Datenwissenschaft mit Matplotlib in Python

1. Einführungsvideo: Hallo zusammen und willkommen zu meinem neuesten Kurs, Data Science mit Matplotlib in Python. Also wer bin ich und warum solltest du auf mich hören? Nun, mein Name ist der faule Programmierer und ich bin Autor von über 30 Online-Kursen in Data Science, maschinellem Lernen und Finanzanalyse. Ich habe zwei Master-Abschlüsse in Ingenieurwesen und Statistik. Meine Karriere in diesem Bereich erstreckt sich über 15 Jahre. Ich habe bei mehreren Unternehmen gearbeitet, die wir heute Big Tech nennen , und mehreren Startups. Mithilfe von Data Science habe ich den Umsatz mit den Teams, die ich geleitet habe, um Millionen von Dollar gesteigert. Vor allem aber bin ich sehr leidenschaftlich daran interessiert , Ihnen diese entscheidende Technologie zur Verfügung zu stellen. Worum geht es in diesem Kurs? In diesem Kurs geht es darum, Ihnen grundlegende Fähigkeiten mithilfe der matplotlib-Bibliothek zu vermitteln , die in den letzten zehn Jahren zum Standard für Data Science mit Python geworden ist. Sie erfahren, wie Sie verschiedene Arten von Diagrammen, wie Liniendiagramme, Streudiagramme, Histogramme und sogar das Plotten von Bildern. Diese Fähigkeiten sind entscheidend, wenn Sie Data Science betreiben und Ihre Daten und Ergebnisse visualisieren möchten. Wer sollte diesen Kurs belegen und wie sollten Sie sich vorbereiten? Dieser Kurs richtet sich an Studierende, die sich für Data Science und maschinelles Lernen interessieren und bereits Erfahrung mit numerischen Computerbibliotheken wie NumPy haben . Die zweite Fähigkeit, die Sie benötigen sind einige grundlegende Programmiersprachen, gut, aber da dieser Kurs Python verwendet, wäre das ideal. Zum Glück ist Python eine sehr einfach zu erlernende Sprache. Wenn Sie also bereits eine andere Sprache beherrschen, sollten Sie kein Problem damit haben, nachzuholen. Für beide Themen. Ein Verständnis auf High-School-Niveau sollte ausreichend sein. Im Grundstudium wäre das Verständnis noch besser. also in Bezug auf Ressourcen, Was benötigen Sie also in Bezug auf Ressourcen, um an diesem Kurs teilzunehmen? Zum Glück nicht viel. Sie benötigen einen Computer, einen Webbrowser und eine Verbindung zum Internet. Wenn Sie sich dieses Video ansehen, erfüllen Sie diese Bedingungen bereits. Lassen Sie uns nun darüber sprechen, warum Sie diesen Kurs belegen sollten und was Sie davon erwarten sollten. Nun, was mir nach vielen Jahren des maschinellen Lernens aufgefallen maschinellen Lernens ist, ist, dass es eine große Wissenslücke gibt. Die Schüler besuchen einen Kurs für maschinelles Lernen , um maschinelles Lernen zu lernen. Und sie werden die Konzepte verstehen, haben dann aber keine Ahnung, wie sie diese Konzepte in Code umsetzen sollen , weil sie nicht wirklich wissen, wie man programmiert. Dieser Kurs soll Lücke schließen , indem er eine Brücke zwischen einer normalen Beschichtung und der Art der Codierung schlägt, die Sie für Data Science und maschinelles Lernen benötigen, insbesondere das Plotten und Visualisieren. Ihre Datensätze. Am Ende dieses Kurses haben Sie genug gelernt, um das Gelernte in einem echten Datensatz zu verwenden . In der Tat werden wir dies als unser Abschlussprojekt tun. Ich hoffe, Sie freuen sich genauso wie ich , etwas über diese großartige Bibliothek zu erfahren. Danke fürs Zuhören und wir sehen uns in der nächsten Vorlesung. 