No-Code Machine Learning mit IBM Watson AutoAI

1. Einführung: Obwohl KI und maschinelles Lernen heutzutage viel zugänglicher sind, ist es immer noch schwer, qualifiziert genug zu werden, um anständige KI und maschinelles Lernen Modelle zu entwickeln. Auto, ja, Auto ML und neue Tools, die Methoden und Verfahren zur Verfügung stellen , um künstliche Intelligenz und maschinelles Lernen für Nicht-Experten verfügbar zu machen . diesen Werkzeugen können Sie die Trainingsdaten als Eingabe bereitstellen und ein optimiertes Modell als Ausgabe erhalten. Es ist so einfach wie das. In dieser Reihe von Video-Vorträgen werde ich Ihnen Auto-EA von IBM Watson vorstellen, eine der besten vorhandenen Lösungen, mit denen Sie Machine Learning-Modelle ohne Codierung erstellen können. Mein Name ist Enigma, und ich werde dein Lehrer für diesen Kurs sein. Dieser Kurs richtet sich an diejenigen, die eine Abkürzung zu künstlicher Intelligenz und maschinellem Lernen ohne Codierpfeil machen möchten. Werfen wir einen Blick auf den Inhalt des Kurses. Zunächst werden Sie sich mit Cloud Computing, IBM Cloud Services, künstlicher Intelligenz und maschinellem Lernen vertraut machen. Dann werden wir herausfinden, was Auto AAA ist und wie es funktioniert. Schließlich wird er Ihre ersten Machine Learning Modelle mit realen Datasets erstellen und bereitstellen . Also lasst uns anfangen. Ich hoffe, Sie werden diesen Kurs genießen. 2. Einführung in IBM Cloud: In diesem Abschnitt werde ich Ihnen eine kurze Einführung in IBM Cloud geben. Beginnen wir also zuerst mit Cloud Computing. Cloud Computing ist die On-Demand-Bereitstellung von IT-Ressourcen über das Internet. Mit nutzungsbasierter Bezahlung zahlen Sie normalerweise nur für Cloud-Services, die Sie nutzen, was Ihre Betriebskosten senkt. Cloud Computing ist eine große Verschiebung von der traditionellen Art und Weise. Unternehmen denken über IT-Ressourcen nach. Unternehmen werden in Cloud-Computing-Services umgewandelt, da Cloud Computing die Kapitalkosten für den Kauf von Hardware und Software und die Einrichtung von Rechenzentren vor Ort eliminiert . Zweitens laufen Cloud-Computing-Services in einem Netzwerk von Rechenzentren, das systematisch auf die neueste Generation schneller und effizienter Computing-Hardware aktualisiert wurde. Darüber hinaus bieten viele Cloud-Anbieter eine Reihe von Richtlinien, Technologien und Kontrollen, die Daten vor potenziellen Bedrohungen schützen. Heutzutage gibt es viele Unternehmen, die Services genannt werden, und die meisten von ihnen sind sehr zuverlässig. Die fünf wichtigsten Cloud-Dienstanbieter sind Amazon Web Services, IBM Cloud, Microsoft Azure, Google Cloud Platform und Adobe Creative Cloud. Neben Speicher-, Netzwerk- und Verarbeitungsservices bieten diese Anbieter weitere Lösungen an, wie Datenbanken, künstliche Intelligenz, Datenanalysen und serverlose Infrastrukturen. Cloud Computing ist auch in drei Modelle der Servicebereitstellung kategorisiert. Infrastructure as a Service, Platform as a Service und Software as a Service. Infrastructure as a Service enthält die grundlegenden Bausteine für die Cloud. - Es. Sie bietet in der Regel Zugriff auf Netzwerkfunktionen , Computer und Datenspeicher. Platform as a Service entfällt die Notwendigkeit, unterstreichende Infrastruktur zu verwalten , und ermöglicht Ihnen, sich auf die Bereitstellung und Verwaltung Ihrer Anwendungen zu konzentrieren. Ein weiteres Konzept, das zusammen mit Pass kommt, ist die Idee von serverless. Während der Cloud-Service-Provider eine skalierbare Infrastruktur verwaltet , die Ressourcen je nach Bedarf nutzt. Software as a Service stellt Ihnen ein komplettes Produkt zur Verfügung, das vom Dienstleister ausgeführt und verwaltet wird. Saas-Modell ist das am meisten erkennbare für