Wolfram Aprendizaje automático | Ejemplos a probar

Edite y ejecute cualquier pieza de código haciendo clic dentro del código y presionando
+
.
Aprendizaje automático y redes neuronales. Cree sistemas inteligentes de nivel de producción con IA moderna, integrados profundamente con aprendizaje automático clásico y análisis estadístico, visualización, procesamiento de imágenes y más.

Use y entrene clasificadores

Use un clasificador preentrenado para reconocer imágenes:
Ejecutar
Classify"NotablePerson",

Use un clasificador de idioma preentrenado en texto:
Ejecutar
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"]
Los modelos preentrenados se utilizan en muchas otras funciones:
Ejecutar
ImageIdentify
,
,
,SpecificityGoal->"Low"
Entrene sus propios clasificadores con código de alto nivel:
Ejecutar
topicClassifier=​​Classify​​"the cat is grey"->
,​​"my cat is fast"->
,​​"this dog is scary"->
,​​"the big dog"->
​​
Use su modelo entrenado:
Ejecutar
topicClassifier[{"nice cat","what a dog"}]

Análisis de clústeres

Encuentre clústeres en datos:
Ejecutar
ListPlotFindClusters
GaussianDisks

Especifique el método y otras opciones para un mayor control:
Ejecutar
ListPlotFindClusters
Rings
,Method->"DBSCAN"
Analice clústeres en el contexto de grafos:
Ejecutar
CommunityGraphPlot[ExampleData[{"NetworkGraph","JazzMusicians"}]]
Analice componentes en imágenes:
Ejecutar
ClusteringComponents
,7//Colorize

Reducción de dimensionalidad

Una función de color muestra que la estructura de datos puede incrustarse en un espacio de menor dimensión:
Ejecutar
ListPointPlot3D
Higher Dimension Data
,​​ColorFunction->Hue0.5-0.5
Total[
2
{#1,#2}
]
&,​​ColorFunctionScaling->False,​​
Options

Cree una función de reducción de dimensión para este conjunto de datos:
Ejecutar
dr=DimensionReduction
Higher Dimension Data
,Method->"Isomap"
Aplique la función de reducción de dimensión a los datos:
Ejecutar
ListPlotdr
Higher Dimension Data
,ColorFunction(Hue[0.5#1]&)

Detecte datos anómalos

Recupere unformación de un conjunto de datos clásico:
Ejecutar
In[]:=
irisdata=ResourceData["Sample Data: Fisher's Irises"][All,{"PetalLength","SepalWidth"},QuantityMagnitude];
Cree una función de detección de anomalías:
Ejecutar
detector=AnomalyDetection[irisdata]
Use la función detectora para encontrar anomalías en el conjunto de datos:
Ejecutar
anomalies=FindAnomalies[detector,irisdata]
Visualice los datos y la frontera de desición:
Ejecutar
Show​​ContourPlotdetector[{x,y},"RarerProbability"],{x,-1,9},{y,1,5},
Options
,​​ListPlot{irisdata,anomalies},
Options
​​

Impute valores para datos faltantes

Simule datos faltantes eliminando una cantidad de información de un conjunto de datos:
Ejecutar
incompletedata=
Data
/.{x_/;4<x<5,y_}:>{x,Missing[]};​​ListPlot[incompletedata]
Entrene una distribución para predecir valores faltantes:
Ejecutar
{nonmissingdata,missingdata}=GatherBy[incompletedata,MemberQ[_Missing]];​​ld=LearnDistribution[nonmissingdata]
Sintetice los valores faltantes y represente los resultados:
Ejecutar
synthesized=SynthesizeMissingValues[ld,missingdata];​​ListPlot[{incompletedata,synthesized}]

Entrene y estudie redes neuronales

Recupere un conjunto de datos clásico para clasificación:
Ejecutar
In[]:=
trainingdata=ResourceData["MNIST","TrainingData"];​​testdata=ResourceData["MNIST","TestData"];​​SeedRandom[1234];​​RandomSample[trainingdata,5]
Out[]=

9,
4,
0,
2,
5
Entrene un modelo con los datos (esto puede tardar más en evaluarse):
Ejecutar
In[]:=
trainedNet=NetTrain[NetModel["LeNet"],trainingdata,MaxTrainingRounds->2]
Out[]=
NetChain
Inputport:
image
Outputport:
class
Data not saved. Save now

Vea cómo se desempeña la red entrenada:
Ejecutar
NetMeasurements[trainedNet,testdata,{"Accuracy","ConfusionMatrixPlot"}]
Out[]=
0.9889,
actual class
​
predicted class


Visión artificial

Procesamiento de lenguaje natural

Análisis de voz