2. Matplotlib Umrisse: In dieser Vorlesung stelle ich Ihnen den nächsten Abschnitt dieses Kurses vor, der sich auf Matplotlib befindet. Matplotlib als Bibliothek, die wir zur Visualisierung unserer Daten verwenden werden. Dieser Abschnitt wird im Vergleich zum Abschnitt num pi ziemlich kurz sein, da Sie bei Ihrer Untersuchung von Algorithmen für maschinelles Lernen wirklich nur wenige Diagramme benötigen. Es geht nicht darum, Berichte oder Präsentationen oder ähnliches zu erstellen . Wir sind an Plots interessiert, die uns speziell bei der Implementierung von Machine-Learning-Modellen helfen speziell bei . Davon abgesehen, was werden wir in diesem Abschnitt behandeln? Zunächst werden wir über Liniendiagramme sprechen. Liniendiagramme werden trotz ihres Namens verwendet, um jede Art von eindimensionalem Signal darzustellen. Beispielsweise möchten Sie vielleicht eine Zeitreihe wie den Aktienkurs pro Zeiteinheit zeichnen . Ein anderes Beispiel dafür ist eine Schallwelle. Sie könnten also z.B. MP3 laden und sich ansehen, wie sich die Amplitude im Laufe der Zeit ändert. Musiker betrachten solche Liniendiagramme den ganzen Tag, außer wenn man sie aus der Perspektive eines Musikers betrachtet , liegen die Linien so nahe beieinander, dass man nicht bei jedem Zeitschritt die einzelnen Werte sehen kann . Als nächstes schauen wir uns eine sehr wichtige Art von Handlung an, das Streudiagramm. Das Streudiagramm. Lassen Sie uns unsere Daten aus einer geometrischen Perspektive betrachten. Wenn wir beispielsweise an ein Klassifizierungsproblem oder ein Clustering-Problem denken, denken wir oft, dass ein Klassifizierungsproblem oder ein Clustering-Problem denken, denken wir oft, geometrische Bilder genau wie das sind, selbst wenn Sie Daten haben, die sehr hochdimensional Das sind Daten, die Sie sehen können. Wir versuchen immer noch, Wege zu finden, die Dimensionalität zu verringern, damit wir sie auf Diagrammen wie diesem sehen können. Als nächstes schauen wir uns ein anderes wichtiges Diagramm an , das Histogramm. Das Histogramm ist wichtig, weil es uns ermöglicht , die Verteilung unserer Daten zu sehen. Und natürlich werden Algorithmen für maschinelles Lernen durch Verteilung, Wahrscheinlichkeit , Verteilung oft in der Sprache der Wahrscheinlichkeit definiert. Daher ist es sehr wichtig, die Verteilung Ihrer Daten untersuchen zu können, um festzustellen, welche Art von Verteilung sie festzustellen, welche Art von Verteilung sie haben. Schließlich schauen wir uns an, wie man Bilder plottet. Bilder sind eine sehr wichtige Art von Daten im modernen maschinellen Lernen. Das Feld der Computer Vision ist dank Deep Learning explodiert. Und dank dieser Fortschritte sind wir selbstfahrenden Fahrzeugen und autonomen Robotern näher denn je . Ein Teil davon wird auch die Beantwortung der Frage sein, wie genau wird ein Bild im Computer dargestellt? Wie Sie bald sehen werden, ist es nichts, wovon wir noch nicht wissen. 3. Liniendiagramm: In dieser Vorlesung werden wir uns ansehen, wie man ein Liniendiagramm erstellt. Zunächst importieren wir die notwendigen Bibliotheken. Für diesen Abschnitt wäre das also import numpy als np und import map plot lib dot pyplot als PLT. Ordnung, als Nächstes werden wir einige gefälschte Daten für die X-Achse erstellen . Übrigens, obwohl es in diesem Abschnitt und den folgenden Abschnitten nicht direkt um NumPy geht, bedeutet dies nicht, dass Sie im Laufe der Zeit keine neuen NumPy-Funktionen erhalten. Genau das werden wir jetzt tun. Also ist x gleich no dot linspace 021000. Also was bewirkt das? Dadurch entsteht ein eindimensionales Array mit 1.000 gleichmäßig verteilten Punkten, 0-20. Als Nächstes werden wir einige gefälschte Daten für die Y-Achse generieren . Nehmen wir an, y ist gleich np Punkt Sinus x plus 