Vi bruger TensorFlow til at få hands-on erfaring til ML.
Til at starte med for vi en introduktion omkring hands-on machine learning fra TensorFlow selv. Meget af teorien har vi allerede gået igennem, men de kommer med andre eksempler.
Der er umildbart frit valg af IDE til dette kursus. Jeg kommer til at bruge Visual Studie Code. Alternativt kan man bruge colab.research.google.com som kan køre Python i skyen gennem google drev, ellers kan man bruge ‣ som bruger Visual Studie Code og det kan klart anbefale det! Man har 120 timers computerkræft pr måned, så hvis i holder jer under 12 timer om dagen, burde det kunne hænge sammen! Hvis I har problemer med computerkræft eller adgang, fordi at I bruger en arbejdscomputer slipper vi også for de problemer med codespaces.
Pakker og biblioteker som vi bruger til at løse opgaverne
NumPy er en Python-pakke, der bruges til numerisk beregning i videnskab, teknik og dataanalyse. Den tilbyder en række funktioner til at arbejde med store og komplekse matricer og arrays med høj ydeevne. Numpy gør det nemt at udføre almindelige matematiske operationer og kan bruges til at udføre lineær algebra, Fourier-analyse og andre matematiske funktioner. Numpy er også en populær pakke til at arbejde med dataanalyse og maskinlæring i Python.
Pandas er endnu en Python pakke, den bruger vi noget tid første dag på at arbejde med. Dog er en del af vores data allerede gjort klar, hvilket betyder at vi ikke skal lave så meget databehandling.
MatPlotLib er en Python-pakke, der bruges til at oprette visualiseringer og grafer i forskellige formater. Pakken giver en bred vifte af funktioner og værktøjer til at skabe forskellige typer plots, herunder linjediagrammer, bar plots, scatter plots, histogrammer og meget mere. Matplotlib er en populær pakke til dataanalyse og er ofte brugt i kombination med andre biblioteker som Numpy og Pandas. Pakken er open source og kan bruges til både akademiske og kommercielle formål.
Keras er et open source bibliotek, der skrevet i Python, som gør det nemt at designe, træne og evaluere deep learning modeller. Keras giver en høj-niveau API, der er enkel og hurtig at bruge, og er i stand til at køre på både CPU og GPU, hvilket gør det til et populært valg blandt forskere og praktikere inden for maskinlæring.
Vi når ikke alle opgaver eller at få hands-on på alle emner. Vi vælger lidt ud i fællesskab og der er mulighed for at arbejde videre efter kurset.
Alle opgaverne kan hentes her: https://github.com/MAGS-Template/MachineLearning
<aside> 💡 Alt er samlet inde under Jupyter Notebooks - ipynb filerne!
</aside>
Opgaver til Time Series Forecasting
Det er kun den første uge vi bruger med mindre opgaver som gerne skal give os noget viden til at lave projekter i uge 2! ML Projekter