Wolfram Machine Learning | Experimente!
Wolfram Machine Learning | Experimente!
Edite e execute qualquer trecho de código clicando dentro do código e pressionando .
+
Machine Learning & Redes Neurais. De machine learning clássica de nível de produção à inteligência artificial moderna, com profunda integração com análise estatística, visualização, processamento de imagens e muito mais para construir sistemas inteligentes.
Usar e Treinar Classificadores
Usar e Treinar Classificadores
Use um classificador pré-treinado para reconhecer imagens: |
Classify"NotablePerson",
Use um classificador de linguagem pré-treinado em textos: |
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"]
Utilize modelos pré-treinados em diversas outras funções: |
ImageIdentify
,
,
,SpecificityGoal->"Low"
Treine seus próprios classificadores com código de alto nível: |
topicClassifier=Classify"the cat is grey"->
,"my cat is fast"->
,"this dog is scary"->
,"the big dog"->
Use seu modelo treinado: |
topicClassifier[{"nice cat","what a dog"}]
Análise de Clusters
Análise de Clusters
Encontre clusters nos dados: |
ListPlotFindClusters
Especifique o método e outras opções para maior controle: |
ListPlotFindClusters,Method->"DBSCAN"
Analise clusters no contexto de grafos: |
CommunityGraphPlot[ExampleData[{"NetworkGraph","JazzMusicians"}]]
Analise componentes em imagens: |
ClusteringComponents
,7//Colorize
Redução de Dimensionalidade
Redução de Dimensionalidade
Utilize uma função de cor para mostrar que a estrutura dos dados pode ser incorporada em um espaço de menor dimensão: |
ListPointPlot3D,ColorFunction->Hue0.5-0.5
Total[]
&,ColorFunctionScaling->False,2
{#1,#2}
Crie uma função de redução de dimensionalidade para este conjunto de dados: |
dr=DimensionReduction,Method->"Isomap"
Aplique a função de redução de dimensionalidade aos dados: |
ListPlotdr,ColorFunction(Hue[0.5#1]&)
Deteção de Dados Anômalos
Deteção de Dados Anômalos
Recupere informações de um conjunto de dados clássico: |
In[]:=
irisdata=ResourceData["Sample Data: Fisher's Irises"][All,{"PetalLength","SepalWidth"},QuantityMagnitude];
Crie uma função de detecção de anomalias: |
detector=AnomalyDetection[irisdata]
Use a função de detecção para encontrar anomalias no conjunto de dados: |
anomalies=FindAnomalies[detector,irisdata]
Visualize os dados e o limite de decisão: |
ShowContourPlotdetector[{x,y},"RarerProbability"],{x,-1,9},{y,1,5},,ListPlot{irisdata,anomalies},
Imputação de Valores para Dados Ausentes
Imputação de Valores para Dados Ausentes
Simule dados ausentes removendo algumas informações de um conjunto de dados: |
incompletedata=/.{x_/;4<x<5,y_}:>{x,Missing[]};ListPlot[incompletedata]
Treine uma distribuição para prever valores ausentes: |
{nonmissingdata,missingdata}=GatherBy[incompletedata,MemberQ[_Missing]];ld=LearnDistribution[nonmissingdata]
Sintetize os valores ausentes e plote os resultados: |
synthesized=SynthesizeMissingValues[ld,missingdata];ListPlot[{incompletedata,synthesized}]
Treinar e Estudar Redes Neurais
Treinar e Estudar Redes Neurais
Recupere um conjunto de dados clássico para classificação: |
In[]:=
trainingdata=ResourceData["MNIST","TrainingData"];testdata=ResourceData["MNIST","TestData"];SeedRandom[1234];RandomSample[trainingdata,5]
Out[]=
9,
4,
0,
2,
5
Treine um modelo nos dados (essa avaliação pode levar maior tempo de execução): |
In[]:=
trainedNet=NetTrain[NetModel["LeNet"],trainingdata,MaxTrainingRounds->2]
Out[]=
NetChain
Veja como a rede treinada se desempenha: |
NetMeasurements[trainedNet,testdata,{"Accuracy","ConfusionMatrixPlot"}]
Out[]=
0.9889,
actual class | |
| predicted class |
Visão Computacional
Visão Computacional
Processamento de Linguagem Natural
Processamento de Linguagem Natural
Análise de Fala
Análise de Fala