die breite Öffentlichkeit. Viele Benutzer interagieren mit SaaS-Anwendungen, ohne es zu wissen. Beispiele für SaaS-Anwendungen sind in der Regel Gmail, Outlook, Google Drive und Dropbox. Ibm Cloud bietet sowohl Plattform-as-a-Service als auch Infrastruktur-as-a-Service-Funktionen zum Erstellen, Ausführen und Verwalten von Anwendungen. Ibm Cloud Platform bietet eine breite Palette von Services zum Sichern, Speichern , Bereitstellen und Analysieren von Daten. War IBM Cloud-Entwickler können sich auf den Aufbau einer hervorragenden Benutzererfahrung mit flexiblen Rechenoptionen, Auswahl an DevOps-Tunings und den leistungsstarken Satz von IBM und Drittanbieter-APIs und Services konzentrieren. Die Ibm Cloud-Plattform besteht aus mehreren Komponenten, die zusammen arbeiten. Roboter, Konsolen, die als Front-End zum Erstellen, Anzeigen und Verwalten Ihrer Cloud-Ressourcen dienen . Und Identitäts- und Zugriffsverwaltungskomponente, die Benutzer sicher authentifiziert und den Zugriff auf Ressourcen in der IBM Cloud steuert. Ein Katalog, der aus Hunderten von IBM Cloud-Angeboten besteht. Eine Suche im Tagging-Mechanismus zum Filtern und Identifizieren Ihrer Ressourcen. Und schließlich, ein Konto und Bill Management-System , das genaue Verwendung für Preispläne bietet, sichere Kreditkarten-Betrug Schutz. Watson ist IBM für unternehmensfähige KI-Dienste, -Anwendungen und -Werkzeuge geeignet. Und äußere KI ist eines der Werkzeuge in Watson Studio. 3. Einführung in die künstliche Intelligenz: Künstliche Intelligenz und maschinelles Lernen sind heutzutage zwei sehr heiße Themen. Experten behaupten, dass diese Technologien die Welt revolutionieren werden. Künstliche Intelligenz, Satelliten, Möglichkeiten zum Aufbau intelligenter Programme und intelligenter Maschinen, die Aufgaben ausführen können, die typischerweise menschliche Intelligenz erfordern. Künstliche Intelligenz verfügt über eine breite Palette von Möglichkeiten, wie sie angewendet werden kann. Von Chatbots bis hin zu prädiktiven Analysen, von Erkennungssystemen. Autonome Fahrzeuge. Ai ist in der Regel in zwei Kategorien unterteilt. Wir KI, die sich auf ein bestimmtes Problem konzentriert. Und starke KI, die sich auf den Aufbau von Intelligenz konzentriert , die jede Aufgabe oder jedes Problem in jedem Bereich bewältigen kann. Stark konzentriert sich auf die Schaffung intelligenter Maschinen, die erfolgreich jede intellektuelle Aufgabe erfüllen können , die ein Mensch kann. Und das geht auf drei Aspekte zurück. Erstens, die Fähigkeit, Wissen von einer Domäne zu einer anderen zu verallgemeinern und Wissen aus einem Bereich zu nehmen und es woanders anzuwenden. Zweitens, die Fähigkeit, Pläne für die Zukunft basierend auf Wissen und Erfahrung zu machen. Und schließlich die Fähigkeit, sich an die Umwelt anzupassen, wenn Veränderungen auftreten. Auf der anderen Seite kümmern wir uns gut bei der Durchführung einer bestimmten Aufgabe, aber es wird nicht für den Menschen in einem anderen Bereich außerhalb seiner definierten Kapazitäten passieren. Beispiele für schwächere Technologien wie Bild- und Spracherkennung oder KI-Chatbots. Eines der bekanntesten Beispiele für schwache KI ist Deep Blue. Deep Blue war ein Schachcomputer, der von IBM entwickelt wurde. Im Jahr 1997. Deep Blue machte Geschichte als erster Computer, der den Weltmeister Garry Kasparov in einem Sechs-Spiel-Match unter normalen Zeitkontrollen besiegte. Garry Kasparov ist ein russischer Schachgroßmeister, den viele für den größten Schachspieler aller Zeiten halten. Als Deep Blue das viel nahm, indem er das letzte Spiel gewann, weigerte sich Kasparov, es zu glauben. Das Blau verwendete einen Brute-Force oder erschöpfenden Suchansatz. Das Blau ist in der Lage, 200 Millionen Züge pro Sekunde oder 50 Milliarden