0,2 mal x. Diese Funktion hat nichts Besonderes. Es ist völlig willkürlich. Als Nächstes zeichnen wir unsere Daten auf. Hey, wir können das erreichen, indem wir plt.plot x, y verwenden. Nun ist es wichtig zu beachten, dass, wenn Sie kein Notebook verwenden, egal ob es sich um ein Colab- oder Jupyter-Notebook auf Ihrem lokalen Computer handelt, Sie Ich sehe nichts von nur dieser einen Codezeile. Stattdessen müssen Sie eine zusätzliche Funktion aufrufen, nämlich plt.show. Lass uns das versuchen. Das wäre also plt.plot x, y, plt.show. Wie Sie sehen können, hat es keine wirklichen Auswirkungen , wenn Sie sich bereits im Notizbuch befinden. Als Nächstes fügen wir einige Informationen in unsere Handlung ein. Nehmen wir an, ich möchte die X-Achse beschriften. Also werden wir zuerst unsere Handlung haben. Also lasst uns plt.plot x, y. Und um die x-Achse zu beschriften, kann ich plt.plot x label machen, und nennen wir es einfach input. In ähnlicher Weise, wenn ich die Y-Achse beschriften möchte , kann ich plt.show y label machen. Und nennen wir das Output. Nehmen wir zum Schluss an, ich möchte einen Titel hinzufügen, dann kann ich plt.show title, meine Handlung, machen. Okay, lass uns das versuchen. Und wir bekommen unseren Titel und unser Y-Label und unser X-Label. Jetzt merkt man etwas Seltsames, nämlich dass das Notizbuch immer das Letzte ausdruckt , was von einem Code zurückgegeben wurde. In unserem Fall war das also das. Da die PLT-Titelfunktion etwas zurückgibt, sehen wir das in der Box unten, obwohl wir es wahrscheinlich nicht wollen. Eine Sache, die wir tun können, um diese Ausgabe zu unterdrücken , ist, die Zeile einfach mit einem Semikolon zu beenden. Lass uns das sehen. Okay, und jetzt verschwindet diese Ausgabe. 4. Streuplot: In dieser Vorlesung werden wir uns mit einer weiteren sehr wichtigen Visualisierung befassen , dem Streudiagramm. Um ein Streudiagramm zu erhalten, das tatsächlich wie etwas aussieht, benötigen wir natürlich ein Streudiagramm zu erhalten, das tatsächlich wie etwas aussieht, einige Zufallsdaten. Beginnen wir also damit, einige Zufallsdaten aus der Standardnormalen mit Form 100 mal zwei zu erstellen . Das sind also 100 Beobachtungen. Und eine zweidimensionale. Wir machen x gleich np Punkt zufälliger Punkt Rand n 102. Jetzt fragen Sie sich vielleicht, warum 100 mal zwei. Dies gibt uns 100 Datenpunkte mit Dimensionalität, wir hätten 500 Datenpunkte wählen können, aber 100 sind in Ordnung. Aber die beiden sind notwendig. Denken Sie daran, dass Computerbildschirme selbst zweidimensional sind. Um also die X-Koordinaten und die Y-Koordinaten zu spezifizieren, müssen wir nicht mehr und nicht weniger zweidimensionale Dimensionen haben. Es gab auch dreidimensionale Streudiagramme, die Sie erstellen konnten. Und das haben wir in meinen anderen Kursen, aber das würde nicht in den Rahmen dieses Kurses fallen. Um ein Streudiagramm zu erstellen, rufen wir plt.show scatter auf. Das ist also PLT-Streuung. Ich gebe x Doppelpunkt Null und x Doppelpunkt eins ein. Also x Doppelpunkt Null ist die erste Spalte von X und X Spalte eins ist die zweite Spalte von X. Und nur um das klarzustellen, das erste Argument entspricht hier der horizontalen Achse und das zweite Argument. entspricht der vertikalen Achse. Also lass uns das ausprobieren. Ordnung, also bekommen wir unser Streudiagramm. Beim maschinellen Lernen interessieren wir uns oft für Klassifizierung oder Clustering, wo wir Streudiagramme von Datenpunkten mit verschiedenen Farben zeichnen möchten Streudiagramme von Datenpunkten mit , die die verschiedenen Klassen