Python 機器學習–徹底研究-從零開始親手學習機器學習和人工智慧。

  • Python 機器學習投影片
  • Udemy30 天內無條件退款
  • Python 機器學習–徹底研究-從零開始親手打造影像辨識系統。
  • 本課程有一天學會 Python,Python 機器學習–徹底研究-從零開始親手打造影像辨識系統和TensorFlow+Keras  Python 機器學習影像辨識系統三套重要課程。
  • Windows 10環境安裝Python軟體及Anaconda軟體,包含Spider及Jupyter Notebook
  • TensorFlow+Keras  Python 機器學習影像辨識系統。
  • 循序漸進,從基礎到實作,從Python程式語言基礎到Python深度學習與Python機器學習,再到TensorFlow+Keras CNN影片辨識
  • 親手使用TensorFlow CNN卷積深度學習影像辨識TensorFlow 計算圖及Tensorboard.
  • 親手TensorFlow Visualization視覺化輸出
  • 這是華人界的知名科學家吳佳諺所推出的線上課程。
  • 24個小時…..99講座…讓你完全了解Python程式語言,Python機器學習與Python深度學習類神經網路,徹底瞭解與實作SVM萬用分類機,機器學習分群,監督式學習分類,決策樹,卷積CNN深度學習類神經網路,Python 機器學習影像辨識系統,讓您徹底瞭解大數據資料庫資料分析
  • 決策樹實務運用在金融保險信用評等分析
  • 基本機器學習演算法,線性迴歸,邏輯迴歸,分群降維使用主成份分析PCA,分類降維LDA
  • 單純貝氏分類器
  • Python連接使用MySQL資料庫和最新SQL Server 2017資料庫機器學習.
  • 從觀念入門,親手打造手寫辨識,讓你全盤了解Python資料科學,Python資料庫,Python商管應用。
  • 初學者到進階使用者,對資料科學有興趣的人,商管財經人士,文法商人員,一般工程師,理工醫,電子電機與資料工程師、資料科學家。
  • 讓自己鍍金,提升自我價值。
  • Python 機器學習 為徹底研究機器學習,一天學會 Python–從零開始徹底精通Python 程式語言,Python 深度學習,徹底研究深度學習課程。
  • 一天學會 Python–從零開始徹底精通Python 程式語言,Python 深度學習,Python 機器學習 為徹底研究機器學習,徹底研究深度學習課程。
  • 這三套課程一天學會 Python為基礎重要課程,這三套為大數據人工智慧機器學習整合徹底研究課程

1.下載及安裝Python軟體

1-1.在Mac下載及安裝Python軟體

使用pip install 套件名稱

  • 安裝套件
  • pip install 套件名稱
  • 解除安裝套件
  • pip uninstall 套件名稱
  • 檢視目前系統已經安裝的套件
  • pip list

安裝Anaconda,Numpy,Matplotilib

在Mac選取Launchpad打開Anaconda Navigator

在Mac可以選取Spider或jupyter notebook來執行

1-2.在Window 10下載及安裝Python軟體

在Window 10下載及安裝Python軟體

  • 在Window 10下載及安裝Python軟體

這是安裝程式軟體的路徑,預設是安裝在C:\Programs目錄下

在Window 10打開Python開發環境

這是Python的Shell直譯器

按下win鍵,選取命令提示字元

在命令提示字元下輸入python

進入python直譯器

離開python直譯器輸入exit()

  • 在Windows 10安裝Anaconda

安裝Anaconda,Numpy,Matplotilib

選取Python 3.6版本

使用conda安裝模組

選取Spider

選取Jupyter Notebook

1-3下載及安裝PyCharm

在Mac下載及安裝PyCharm

安裝完Python後,設定直譯器路徑

Pycharm可以使用Python和Jupyter notebook的檔案

在Pycharm新增函式庫

在Windows 10下安裝Pycharm

下載Community版

2.Python直譯器與計算機

  • Mac電腦/usr/local/bin
  • Windows電腦C:\python36
  • set path=%path%;C:\python36
  • 這是設定utf-8-*-編碼
  • #-*- coding: utf-8 -*-
  • #是註解符號
  • 輸入python執行
  • $ python

變數資料型態

    • 整數
    • 浮點數
    • 字串
  • 運算式是由運算子與運算元組成
  • +加-減*乘/除是運算子,先乘除後加減的結合優先順序
  • 運算元是變數,數字,字串和資料結構
  • =是分配符號,將右邊的值分配給左邊變數

3.資料結構

  • 變數
  • 運算式與運算子
  • 串列
  • 堆疊
  • 佇列

數組tuple,集合set和字典

  • 可以用數組tuple來儲存固定的元素,使用小括號()來建立一數組tuple
  • 集合的元素放置沒有按照順序,可以使用{}大括號來建立一集合Set
  • 集合加上索引就是字典{索引:值}