Positionen in den drei Minuten für einen einzigen Zug in einem Schachspiel zu untersuchen . Ein weiteres berühmtes Beispiel für Wiki ist AlphaGo. Ich vergaß, ist ein Computerprogramm, das das Brettspiel Go spielt. Es wurde von DeepMind Technologies entwickelt, die später von Google übernommen wurde. Go ist bekannt als das schwierigste klassische Spiel, PA, künstliche Intelligenz. Wegen seiner Komplexität. Es ist praktisch unmöglich, alle möglichen Bewegungen in diesem Spiel zu berechnen. Alphago ist das erste Computerprogramm, das einen professionellen menschlichen Go-Spieler besiegt. Ifa goes algorithmus verwendet eine Kombination aus maschinellem Lernen und Forschungstechniken. Kombiniert mit umfangreichem Training, sowohl vom menschlichen als auch vom Computerspiel. Künstliche Intelligenz ist heute ein entscheidender Bestandteil des täglichen Menschenlebens geworden. Jedes Mal, wenn Sie eine Google-Suche durchführen, reisen book_id online, erhalten Sie eine Produktempfehlung von Amazon oder öffnen Sie Ihren Facebook-Newsfeed. Ai lauert im Hintergrund. Aaa ist der Kern der Ersten Industriellen Revolution, die die Art und Weise, wie wir leben und arbeiten, grundlegend verändern wird. Es wird uns alle betreffen. Sie alle beeinflussen zutiefst die Zukunft der Arbeit und Ihrer Karriere. Infolgedessen, unabhängig von der Branche, in der Sie sich befinden. 4. Einführung in das maschinelles Lernen: Machine Learning ist eine Teilmenge von KI. Mit anderen Worten, alles maschinelle Lernen ist KI, aber nicht alles ai ist maschinelles Lernen. Machine Learning bietet Systemen die Möglichkeit, automatisch aus Erfahrung zu lernen und zu verbessern, ohne explizit programmiert zu werden. Deep Learning ist eine Teilmenge des maschinellen Lernens, bei künstliche neuronale Netzwerke sich anpassen und aus großen Datenmengen lernen. Deep Learning wird auch später in diesem Video diskutiert werden. Maschinelles Lernen verwendet eine Vielzahl von Algorithmen, die iterativ aus Daten lernen , um die Schreiberdaten zu verbessern und Ergebnisse vorherzusagen. Ein Modell für maschinelles Lernen ist die Ausgabe, die generiert wird, wenn Sie Ihren Algorithmus für maschinelles Lernen mit Eingabedaten trainieren. Nach dem Training erhalten Sie eine Vorhersage. Maschinelles Lernen ist jetzt für die Erstellung von Analysemodellen unerlässlich. Viele der weit verbreiteten Algorithmen für maschinelles Lernen sind in der klassischen statistischen Analyse verwurzelt. Data Scientists kombinieren Manoj mit Expertise in Mathematik, Statistik und Informatik, um alle Disziplinen in Zusammenarbeit zu nutzen, unabhängig von der Kombination von Fähigkeiten und Technologie, die zur Vorhersage von Ergebnissen verwendet wird. Ein Verständnis für das Geschäftsproblem und Bohnen geht ist von wesentlicher Bedeutung. Sie können nicht erwarten, gute Ergebnisse zu erzielen, indem Sie sich allein auf die Statistiken konzentrieren , ohne die geschäftliche Seite zu berücksichtigen. Grundsätzlich können Sie maschinelles Lernen als Werkzeug betrachten, um Ihr Geschäftsproblem zu lösen. Abhängig von der Art des unternehmerischen Problems, das angegangen wird. Es gibt verschiedene Kategorien von maschinellem Lernen, wie überwachtes Lernen, unbeaufsichtigtes Lernen, verstärktes Lernen und neuronale Netzwerke und Deep Learning. Großteil des praktischen maschinellen Lernens nutzt überwachtes Lernen. Es wird betreutes Lernen genannt, da der Prozess eines Algorithmus, der aus dem Trainingsdatensatz gelernt wird, als Lehrer gedacht werden kann, der den Lernprozess überwacht. Wir kennen die richtigen Antworten, während der Algorithmus iterativ Vorhersagen zu den Trainingsdaten macht. Und das wurde vom Lehrer korrigiert. Lernprozess stoppt, wenn der Algorithmus ein