kennzeichnen. Mal sehen, ob wir so ein Streudiagramm machen können. Zuerst werden wir einige Zufallsdaten generieren, wiederum mit Dimensionalität , sagen wir, x ist gleich np Punkt, zufälliger Punkt, zufällig 200 zum nächsten, ich möchte, dass die Hälfte dieser Daten auf einem anderen zentriert wird Standort. Denken Sie daran, dass die Zufallsfunktion aus der Standardnormalen stammt. Standardmäßig sind alle diese Punkte derzeit auf Null zentriert. Nehmen wir an, ich möchte, dass die erste Hälfte dieser Datenpunkte auf drei-drei zentriert wird. Um das zu tun, kann ich einfach x Doppelpunkt 50 plus gleich drei machen. Der Doppelpunkt bedeutet also, dass Sie alle Zeilen von Index Null bis Index 50 auswählen . Und ein Plus ist gleich drei bedeutet drei zu allen Elementen hinzuzufügen. Als Nächstes werden wir einige Labels generieren. Beginnen wir mit der Erstellung eines Arrays von Nullen der Größe 200. Das y ist also gleich np.zeros 200. Als Nächstes setzen wir die erste Hälfte dieser Beschriftungen darauf, warum dies so ist, dass alle Punkte, die auf drei-drei zentriert sind, einen beschriftet haben und alle anderen Punkte die Beschriftung Null haben. Wir können das erreichen, indem wir tun, warum Doppelpunkt 50 gleich eins ist. Und schließlich können wir unser Streudiagramm zeichnen. Das ist also fast dasselbe wie zuvor, außer dass wir jetzt auch das Argument C verwenden und es übergeben und warum? Und offensichtlich steht C für Farbe. PLT-Streuung x0x1c ist also gleich y. Daher ist es manchmal schwierig, Ihren Code zu sehen, weil diese Dinge auftauchen, um Ihnen die API zu zeigen. So funktioniert das, was Sie für C übergeben , sollte eine eindimensionale Liste oder ein eindimensionales Array sein , das ganze Zahlen enthält , die der Farbgebung der Datenpunkte entsprechen. Also lass uns das machen. Und wir bekommen unser Farbstreudiagramm. 5. Histogramm: In dieser Vorlesung werden wir uns ein weiteres wesentliches Diagramm ansehen , das Histogramm. Da Histogramme für die Darstellung der Datenverteilung verwendet werden, benötigen wir einige Zufallszahlen. Beginnen wir also damit, 10.000 Zufallszahlen aus der Standardnormalität zu erstellen . X entspricht also keinem zufälligen Punkt, dem zufälligen 10.000. Als nächstes zeichnen wir ein Histogramm auf. Wenn Sie also schon einmal in einer anderen wissenschaftlichen Sprache programmiert haben, haben Sie das vielleicht sogar selbst erraten. Es ist nur PLT dot hist x. Ordnung, und das ist unser Histogramm. Wenn wir jetzt so viele Datenpunkte haben, ist es möglich, ein besseres Diagramm zu erhalten, indem wir mehr Balken haben. Wir können das erreichen, indem wir das bins-Argument verwenden. Also können wir plt.plot x bin gleich 50. Und dies ist natürlich eine Möglichkeit, um zu bestätigen, dass unsere Daten wirklich aus dem normalen Standard stammen. Wir haben eine Glockenkurve, die um Null zentriert ist. Und ungefähr 95% des Gewichts liegen zwischen plus oder -1,96. Und offensichtlich habe ich mir das gerade ausgedacht. Ich kann es nicht erkennen, wenn ich es mir ansehe. Jetzt, nur aus Neugier. Möglicherweise möchten wir auch bestätigen, dass die Zufallsfunktionsproben aus der Gleichverteilung stammen. Lassen Sie uns also einige Daten aus der Zufallsfunktion generieren. Das heißt, x entspricht keinem zufälligen Punkt, zufällig 10.000. Und lasst uns ein Histogramm zeichnen. plt.plot x ist also gleich 50. Okay, das ist also ziemlich flach, wenn auch nicht genau, ich bin mir sicher, dass es flacher aussehen würde , wenn Sie weniger Mülleimer hätten. Aber so oder so, es ist ziemlich klar , dass die Zufallsfunktion tatsächlich aus der gleichmäßigen 01-Verteilung abgetastet wird. 6. Bilder abbilden: In diesem Vortrag werden wir diskutieren, wie man Bilder plottet. Nun ist es nützlich zu erwähnen, dass viele berühmte Datensätze für maschinelles Lernen, wie M-Nest und C4 Ten, oder Bilddatensätze. Diese Datensätze werden jedoch nicht als tatsächliche Bilddateien gespeichert , z. B. auf Ihrem Computer. Möglicherweise haben Sie Bilder im JPEG- oder PNG-Format. Einige Datensätze für maschinelles Lernen werden jedoch in verschiedenen Formaten gespeichert, sodass der gesamte Datensatz mit mehreren Bildern in einer einzigen Datei gespeichert werden kann. Für uns werden wir uns in dieser Vorlesung nur mit einzelnen Bildern befassen wie Sie sie möglicherweise auf Ihrem Computer haben. Zunächst laden wir mit dem Befehl W get ein Bild aus dem Internet herunter . Jetzt müssen Sie natürlich nicht mehr dieselbe Datei wie ich auswählen. Sie möchten diese URL wahrscheinlich nicht von Hand eingeben. also im Rahmen Ihrer Übung für diese Vorlesung Suchen Sie also im Rahmen Ihrer Übung für diese Vorlesung Ihr eigenes Bild und rufen Sie die URL für dieses Bild ab. Sie können dieses Video anhalten, bis Sie ein Bild gefunden haben , das Sie verwenden möchten. Ich werde die URL aus meinem vorab geschriebenen Notizbuch abrufen. Ordnung, Sie können also aus der Ausgabe des W get-Befehls sehen der Ausgabe des W get-Befehls , dass wir eine Datei namens Lena dot PNG heruntergeladen haben. Als nächstes verwenden wir eine Bibliothek namens Pillow, die uns beim Laden unseres Bildes hilft. Also lasst uns Kissen importieren, indem wir das Bild aus dem PIL-Import machen. Als Nächstes laden wir unser Bild mit einem Kissen ein. Also für mich, dass ich gleich Bild Punkt öffne Lena Punkt PNG. Obwohl dies der num-pi-Stack ist, ist dieser Rückgabewert kein NumPy-Array. Wir können den Typ dieses Objekts überprüfen, um dies zu bestätigen. Also tippen wir einfach. Bin ich. Und wir können sehen, dass es sich um eine PNG-Bilddatei handelt. Zum Glück ist es sehr einfach, dies in ein NumPy-Array zu konvertieren. Wir können es einfach so machen, wie wir Listen in NumPy-Arrays konvertieren. Ein Array entspricht keinem Punktarray. Bin ich. Der Grund, warum das funktioniert, liegt darin, dass die Bilder in Computern als Arrays dargestellt werden . Wenn Sie darüber nachdenken, hat ein Bild zwei Dimensionen, Höhe und Breite. Für jeden Standort entlang seiner Höhe und Breite hat es einen Farbwert. Genau das ist dieses Array. Es ist ein Zahlenfeld. Wir können das Array drucken , um das zu bestätigen. Also mach einfach ARR. Und das ist unser Bild, das in einem Computer dargestellt wird. Nun, diese Zahlen haben etwas Interessantes, über das Sie mehr erfahren werden wenn Sie jemals einen Kurs über Computer Vision oder Bildverarbeitung bei mir belegen, all diese Zahlen scheinen Ganzzahlen statt Gleitkommazahlen, und sie sind alle 0-255. Wenn wir nach unten scrollen, können wir sehen, dass der D-Typ dieses Arrays in acht ist. Das heißt, die Zahlen sind Acht-Bit-Ganzzahlen ohne Vorzeichen. Es sollte also für Sie völlig sinnvoll sein , dass diese Zahlen 0-255 sind, da zwei zur Potenz Acht 256 und daher mit einem Bits die Gesamtzahl der möglichen ganzen Zahlen ist , die wir darstellen können. Lassen Sie uns die Form unseres Arrays überprüfen. Das ist also ARR formt. Interessanterweise handelt es sich um ein dreidimensionales Array der Größe 512 mal 512 mal drei. Was bedeuten diese Zahlen? Nun, die ersten zwei Dimensionen oder die räumlichen Dimensionen befinden sich auf der