Apprentissage automatique avec Wolfram | Choses à essayer

Effectuez des modifications et exécutez n’importe quel morceau de code en cliquant à l’intérieur du code et en appuyant sur
+
.
Apprentissage automatique et réseaux neuronaux. De l’apprentissage automatique classique de niveau production à l’intelligence artificielle moderne, avec une intégration approfondie de l’analyse statistique, de la visualisation, du traitement d’images et d’autres éléments permettant de construire des systèmes intelligents.

Utilisez et entraînez des classifieurs

Utilisez un classifieur pré-entraîné pour reconnaître les images :
Exécuter
Classify"NotablePerson",

Utilisez un classifieur linguistique pré-entraîné sur le texte :
Exécuter
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"]
Les modèles pré-entraînés sont utilisés dans de nombreuses autres fonctions :
Exécuter
ImageIdentify
,
,
,SpecificityGoal->"Low"
Entraînez vos propres classifieurs à l’aide d’un code de haut niveau :
Exécuter
topicClassifier=​​Classify​​"the cat is grey"->
,​​"my cat is fast"->
,​​"this dog is scary"->
,​​"the big dog"->
​​
Utilisez votre modèle entraîné :
Exécuter
topicClassifier[{"nice cat","what a dog"}]

Analyse de partitionnement

Trouvez des clusters dans les données :
Exécuter
ListPlotFindClusters
GaussianDisks

Spécifiez la méthode et d’autres options pour un meilleur contrôle :
Exécuter
ListPlotFindClusters
Rings
,Method->"DBSCAN"
Analysez les clusters dans le contexte des graphes :
Exécuter
CommunityGraphPlot[ExampleData[{"NetworkGraph","JazzMusicians"}]]
Analysez les composantes des images :
Exécuter
ClusteringComponents
,7//Colorize

Réduction de la dimensionnalité

Une fonction de couleur montre que la structure des données peut être intégrée dans un espace de dimension inférieure :
Exécuter
ListPointPlot3D
Higher Dimension Data
,​​ColorFunction->Hue0.5-0.5
Total[
2
{#1,#2}
]
&,​​ColorFunctionScaling->False,​​
Options

Créez une fonction de réduction des dimensions pour cet ensemble de données :
Exécuter
dr=DimensionReduction
Higher Dimension Data
,Method->"Isomap"
Appliquez la fonction de réduction des dimensions aux données :
Exécuter
ListPlotdr
Higher Dimension Data
,ColorFunction(Hue[0.5#1]&)

Détectez les données anormales

Extrayez des informations d’un ensemble de données classique :
Exécuter
In[]:=
irisdata=ResourceData["Sample Data: Fisher's Irises"][All,{"PetalLength","SepalWidth"},QuantityMagnitude];
Créez une fonction de détection des anomalies :
Exécuter
detector=AnomalyDetection[irisdata]
Utilisez la fonction de détection pour trouver des anomalies dans l’ensemble de données :
Exécuter
anomalies=FindAnomalies[detector,irisdata]
Visualisez les données et les limites de la décision :
Exécuter
Show​​ContourPlotdetector[{x,y},"RarerProbability"],{x,-1,9},{y,1,5},
Options
,​​ListPlot{irisdata,anomalies},
Options
​​

Imputez des valeurs pour les données manquantes

Simulez des données manquantes en supprimant certaines informations dans un ensemble de données :
Exécuter
incompletedata=
Data
/.{x_/;4<x<5,y_}:>{x,Missing[]};​​ListPlot[incompletedata]
Entraînez une loi pour prédire les valeurs manquantes :
Exécuter
{nonmissingdata,missingdata}=GatherBy[incompletedata,MemberQ[_Missing]];​​ld=LearnDistribution[nonmissingdata]
Synthétisez les valeurs manquantes et tracez les résultats :
Exécuter
synthesized=SynthesizeMissingValues[ld,missingdata];​​ListPlot[{incompletedata,synthesized}]

Entraînez et étudiez les réseaux neuronaux

Récupérez un ensemble de données classiques pour la classification :
Exécuter
In[]:=
trainingdata=ResourceData["MNIST","TrainingData"];​​testdata=ResourceData["MNIST","TestData"];​​SeedRandom[1234];​​RandomSample[trainingdata,5]
Out[]=

9,
4,
0,
2,
5
Entraînez un modèle sur les données (l’évaluation peut prendre plus de temps) :
Exécuter
In[]:=
trainedNet=NetTrain[NetModel["LeNet"],trainingdata,MaxTrainingRounds->2]
Out[]=
NetChain
Inputport:
image
Outputport:
class
Data not saved. Save now

Visualisez les performances du réseau entraîné :
Exécuter
NetMeasurements[trainedNet,testdata,{"Accuracy","ConfusionMatrixPlot"}]
Out[]=
0.9889,
actual class
​
predicted class


Vision par ordinateur

Traitement du langage naturel

Analyse de la parole