4.控制結構

  • 布林運算式,布林值為True或False
  • 在if敘述中,條件後的敘述只執行一次,而在while敘述中,則可執行一次以上。
  • While敘述的程序圖形中.選取結構和循序結構,都只執行程式敘述一次,如果我們要讓同一行程式重複執行好幾遍則要用迴圈敘述。
  • 迴圈敘述可以重複執行某一段程式好幾遍,直到條件的不成立才跳出這個迴圈。
  • 選取結構if
  • 語法if:
  • if 條件運算式:
  •     程式敘述1
  • else:
  •     程式敘述2
  • 迴圈結構while,for
  • 語法:
  • for  計數變數  in range(起始值,終始值):
  • 程式敘述

邏輯運算子

  • 邏輯運算子可以結合條件,以一個表達式判斷許多條件,而這些條件的結果不是真True就是假False。
  • and稱為”與邏輯運算子”,只有當所有條件都成立時才會回傳真True,否則回傳假False。
  • or稱為或邏輯運算子,只要運算式中一個條件成立就會回傳真True,只有當所有的條件都為假Fasle時,才會回傳假False。
  • not為相反邏輯運算子,真True的條件加上not相反邏輯運算子時,就會變成假False﹔當假False的條件加上not相反邏輯運算子時,就會變成真True。

一個選擇的if敘述

  • if 條件:

敘述

巢狀的if敘述與多重選擇決策

  • 在這個例子中有5個等級來做選擇,就叫做多重選擇。
  • 語法:
  • if (條件1):
    • 敘述1
  • elif (條件2):
    • 敘述2
  • elif (條件3):
    • 敘述3
  • elif (條件4):
    • 敘述4
  • else (條件5):
    • 敘述5

迴圈結構for

  • Python提供for敘述作為迴圈,除了迴圈主體敘述(statement),還有迴圈的條件結構。

迴圈結構while

  • 在if敘述中,條件後的敘述只執行一次,而在while敘述中,則可執行一次以上。

5.函數

將多個複雜的程式區塊包在函數裡面,這樣在需要時,可以重複呼叫它.

遞迴函數是自己呼叫自己的函數,有最終值,開始回傳.

pass敘述沒做任何事

預設參數值

使用者自訂函數

區域變數的生存空間

  • 函數的參數為區域變數.函數的參數生存空間只在函數的範圍內
  • 在函數內定義的變數,其作用範圍在函數內

6.類別

成員屬性與成員方法

類別和實體變數

  • _init__(self,..)為建構函數,實體化物件時會呼叫它
  • self為自己這個物件
  • __init__(self)建構物件, __del__(self)解構物件

7.繼承

  • class 子類別(父類別1,父類別2,父類別3,..):
  •       敘述1
  •       敘述2
  • 當子類別繼承 (inheritance) 超過一個來源的時候,會以寫在最左邊的父類別優先繼承,多個父類別如果有相同名稱的屬性 (attribute) 與方法 (method) ,就會以最左邊的父類別優先。

多型:子類別和父類別有同名的getEngine()名稱

8.異常或錯誤處理

使用raise關鍵字丟出例外

開啟,關閉及寫入檔案

檔案處理

  • fp=open(‘檔案名稱’,’檔案開啟模式’)

9.使用matplotlib畫圖

  • Matplotlib.pyplot是畫圖的命令集合函數.每一個pyplot函數可以建立或修改圖形

10.Python 資料結構與畫圖簡介

  • •數組tuple和集合set
  • •Scipy科學函數庫
  • •numpy模組建立矩陣
  • •Pandas資料結構
  • •Matplotlib畫圖

11.數組tuple和集合set和Scipy科學函數庫

  • 可以用數組tuple來儲存固定的元素,使用小括號()來建立一數組tuple
  • 集合的元素放置沒有按照順序,可以使用{}大括號來建立一集合Set
  • Scipy模組提供科學運算及線性代數的運算模組

12.numpy模組建立矩陣

  • •numpy模組建立矩陣
  • •矩陣運算
  • •reshape()改變陣列的長寬
  • •np.zeros((10,3))產生10*3的矩陣

13.Pandas資料結構

  • 使用pip install安裝pandas
  • Pandas讀取csv
  • 讀取台灣加權股價指數csv檔,big5編碼
  • 實作讀取台灣加權股價指數
  • Series序列資料
  • pandas的DataFrame
  • 實作Pandas資料結構
  • 資料選擇與篩選
  • lambda可調式參數

14.Matplotlib畫圖2

  • •Matplotlib畫圖
  • •plt.plot([1,2,3,4])預設是X軸
  • •# ‘r—’紅色虛線,’bs’藍色矩形,’g^’綠色三角形
  • •scatter()散點圖函數
  • •meshgrid()函數畫網格

15.分類與預測

  • 資料採礦過程
  • 分類與預測
  • 決策樹 信用評等範例
  • 監督式學習分類
  • 天氣決策樹決定是否騎腳踏車

資訊熵Entropy

Information Gain資訊增益

ID3決策樹演算法

鳶尾花決策樹分類

隨機森林結合強學習

  • K-nearest最鄰近分類演算法KNN

16.Python 機器學習分群

  • 分群分析
  • 分群的應用
  • 資料採礦對分群的需要
  • 分群的依據
  • 主要的分群方式
    • 群聚演算法k-means
    • 階層式分群
    • 密度為基礎的分群方法