Höhe und Breite des Bildes. Aber warum gibt es eine dritte Dimension von Größe drei? Das liegt daran, dass wir für jede Stelle im Bild die Farbe dieses Pixels speichern müssen. Und es kommt einfach so vor, dass Farben mit drei Werten gespeichert werden. Insbesondere sind dies der rote Kanal, der grüne Kanal und der blaue Kanal. Diese drei Zahlen sagen uns, wie viel Rot, wie viel Grün, wie viel Blau wir kombinieren müssen um die Farbe an dieser Stelle zu erhalten? Und übrigens, nur damit du es weißt, sie unterrichten dieses Zeug im Kindergarten. Wenn Sie sich also verwirrt fühlen, müssen Sie heute Abend möglicherweise Ihre Kinder um Hilfe bei Ihren Hausaufgaben bitten . Wie zeichnen wir dieses Bild? Nun, wir verwenden eine Funktion namens IM show. Also lass uns das machen. Das wäre plt.plot. Ich bin show ARR. Wie Sie sehen können, ist dies das berühmte Lena-Bild in jedem Computer-Vision-Kurs und jeder Existenz verwendet wird. Und das funktioniert übrigens auch mit dem Originalbild. Also können wir plt.plot Show machen. Bin ich. Eine Sache, die wir in der Computer Vision häufig tun , ist, dass wir mit Graustufenbildern arbeiten, auch als Schwarzweißbilder bekannt sind. Eine einfache Möglichkeit, ein Farbbild in ein Schwarzweißbild umzuwandeln ein Farbbild in ein Schwarzweißbild besteht darin, den Mittelwert über die Farbkanäle hinweg zu ermitteln. Lass uns das versuchen. Das heißt, Grau ist gleich ARR Punkt Mittelachse ist gleich zwei. Und wenn wir die Form unseres neuen Arrays überprüfen, können wir sehen, dass es 512 mal 512 ist, was bedeutet, dass wir die Farbdimension reduziert haben, was bedeutet, dass wir die Farbdimension reduziert haben, was wir wollten. Was passiert also, wenn wir dieses Bild mit IM show plotten , mach plt.show. Ich bin Show Greg. Das ist interessant. Es scheint, als hätten wir eine seltsame Reihe von Farben bekommen, also eine seltsame Mischung aus Grün und Gelb. Nun ist es wichtig zu beachten, dass dies keine tatsächlichen Farben sind , die im Bild selbst gespeichert sind. Das sind alles nur Zahlen 0-255, also ist es nicht so, dass 255 grün und Null gelb ist. Diese Farben werden tatsächlich von matplotlib entschieden. Wenn Sie eine andere Programmiersprache oder sogar eine andere Version von Matplotlib oder Python verwenden . Diese Farben können unterschiedlich ausfallen. Dies ist im Grunde eine sogenannte Heatmap. Man lernt also eigentlich nur, wie man zwei Dinge gleichzeitig macht. Trotzdem würden wir gerne wissen , wie man dieses Graustufenbild, die tatsächliche Graustufe, plottet . Wir können das tun , indem wir das Argument CMAP verwenden . Also lass uns das versuchen. Das ist also PLT, das IM show grey CMAP ist gleich Greg. Und wie erwartet wurde unser Bild in Graustufen dargestellt. 7. Matplotlib Übung: In dieser Vorlesung gebe ich Ihnen eine Übung, in der Sie das, was Sie in diesem Abschnitt gelernt haben, üben können. Ihre Übung in diesem Abschnitt besteht darin, das, was ich als verallgemeinerten XOR-Datensatz bezeichne, zu generieren und zu plotten. Warum nenne ich das generalisierte XOR? Nun, wenn Sie einen Hintergrund in Informatik oder Ingenieurwesen haben und bereits vom XOR gehört haben. Es ist ein Logikgatter. Es führt eine logische Operation wie das AND-, OR- und NOT-Gatter aus. Wir können den XOR anhand einer Wahrheitstabelle aufschreiben, wobei X1 und X2 die Eingänge und y die Ausgabe sind. Wenn x1 und x2 beide Null sind, dann ist y Null. Wenn entweder x1 oder x2 eins ist, aber nicht beide, dann ist y eins. Wenn x1 und x2 beide eins sind, dann ist y wieder Null. Der Grund, warum