Wolfram Maschinelles Lernen | Zum Ausprobieren

Nehmen Sie Änderungen vor und führen Sie jeden Code aus, indem Sie in den Code klicken und die Tastenkombination
+
drücken.
Maschinelles Lernen & künstliche neuronale Netze. Vom klassischen maschinellen Lernen in Produktionsqualität bis hin zu moderner künstlicher Intelligenz, mit tiefgreifender Integration von statistischer Analyse, Visualisierung, Bildverarbeitung und mehr. Alles, was Sie brauchen, um intelligente Systeme aufzubauen.

Klassifikatoren verwenden und trainieren

Verwenden Sie einen vorab trainierten Klassifikator, um Bilder zu erkennen:
Ausführen
Classify"NotablePerson",

Verwenden Sie einen vorab trainierten Sprachklassifikator für Text:
Ausführen
Classify["Language","the house is blue","la maison est bleue","la casa es azul","das Haus ist blau","房子是蓝色的","المنزل باللون الأزرق","будинок синій"]
Vorgefertigte Modelle werden in vielen anderen Funktionen verwendet:
Ausführen
ImageIdentify
,
,
,SpecificityGoal->"Low"
Trainieren Sie Ihre eigenen Klassifikatoren mit High-Level-Code:
Ausführen
topicClassifier=​​Classify​​"the cat is grey"->
,​​"my cat is fast"->
,​​"this dog is scary"->
,​​"the big dog"->
​​
Verwenden Sie Ihr trainiertes Modell:
Ausführen
topicClassifier[{"nice cat","what a dog"}]

Clusteranalyse

Finden Sie Cluster in Daten:
Ausführen
ListPlotFindClusters
GaussianDisks

Geben Sie die Methode und andere Optionen für eine bessere Kontrolle an:
Ausführen
ListPlotFindClusters
Rings
,Method->"DBSCAN"
Analysieren Sie Cluster im Kontext von Diagrammen:
Ausführen
CommunityGraphPlot[ExampleData[{"NetworkGraph","JazzMusicians"}]]
Analysieren Sie Komponenten in Bildern:
Ausführen
ClusteringComponents
,7//Colorize

Dimensionalitätsreduktion

Eine Farbfunktion zeigt, dass die Struktur von Daten in einen Raum mit geringerer Dimension eingebettet werden kann:
Ausführen
ListPointPlot3D
Higher Dimension Data
,​​ColorFunction->Hue0.5-0.5
Total[
2
{#1,#2}
]
&,​​ColorFunctionScaling->False,​​
Options

Erstellen Sie eine dimensionsreduzierende Funktion für diesen Datensatz:
Ausführen
dr=DimensionReduction
Higher Dimension Data
,Method->"Isomap"
Wenden Sie die dimensionsreduzierenden Funktion auf die Daten an:
Ausführen
ListPlotdr
Higher Dimension Data
,ColorFunction(Hue[0.5#1]&)

Anomale Daten entdecken

Rufen Sie alle Informationen aus einem klassischen Datensatz ab:
Ausführen
In[]:=
irisdata=ResourceData["Sample Data: Fisher's Irises"][All,{"PetalLength","SepalWidth"},QuantityMagnitude];
Erstellen Sie eine Funktion zur Erkennung von Anomalien:
Ausführen
detector=AnomalyDetection[irisdata]
Erstellen Sie eine dimensionsreduzierende Funktion für diesen Datensatz:
Ausführen
anomalies=FindAnomalies[detector,irisdata]
Visualisieren Sie die Daten und die Entscheidungsgrenze:
Ausführen
Show​​ContourPlotdetector[{x,y},"RarerProbability"],{x,-1,9},{y,1,5},
Options
,​​ListPlot{irisdata,anomalies},
Options
​​

Werte für fehlende Daten imputieren

Simulieren Sie fehlende Daten, indem Sie einige Informationen aus einem Datensatz entfernen:
Ausführen
incompletedata=
Data
/.{x_/;4<x<5,y_}:>{x,Missing[]};​​ListPlot[incompletedata]
Trainieren Sie eine Verteilung zur Vorhersage fehlender Werte:
Ausführen
{nonmissingdata,missingdata}=GatherBy[incompletedata,MemberQ[_Missing]];​​ld=LearnDistribution[nonmissingdata]
Synthetisieren Sie die fehlenden Werte und stellen Sie die Ergebnisse dar:
Ausführen
synthesized=SynthesizeMissingValues[ld,missingdata];​​ListPlot[{incompletedata,synthesized}]

Neuronale Netze trainieren und untersuchen

Ermitteln Sie einen klassischen Datensatz für die Klassifikation:
Ausführen
In[]:=
trainingdata=ResourceData["MNIST","TrainingData"];​​testdata=ResourceData["MNIST","TestData"];​​SeedRandom[1234];​​RandomSample[trainingdata,5]
Out[]=

9,
4,
0,
2,
5
Trainieren Sie ein Modell anhand der Daten (die Auswertung könnte länger dauern):
Ausführen
In[]:=
trainedNet=NetTrain[NetModel["LeNet"],trainingdata,MaxTrainingRounds->2]
Out[]=
NetChain
Inputport:
image
Outputport:
class
Data not saved. Save now

Beobachten Sie die Leistung des trainierten Netzes:
Ausführen
NetMeasurements[trainedNet,testdata,{"Accuracy","ConfusionMatrixPlot"}]
Out[]=
0.9889,
actual class
​
predicted class


Computer Vision

Verarbeitung von natürlicher Sprache

Sprachanalyse