机器学习 - 入门

ການເຕີບການສອນການຈະສາມາດຫຼັງການກວດສອບຂໍ້ມູນແລະສະຖິຕິມູນວິທະຍາສາກົນ.

ການເຕີບການສອນການແມ່ນໜຶ່ງບາງບານໃນການເດີນທາງມາດຕະການຄວາມຄິດປະຕິບັດຊີວິດ (AI).

ການຮຽນສອນການເຕີບການທີ່ສາມາດວິເຄາະຂໍ້ມູນແລະຮຽນການຄາດຄະແນນຜົນ.

ຈະເລີ່ມຈາກຈັກນັ້ນ?

ໃນຄູ່ນີ້ພວກເຮົາຈະກັບຄືນໄປຫາທາງການວິທະຍາສາດວິທະຍາສາກົນ ແລະຮຽນການສາມາດຄາດຄະແນນຄຳຕອບຢູ່ບໍ່ບາງທີ່ຈາກຖານຂໍ້ມູນ.

ພວກເຮົາຍັງຈະຮຽນການນຳໃຊ້ສະມາຊິກ Python ທັງໝົດເພື່ອຄົ້ນຫາຄຳຕອບທີ່ຕ້ອງການ.

ແລະ ພວກເຮົາຈະຮຽນການຂຽນຫົວວິທີທີ່ສາມາດຄາດຄະແນນຜົນຄາດຄະແນນຢູ່ບໍ່?

ຖານຂໍ້ມູນ

ໃນຄອມພິວເຕິກຂອງພວກເຮົາ ຖານຂໍ້ມູນອາດຈະເປັນສະແດງວັດຖຸລະບົບຫຼືຖານຂໍ້ມູນທັງໝົດ. ມັນສາມາດຈະແມ່ນວັດຖຸລະບົບຈາກສະແດງວັດຖຸລະບົບຫຼືຖານຂໍ້ມູນທັງໝົດ.

ຕົວຢ່າງຂອງວັດຖຸລະບົບ:

[99,86,87,88,111,86,103,87,94,78,77,85,86]

ຕົວຢ່າງຂອງຖານຂໍ້ມູນ:

Carname Color Age Speed AutoPass
BMW ສີແດງ 5 99 Y
Volvo ສີດຳ 7 86 Y
VW ສີຫຼາຍ 8 87 N
VW ສີຂາວ 7 88 Y
Ford ສີຂາວ 2 111 Y
VW ສີຂາວ 17 86 Y
Tesla ສີແດງ 2 103 Y
BMW ສີດຳ 9 87 Y
Volvo ສີຫຼາຍ 4 94 N
Ford ສີຂາວ 11 78 N
Toyota ສີຫຼາຍ 12 77 N
VW ສີຂາວ 9 85 N
Toyota ກາບຂຽວ 6 86 Y

ຈາກການກວດສອບສະແດງວັດຖຸລະບົບພວກເຮົາສາມາດຄາດຄະແນນວ່າຄູ່ຄາງພະຍາຍາມຈະຢູ່ທີ່ 80 ຫຼື 90 ແລະພວກເຮົາຍັງສາມາດກວດຄຳຖານທີ່ຫຼາຍທີ່ສຸດແລະຫຼາຍທີ່ສຸດໄດ້ກໍ່ຕາມ ແຕ່ພວກເຮົາຍັງສາມາດເຮັດຫຍັງຢ່າງໃດອີກ?

通过查看数据库，我们可以看到最受欢迎的颜色是白色，最老的车龄是 17 年，但是如果仅通过查看其他值就可以预测汽车是否具有 AutoPass，该怎么办？

这就是机器学习的目的！分析数据并预测结果！

在机器学习中，通常使用非常大的数据集。在本教程中，我们会尝试让您尽可能容易地理解机器学习的不同概念，并将使用一些易于理解的小型数据集。

数据类型

如需分析数据，了解我们要处理的数据类型非常重要。

我们可以将数据类型分为三种主要类别：

  • 数值（Numerical）
  • 分类（Categorical）
  • 序数（Ordinal）

数值数据是数字，可以分为两种数值类别：

离散数据（Discrete Data）
- 限制为整数的数字。例如：经过的汽车数量。
连续数据（Continuous Data）
- 具有无限值的数字。例如：一件商品的价格或一件商品的大小。

分类数据是无法相互度量的值。例如：颜色值或任何 yes/no 值。

序数数据类似于分类数据，但可以相互度量。示例：A 优于 B 的学校成绩，依此类推。

通过了解数据源的数据类型，您就能够知道在分析数据时使用何种技术。

在下一章中，您将学习有关统计和分析数据的更多知识。