akzeptables Leistungsniveau erreicht. Im Allgemeinen tritt überwachtes Lernen auf, wenn einem System ein beschriftetes Dataset mit Eingabe- und Ausgabevariablen zugewiesen wird . Und das Modell muss lernen, wie sie verwandt sind. Ziel ist es, ein genaues Modell zu erzeugen, das die Ausgabe vorhersagen kann , wenn die neue Eingabe gegeben wird. In diesem Kurs konzentrieren wir uns hauptsächlich auf betreutes Lernen, da es in der Praxis am meisten genutzt wird und sich in vielen Bereichen als hervorragendes Werkzeug erwiesen hat. Beaufsichtigte Lernprobleme können in Regressions- und Klassifizierungsprobleme gruppiert werden. Wenn die Beschriftung kontinuierlich ist, handelt es sich um eine Regression. Wenn die Daten aus einem endlichen Satz von Werten stammen, ist es die Klassifizierung. Unüberwachtes Lernen ist am besten geeignet, wenn das Problem eine große Menge an Daten erfordert, die unbeschriftet ist. Das Verständnis der Bedeutung dieser Daten erfordert Algorithmen , die die Daten basierend auf den gefundenen Mustern oder Clustern klassifizieren können. Daher führt das betreute Lernen einen iterativen Prozess der Analyse von Daten ohne menschliches Eingreifen durch. Verstärkung Lernen ist das Modell des Verhaltenslernens. Der Agent lernt, ein Ziel in einem unsicheren Potenzial, einer komplexen Umgebung zu erreichen. In verstärktem Lernen. Und künstliche Intelligenz steht vor einer spielähnlichen Situation. Der Computer verhängen Versuch und Fehler, um eine Lösung für das Problem zu finden. Aa erhält entweder Belohnungen oder Strafen für die Aktionen, die es ausführt, und sein Ziel ist es, die Gesamtbelohnung zu maximieren. Die gebräuchlichsten Anwendungen des Verstärkungslernens, unsere Roboter und KI-Boote in Videospielen. Deep Learning ist ein Teilfeld des maschinellen Lernens, das sich mit seinen Algorithmen befasst, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind, die künstliche neuronale Netzwerke genannt werden. Deep Learning ist besonders nützlich, wenn Sie versuchen, Muster aus unstrukturierten Daten zu lernen. Komplexe neuronale Netzwerke sollen emulieren, wie das menschliche Gehirn funktioniert. So können Computer trainiert werden, um mit Abstraktionen und Problemen umzugehen , die schlecht definiert sind. Ein neuronales Netzwerk besteht aus drei oder mehr Schichten. Ein Eingabe-Layer, ein oder mehrere ausgeblendete Layer und der Ausgabe-Layer werden über den Eingabe-Layer aufgenommen. Anschließend werden die Daten im ausgeblendeten Layer und in den Ausgabe-Layern basierend auf den Gewichtungen, die auf diese Knoten angewendet werden, geändert . Der Begriff Deep Learning wird verwendet, wenn sich innerhalb eines neuronalen Netzwerks mehrere versteckte Ebenen befinden. Mit einem iterativen Ansatz passt sich ein neuronales Netzwerk kontinuierlich an und macht Interferenzen, bis ein bestimmter Haltepunkt erreicht ist. Neuronale Netzwerke und Deep Learning werden häufig in Bilderkennungs-, Spracherkennungs- und Computerbildverarbeitungsanwendungen eingesetzt. 5. Was ist AutoAI/AutoML?: Es gibt Tonnen von Kursen und gut geschriebenen Lehrbüchern online , die eine gute Einführung in künstliche Intelligenz und maschinelles Lernen geben. Und ein Bruchteil der Kosten. Es gibt unzählige Frameworks, die das Erstellen und Bereitstellen von Modellen erleichtern. Es ist nun möglich, ein vorhandenes Modell mit einem grundlegenden Verständnis des Algorithmus und der wenigen Codezeilen zu verwenden. Künstliche Intelligenz und maschinelles Lernen sind jedoch immer noch schwierig wenn vorhandene Modelle implementiert werden, um gut für Ihre neue Anwendung zu funktionieren. Die gute Nachricht ist, dass künstliche Intelligenz und maschinelles Lernen haben sich zu einem noch zugänglicheren. Außerdem zielen AI