wir dies XOR nennen, was für exklusives OR steht liegt darin, dass es sich von der regulären oder Operation dadurch unterscheidet , dass die letzte Zeile eins mit der regulären wäre. Oder. Wenn wir das zeichnen würden, wären es natürlich nur vier Punkte, was nicht so aufregend ist. Es sieht etwas besser aus, es sind zufällig verstreute Punkte, wie Sie es in einem Datensatz für maschinelles Lernen sehen würden . Wenn wir also die Daten in vier Quadranten aufteilen, dann haben wir in der oberen linken und unteren rechten Ecke eine Farbe in der oberen rechten und unteren linken Ecke, wir haben eine andere Farbe. Ihre Aufgabe ist es, diese Daten zu generieren und ein Streudiagramm zu erstellen, wie Sie es hier sehen. Um es etwas schwieriger zu machen, beachten Sie, dass diese Quadranten zwischen minus eins und plus eins definiert sind , nicht zwischen 0,1. Viel Glück und wir sehen uns in der nächsten Vorlesung. 8. Wo erhalte ich Rabatt-Coupons und kostenloses maschinelles Lernmaterial: Hallo zusammen und willkommen zurück in dieser Klasse. In dieser Vorlesung beantworte ich eine der häufigsten Fragen, die mir gestellt werden. Wo erhalte ich Rabattgutscheine und kostenloses Deep-Learning-Material? Fangen wir mit Coupons an. Ich habe verschiedene Möglichkeiten, wie Sie mit mir auf dem Laufenden bleiben können. Die absolute Nummer eins, die beste Möglichkeit, sich über neu veröffentlichte Rabattgutscheine auf dem Laufenden zu halten neu veröffentlichte Rabattgutscheine , besteht darin , meinen Newsletter zu abonnieren. Es gibt mehrere Möglichkeiten, dies zu tun. Zunächst können Sie meine Website besuchen, Lazy Programmer Dot. Oben auf der Seite befindet sich ein Feld, in das Sie Ihre E-Mail-Adresse eingeben und sich für den Newsletter anmelden können. Eine weitere Website, die ich besitze und betreibe , ist Deep Learning courses.com. Diese Website enthält größtenteils die gleichen Kurse wie auf dieser Plattform, aber sie enthält auch zusätzliches VIP-Material. Dazu später mehr. Wenn Sie also zum Ende dieser Website scrollen, finden Sie ein Feld zur Eingabe Ihrer E-Mail-Adresse, dem Sie sich für den Newsletter anmelden können, wie Sie es bei einem Lazy-Programm bei DOT ME tun würden . Sie müssen also nur eines davon machen. Lassen Sie uns jetzt einen kleinen Exkurs machen, denn das ist eine weitere häufig gestellte Frage, die ich bekomme. Worum geht es bei diesem VIP-Material und wie kann ich es bekommen? So funktioniert die VIP-Sache. Wenn ich einen Kurs veröffentliche, veröffentliche ich ihn normalerweise mit temporärem VIP-Material, das exklusiv für Frühaufsteher ist , die sich während meiner Ankündigung für den Kurs angemeldet haben . Das ist eine nette kleine Belohnung für diejenigen unter euch , die über meine Ankündigungen auf dem Laufenden bleiben und sie natürlich auch tatsächlich lesen. Es ist wichtig zu beachten, dass VIP-Material jederzeit veröffentlicht werden kann. Z. B. konnte ich drei Jahre nach Beginn keine größeren Aktualisierungen an einem Kurs vornehmen und eine weitere VIP-Veröffentlichung durchführen. Der Zweck von Deep Learning courses.com ist es, ein dauerhaftes Zuhause für diese VIP-Materialien zu haben. Auch wenn es auf der Plattform, auf der Sie sich angemeldet haben, vorübergehend sein könnte . Wenn Sie sich für die VIP-Version des Kurses anmelden, erhalten Sie auf Anfrage dauerhaft Zugriff auf die VIP-Materialien auf deep learning courses.com. Hier sind einige Beispiele für Materialien, die Sie möglicherweise in den VIP-Bereichen meines TensorFlow finden . Natürlich gibt es drei zusätzliche Stunden Material