群聚演算法k-means

  • 將資料庫的n個物件來建構K個群聚的分群
  • k-means:群聚的中心為基礎的分群
    • 遞迴的尋找最小成本
    • 設有k個群聚,0為第0次開始,每次加1,調整群聚中心
    • 計算群聚成本最小化

階層式分群

  • 階層式聚合式分群會從下面開始合併群聚,直到滿足停止條件為止.
    • 計算所有樣本的距離矩陣
    • 將每個樣本作為一個單一的集群
    • 合併兩個最近的集群對
    • 更新距離矩陣
    • 重複上面步驟,直到群聚成兩個分群

密度為基礎的空間集群方法

  • DBSCAN演算法:
    • 以密度為基礎的群聚,如果密度足夠,它就會被視為群聚的一部分,此時會考慮鄰居.如果它們也高密度,就將它們與第一個區域合併,否則決定了分群.
    • 當這個程序掃描完所有區域後,就可確定所有群聚.
  • 主要特徵:
    • 發現任意形狀的群聚
    • 可以處理雜訊
    • 密度參數當作終止條件

17.基本機器學習演算法

  • 線性迴歸
  • Logistic邏輯迴歸
  • 單純貝氏分類器(Naive Bayes Classifiers)

其中P(A|B)是在B發生的情況下A發生的可能。

  • 分群降維使用主成份分析PCA

主成分分析PCA是一種分析、簡化數據集的技術。PCA是使用矩陣投影方式將n維度樣本投影到m維度空間使用W轉換矩陣,其中m<<n。

  • 分類降維使用線性判別分析LDA

18SVM萬用分類機

SVM最佳化分類平面

解最小化Lagrange乘法數問題

分錯時要補償的問題

求取成本最小解,C為補償參數

將輸入資料對應到高維度特徵空間

特徵空間轉換

使用核心函數做向量空間轉換

  • 高斯RBF核心
  • 多項式核心

Python實作鳶尾花分類

高斯RBF核心,標準偏差小,決策邊界較緊,標準偏差大,決策邊界較鬆

Support Vector Regression 迴歸分析

鬆弛變數

19.Python 類神經網路深度學習

安裝Tensorflow

安裝Keras

類神經網路圖形辨識MNIST

類神經深度學習

繪製實際和預測結果的手寫辨識

20.Python 機器學習

Python 機器學習

認知演算法

鳶尾花

加州大學鳶尾花資料

決策區域函數

建立模型Perceptron

21.鳶尾花_大數據資料

  • 其數據集包含了150個樣本,分別是山鳶尾、變色鳶尾和維吉尼亞鳶尾。
  • 四個特徵被用作樣本的定量分析,它們分別是花萼和花瓣的長度和寬度。基於這四個特徵的集合,一個線性判別分析以確定其屬種。

22.決策區域函數

classifier為我們的分類演算法

23.Python 分類演算法_適應性神經元

適應性神經元 過大的學習速率,無法收斂 最小化成本函數 遞減梯度 以Python實作適應性神經元 標準化的特徵縮放

24.適應性神經元

Adaline使用輸出是連續值的線性啟動函數來計算模型誤差,並且更新權重W

25.最小化成本函數

使用成本函數的梯度來更新權重

26.遞減梯度

J(w)成本函數

27.TensorFlow+Keras CNN卷積深度學習Cifar-10圖形辨識

安裝Tensorflow

Cifar-10圖片集

範例:cifar10_data_ok

  • cifar10.load_data()載入訓練和測試資料
  • RGB(紅藍綠)圖像:圖像中每個像素紅藍綠顏色可以由0(黑)到255(白)的亮度值(Intensity)表示。0-255之間表示不同的紅藍綠顏色值。
  • Keras的核心為模型
  • 卷積和池化各有四層
  • add()我們可以一層一層的將神經網路疊起。在每一層之中我們只需要設定每層的大小(units)與啟動函數(activation function)。
  • 最佳化隨機梯度下降
  • 訓練模型,使用交叉熵
  • 建立模型model.fit()

預測測試10000筆的準確度73%

範例:cifar10_kk

TensorFlow CNN卷積深度學習影像辨識

安裝Tensorflow

  • 在PyCharm新增TensorFlow

Cifar-10圖片集

啟動Tensorboard

  • TensorFlow卷積的圖形
  • TensorFlow conv_1卷積變數的範圍
  • TensorFlow Visualization視覺化輸出
  • TensorFlow 計算圖 全連接層神經元
  • TensorFlow 全連接層神經元fully_connected_1變數範圍
  • TensorFlow Cifar_10影像特徵圖

TensorFlow Saver類別儲存變數

混淆矩陣

28.SQL Server 2017 Python 機器學習

安裝SQL SERVER 2017開發版

安裝SQL SERVER 2017開發版_實作

安裝SQL Server 2017評估版_實作

打開SQL Server管理工具

29.MySQL資料庫 Python 機器學習

MySQL資料庫安裝_Windows版

MySQL資料庫安裝_Windows版_實作

MySQL資料庫安裝_MAC版

MySQL資料庫安裝_MAC版_實作

Python連接並操作MySQL資料庫

Python連接並操作MySQL資料庫實作