und ML darauf ab, die Notwendigkeit für qualifizierte Datenwissenschaftler zu eliminieren, Modelle zu erstellen. Gute Datenwissenschaftler verbinden das Manoj, dessen Expertise in Masse, Statistik und Informatik. Derzeit ist es praktisch unmöglich, das Hauptwissen durch automatisierte Systeme zu ersetzen. Aber es ist jetzt möglich, viele der komplizierten und zeitaufwändigen Aufgaben zu automatisieren. Machine Learning, wie Hyperparameter-Optimierung, Modellauswahl, Feature-Auswahl, et cetera. Grundsätzlich kann alles mit Ausnahme des Hauptwissens automatisiert werden. Auto AI und ML sind neue Werkzeuge, mit denen Sie die Trainingsdaten als Eingabe bereitstellen und ein optimiertes Modell als Ausgabe erhalten können. Bestehen Sie in Auto-KI und Athermal-Lösungen wie IBM Watson, automatische KI ermöglichen es jedem, optimierte Modelle zu erstellen und bereitzustellen , ohne dass ein Profi bei Data Science sein muss. 6. IBM AutoAI: Obwohl EIA ein grafisches Tool in IBM Watson Studio ist, das Ihre Daten automatisch analysiert und maschinelles Lernen Modelle für Ihr Problem generiert. Derzeit behebt die automatische AAA Probleme im Zusammenhang mit der Klassifizierung und Regression. Diese Art von Problemen, Ich habe den Kern vieler Data Science Initiativen. Mit auto yea können Sie ein maschinelles Lernmodell ohne Codierung erstellen und bereitstellen. Zuerst müssen Sie eine Zeilendaten in einer CSV-Datei angeben. Dann hilft Ihnen Author AI, unsere Daten für maschinelles Lernen vorzubereiten. Wählt automatisch die besten Algorithmen aus, führt Hyperparameter-Optimierung und Feature-Engineering durch. Als Ausgabe erhalten Sie ein optimiertes Modell, das Sie speichern und bereitstellen können. Lassen Sie uns die Schritte genauer durchlaufen. Die meisten Datensätze enthalten unterschiedliche Datenformate und fehlende Werte, aber Standard-Algorithmen für maschinelles Lernen arbeiten mit Zahlen und ohne fehlende Werte. Alto AAA hilft Ihnen, Ihre Zeilendaten zu analysieren , zu säubern und vorzubereiten. Es erkennt und kategorisiert Features automatisch basierend auf dem Datentyp, z. B. kategorial oder numerisch. Abhängig von der Kategorisierung führt die automatische KI Fehlwertimputation durch, Codierung und Feature-Skalierung für Ihre Daten enthält. Dann wählt die automatische KI automatisch die besten Algorithmen für Ihr Problem aus. Hier sehen Sie die Liste der Standardalgorithmen, die für die automatische Modellauswahl, für Klassifikations- und Regressionsprobleme verwendet werden. Feature-Engineering versucht, die Eingabedaten in eine Kombination von Features umzuwandeln , die am besten ein Problem darstellt, um die genaueste Vorhersage zu erzielen. Ein Merkmal ist eine individuelle messbare Eigenschaft oder ein Merkmal eines beobachteten Phänomens. Ein Teil der Kunst der Auswahl von Features ist es, einen minimalen Satz von unabhängigen Variablen auszuwählen , die das Problem erklären. Obwohl EIA automatisches Feature-Engineering unter Verwendung von Bewehrungslernen zur Maximierung der Modellgenauigkeit durchführt . Alle Modelle des maschinellen Lernens verfügen über Parameter, d. h. die Gewichtungen für jede Variable im Modell. Hyperparameter-Optimierungsschritt verfeinert die leistungsstärksten Modellpipelines. Diese Modell-Pipelines werden auf einer Bestenliste angezeigt , die nach Ihrem Ziel für die Problemoptimierung sortiert ist. Sie können auto yay kostenlos mit dem Lebensplan der IBM Watson Studio Cloud verwenden, der 50 Stunden pro Monat pro Kapazität umfasst. Sie können alle Preispläne für IBM Watson Studio überprüfen, indem Sie diesen Link folgen. 