zu Deep Dream und Objektlokalisierung. Normalerweise veröffentliche ich den VIP-Inhalt nicht im Videoformat, aber das war eine Ausnahme. Ein weiteres Beispiel in meinem hochmodernen KI-Kurs war ein zusätzlicher schriftlicher Abschnitt über den T3-Algorithmus. In diesem Kurs wurden insgesamt drei Algorithmen behandelt. Also der Extras-Bereich , der Ihnen noch ein, oder mit anderen Worten, 33% mehr Material bietet. Ein weiteres Beispiel in meinem fortgeschrittenen NLP- und RNNs-Chor ist ein Abschnitt über Spracherkennung mithilfe von Deep Learning. Darüber hinaus gibt es einen völlig neuen Abschnitt des Kurses über Aktienvorhersagen oder Speichernetzwerke, je nachdem, welche Version des Kurses Sie belegen. Der Grund dafür ist, dass ich möglicherweise leicht unterschiedliche Versionen jedes Kurses auf verschiedenen Plattformen veröffentliche leicht unterschiedliche Versionen jedes Kurses . Aufgrund der Funktionsweise der Regeln auf all diesen Plattformen muss ich die Kurse unterscheiden. Da ich jedoch eine Deep-Learning-Kurs.com besitze, ist dies die einzige Plattform, die die vollständigste Version des Kurses enthält , die alle Abschnitte umfasst. Bitte beachten Sie, dass dies selten vorkommt. Je nachdem, welchen Kurs Sie belegen, hat dies möglicherweise keine Auswirkungen auf Sie. Ordnung, also lass uns bei dir zurückkommen. Rabattgutscheine und kostenloses Material. Andere Orte, an denen ich Rabattgutscheine angekündigt habe , sind Facebook, Twitter und YouTube. Vielleicht möchten Sie dieses Video pausieren, damit Sie zu diesen URLs gehen und mir folgen oder mich auf diesen Websites abonnieren können, wenn es sich um Websites handelt , die Sie regelmäßig verwenden. Also für Facebook, diesen facebook.com Schrägstrich fauler Programmierer Punkt Emmy für Twitter, das ist twitter.com Slash Lazy Underscore Wissenschaftler für YouTube, youtube.com Schrägstrich C Schrägstrich fauler Programmierer x. Gelegentlich habe ich immer noch völlig kostenloses Material veröffentlicht. Das ist schön, wenn ich nur über ein einzelnes Thema sprechen möchte , ohne einen ganzen Kurs dafür machen zu müssen. ZB ich gerade ein Video über Börsenprognosen veröffentlicht und warum die meisten anderen Blogs in Kursen dieses Problem völlig falsch angehen. Das ist ein weiterer Vorteil der Anmeldung für diese Dinge. Ich kann gefälschte Datenwissenschaftler entlarven , die wirklich Vermarkter sind. Wohingegen ich niemals einen ganzen Kurs darüber machen würde. Manchmal kann dies in schriftlicher Form und manchmal in Videoform erfolgen. Wenn es in schriftlicher Form vorliegt, wird es entweder im Lazy-Programm sein und ME unterrichtet oder Deep Learning courses.com. Wenn es ein Video ist, wird es auf YouTube sein. Abonniere mich also unbedingt auf YouTube. Wenn ich ein Video veröffentliche, kann ich auch einen Beitrag darüber auf Lazy Programmer dot ME schreiben. Und ich kann es auch mit anderen Methoden ankündigen , die ich zuvor besprochen habe. Das ist also der Newsletter, Facebook, Twitter und natürlich YouTube selbst. Jetzt merke ich, dass das eine Menge Zeug ist und Sie wahrscheinlich nicht all diese Plattformen verwenden. Das tue ich bestimmt nicht, zumindest nicht regelmäßig. Wenn Sie also das Nötigste tun möchten, sollten Sie Folgendes tun. Melde dich zunächst für meinen Newsletter an. Denken Sie daran, dass Sie das entweder im Lazy-Programm bei DOT ME oder im Deep Learning courses.com tun können. Zweitens abonniere meinen YouTube-Kanal auf youtube.com. Slash C slash lazy programmer x. Danke fürs Zuhören und wir sehen uns in der nächsten Vorlesung.