lépésről lépésre. Kipróbálandó példa minden gépi tanulási rajongó számára. Személy szerint ez a kedvenc gépi tanulási projektem.

Mély festői harmonizáció : Nos, a képekről szólva ez remekmű. Ez az algoritmus az, hogy egy képet vesz bemenetként, majd ha külső elemet ad hozzá a képhez, akkor ezt az elemet úgy keveri a környezetbe, mintha annak része lenne.

Meg tudod különböztetni? Nincs joga? Nos, ez megmutatja, milyen messzire jutottunk a gépi tanulás terén.

DeepMimic: Nézze meg közelebbről az itt található képeket, és egy pálcikaember látható, aki spin-kick, backflip és cartwheel játékot végez. Hogy a barátom a megerősítést tanulja cselekvés közben. A DeepMimic a fizika alapú karakterkészségek példa által irányított mély megerősítése.

Bíborvörös : A Magenta egy kutatási projekt, amely feltárja a gépi tanulás szerepét a művészet és a zene létrehozásának folyamatában. Ez elsősorban új mély tanulási és megerősítő tanulási algoritmusok kifejlesztését jelenti dalok, képek, rajzok és egyéb anyagok előállításához.

Ez egy olyan intelligens eszközök és interfészek kiépítésének feltárása is, amelyek lehetővé teszik a művészek és zenészek terjeszkedését ( ne cserélje le! ) folyamataikat e modellek felhasználásával. Széttárja szárnyait, hozzon létre egyedi tartalmat az Instagram vagy a Soundcloud számára, és váljon influencerré.

Szóval srácok, ezzel véget értünk ennek a csodálatos Machine Learning Projects cikknek. Próbálja ki ezeket a példákat, és tudassa velünk az alábbi megjegyzés részben. Remélem, megismerte a gépi tanulás gyakorlati megvalósítását az iparban. Edureka's elsajátítja az olyan technikákban, mint a felügyelt tanulás, a felügyelet nélküli tanulás és a természetes nyelvfeldolgozás. Képzést tartalmaz a mesterséges intelligencia és a gépi tanulás legújabb fejleményeiről és technikai megközelítéseiről, például a mély tanulásról, a grafikus modellekről és a megerősítő tanulásról