7. Ein IBM Cloud-Konto erstellen: In diesem Video zeige ich Ihnen, wie Sie ein IBM Cloud-Konto erstellen und Watson-Dienste aktivieren. Zunächst müssen Sie diesem Link folgen, www.ibm.com slash cloud. Dann drücken wir Anmelden oder Login. Hier geben wir unsere E-Mail-Adresse ein und wählen dann ein Passwort. Nach der E-Mail-Prüfung und geben Sie persönliche Informationen. Sie können sich einloggen. Da ich bereits ein Konto habe, melde ich mich einfach mit meiner E-Mail-Adresse an. Login fortsetzen. Nachdem Sie sich angemeldet haben, sehen Sie Ihre IBM Cloud. Da ist ein Buch. Um Watson Studio zu aktivieren, wird in den Katalog gehen und nach Watson Studio suchen. Viel Studio. Hier ist es. Jetzt können wir eine Region und den Preisplan auswählen. Lasst uns London wählen. Und die Glühbirne, die kostenlos angeboten wird. Oder Sie können den Dienstnamen ändern. Aber ich lasse es so, wie es geschaffen wird . Und das war's. 8. Classification: Klassifizierung und Regression sind zwei Arten von überwachtem maschinellem Lernen. Grundsätzlich geht es bei der Klassifizierung darum, die Klasse vorherzusagen. Klassen werden manchmal Ziele, Beschriftungen oder Kategorien genannt. Und bei der Regression geht es darum, eine Menge vorherzusagen. In maschinellem Lernen und Statistiken. Klassifizierung ist das Problem der Identifizierung, zu welcher Kategorie oder Klasse eine neue Beobachtung gehört. Es gibt zwei Arten von Klassifizierungen, die auf der Anzahl der vorhergesagten Klassen basieren. Binäre Klassifizierung bezieht sich auf solche Klassifizierungsaufgaben, die zwei Klassenbeschriftungen haben. Und Mehrfachklassenklassifizierung bezieht sich auf diejenigen, die mehr als zwei Klassenbeschriftungen haben. Typischerweise beinhaltet die Binärklassifizierung eine Klasse, die den normalen Zustand ist, und andere Kosten, die ein abnormaler Zustand ist. Die Klasse war ein normaler Zustand, wird die Klassenbeschriftung 0 zugewiesen. Und die Klasse war der abnorme Zustand wird die Klassenbeschriftung zugewiesen. Eins. Beispiele für Probleme mit der Binärklassifizierung sind Spam-Filterung. Ist das E-Mail-Spam oder nicht? Zur Erkennung? Ist diese Transaktion legitim oder nicht? Und medizinische Tests, um festzustellen, ob ein Patient eine bestimmte Krankheit hat oder nicht. Im Gegensatz zu der binären Klassifikation hat die Mehrfachklassenklassifizierung nicht den Begriff von normalen und abnormalen Zuständen. Stattdessen werden Beispiele als gehören zu einer der mehreren Klassen klassifiziert. In diesem Abschnitt des Kurses werde ich Ihnen zeigen, wie Sie ein binäres Klassifizierungsmodell mit automatischer AAA erstellen. Aber bevor wir eins bauen, müssen wir verstehen, wie man die Leistung des Modells bewertet. 9. Classification: Evaluierung in Machine Learning Modelle ist für jedes Projekt unerlässlich. Auswertungsmetriken werden verwendet, um zu messen. Angenommen, es gäbe ein Modell für maschinelles Lernen. Verwendung von Evaluierungsmetriken ist entscheidend, um sicherzustellen , dass Ihr Modell korrekt und optimal funktioniert. Es gibt viele verschiedene Arten von Metriken, die zum Testen des Klassifizierungsmodells verfügbar sind. Es ist sehr wichtig, mehrere Metriken zu verwenden, um Ihr Modell zu bewerten. Da ein Modell mit einer Messung aus einer Auswertungsmetrik gut funktioniert, kann es jedoch mit einer anderen Messgröße aus einer anderen Auswertungsmetrik schlecht funktionieren. In der automatischen AAA wird jede modale Pipeline für eine Vielzahl von Metriken bewertet. Die Standard-Ranglistenmetrik für binäre Klassifizierungsmodelle ist der Bereich unter der ROC-Kurve. Und für Multi-Class-Klassifizierungsmodelle ist Genauigkeit. Schauen wir uns die populären Metriken an, die bei Klassifizierungsproblemen verwendet werden. Die Confusion Matrix ist eines der intuitivsten und einfachsten Werkzeuge, um die Korrektheit und Genauigkeit des Modells zu finden. Die