Wolfram 機器學習 | 值得嘗試的事情

透過點擊程式碼內部並按下
+
可以編輯並執行任何程式碼.
機器學習與神經網路。從生產級經典機器學習到現代人工智能，與統計分析、視覺化、圖像處理等深度整合以及構建智能系統。

使用和訓練分類器

使用預先訓練的分類器辨識圖像：
執行
Classify"NotablePerson",

對文字使用預先訓練的語言分類器：
執行
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"]
預先訓練的模型用於許多其他功能：
執行
ImageIdentify
,
,
,SpecificityGoal->"Low"
使用高階代碼訓練自己的分類器：
執行
topicClassifier=​​Classify​​"the cat is grey"->
,​​"my cat is fast"->
,​​"this dog is scary"->
,​​"the big dog"->
​​
使用訓練好的模型：
執行
topicClassifier[{"nice cat","what a dog"}]

聚類分析

尋找資料中的聚類：
執行
ListPlotFindClusters
GaussianDisks

指定方法和其他選項以獲得更好的控制：
執行
ListPlotFindClusters
Rings
,Method->"DBSCAN"
根據圖形内容分析聚類：
執行
CommunityGraphPlot[ExampleData[{"NetworkGraph","JazzMusicians"}]]
分析圖像中的元件：
執行
ClusteringComponents
,7//Colorize

降維

顏色函數顯示資料結構可以嵌入到較低維度空間：
執行
ListPointPlot3D
Higher Dimension Data
,​​ColorFunction->Hue0.5-0.5
Total[
2
{#1,#2}
]
&,​​ColorFunctionScaling->False,​​
Options

為此資料集建立一個降維函數：
執行
dr=DimensionReduction
Higher Dimension Data
,Method->"Isomap"
對資料套用降維函數：
執行
ListPlotdr
Higher Dimension Data
,ColorFunction(Hue[0.5#1]&)

偵測異常資料

從經典資料集中檢索資訊：
執行
In[]:=
irisdata=ResourceData["Sample Data: Fisher's Irises"][All,{"PetalLength","SepalWidth"},QuantityMagnitude];
建立異常偵測函數：
執行
detector=AnomalyDetection[irisdata]
使用檢測器函數尋找資料集中的異常：
執行
anomalies=FindAnomalies[detector,irisdata]
視覺化資料和決策邊界：
執行
Show​​ContourPlotdetector[{x,y},"RarerProbability"],{x,-1,9},{y,1,5},
Options
,​​ListPlot{irisdata,anomalies},
Options
​​

缺失資料的估算值

透過移除資料集中的某些資訊來模擬遺失的資料：
執行
incompletedata=
Data
/.{x_/;4<x<5,y_}:>{x,Missing[]};​​ListPlot[incompletedata]
訓練一個分佈來預測遺失值：
執行
{nonmissingdata,missingdata}=GatherBy[incompletedata,MemberQ[_Missing]];​​ld=LearnDistribution[nonmissingdata]
合成缺失值並繪製結果：
執行
synthesized=SynthesizeMissingValues[ld,missingdata];​​ListPlot[{incompletedata,synthesized}]

訓練和研究神經網路

檢索經典資料集進行分類：
執行
In[]:=
trainingdata=ResourceData["MNIST","TrainingData"];​​testdata=ResourceData["MNIST","TestData"];​​SeedRandom[1234];​​RandomSample[trainingdata,5]
Out[]=

9,
4,
0,
2,
5
在資料上訓練模型 (可能需要較長時間運算)：
執行
In[]:=
trainedNet=NetTrain[NetModel["LeNet"],trainingdata,MaxTrainingRounds->2]
Out[]=
NetChain
Inputport:
image
Outputport:
class
Data not saved. Save now

看看受過訓練的網路表現：
執行
NetMeasurements[trainedNet,testdata,{"Accuracy","ConfusionMatrixPlot"}]
Out[]=
0.9889,
actual class
​
predicted class


電腦視覺

自然語言處理

語音分析