Verwirrungsmatrix selbst ist keine Performance-Metrik als solche. Aber fast alle Performance-Metriken basieren auf Verwirrungsmetriken und den darin enthaltenen Zahlen. Sie können sehen, dass im Falle der binären Klassifizierung Verwirrungsmetriken eine Tabelle mit zwei Zeilen und zwei Spalten sind, die die Anzahl der False Positives, False Negative, True Positives und zwei Negative meldet . True Positives sind die Fälle, in denen die tatsächliche Klasse des Datenpunkts eins war und die vorhergesagte ebenfalls eins ist. False Positives sind die Fälle, in denen die tatsächliche Klasse des Datenpunkts 0 war und Z vorhergesagt war eins. Falsche Negative, da die Fälle, in denen die tatsächliche Klasse ein Datenpunkt war, eins war und die prognostizierte 02 Negative sind die Fälle , in denen die tatsächliche Klasse des Datenpunkts 0 war und die vorhergesagte ebenfalls 0 ist. Genauigkeit bei Klassifizierungsproblemen ist die Anzahl der korrekten Vorhersagen, die vom Modell über alle vorgenommenen Vorhersagen gemacht werden. Genauigkeit scheint, als könnte es die beste Methode sein. Genauigkeit funktioniert jedoch nur für Klassifizierungsversprechen, die ausgewogen sind. Andere häufig verwendete Metriken sind Präzision und Rückruf. Diese beiden Performance-Metriken werden häufig in Verbindung verwendet. Genauigkeit ist die Anzahl der Elemente, die korrekt als positiv identifiziert wurden. Sie sie von der Gesamtzahl der Elemente IdentifizierenSie sie von der Gesamtzahl der Elementeals positiv. Und Rückruf ist die Anzahl der Elemente, die korrekt als positiv identifiziert wurden, von insgesamt wahren Positiven. Also im Grunde, wenn wir uns mehr auf die Minimierung falscher Negative konzentrieren wollen, würden wir wollen, dass unser Rückruf nahe an 100% liegt. Und wenn wir uns darauf konzentrieren wollen, Fehlalarme zu minimieren, dann würden wir wollen, dass unsere Präzision fast 100% liegt. F1-Punktzahl ist ein gewichteter Durchschnitt der Genauigkeit. Und erinnern Sie sich. Daher werden bei dieser Punktzahl sowohl falsche Positive als auch falsche Negative berücksichtigt. Einfach gesagt, die F1-Score hält ein Gleichgewicht zwischen Präzision und Rückruf. Fläche unter der ROC-Kurve zeigt an, wie gut die Wahrscheinlichkeiten der positiven Klassen von den negativen Klassen getrennt sind. Auc ist die Fläche unter der ROC-Kurve. Und die ROC-Kurve ist ein Diagramm, das die Leistung eines Klassifizierungsmodells bei allen Klassifizierungsschwellenwerten zeigt. Sie sollten verstehen, dass unsere Prognose nie genau eins oder 0 ist. Stattdessen prognostizieren wir eine Wahrscheinlichkeit. Typischerweise beträgt der Klassifizierungsschwellenwert 0,5 ist die prognostizierten Wahrscheinlichkeiten eingestellt und 0.5. Ist unsere Prognose nicht eins. Entity ist 0, ist die Wahrscheinlichkeit kleiner als 0,05. Aber wir könnten einen besseren Klassifizierungsschwellenwert haben. Fläche unter der ROC-Kurve bietet ein aggregiertes Maß für die Leistung über alle möglichen Klassifizierungsschwellenwerte hinweg. Er misst die Qualität der Vorhersage der Modelle unabhängig davon, welche Klassifizierungsschwelle gewählt wird. Im Gegensatz zu F1-Punktzahl oder Genauigkeit, die von der Wahl des Schwellenwerts abhängen. 10. Classification und Dataset: Im nächsten Video verwenden wir einen Datensatz vom National Institute of Diabetes und den JSON-Nierenerkrankungen. Es enthält Informationen von 768 Frauen, von denen bei 268 Diabetes diagnostiziert wurde. Oh, die Patienten waren Frauen, die mindestens 21 Jahre alt sind, von pima indischen Erbe. Ziel ist es, diagnostisch vorherzusagen, ob ein Patient Diabetes hat oder nicht. Basierend auf bestimmten diagnostischen Messungen, die im Datensatz enthalten sind. Unser Modell sollte in der Lage sein, vorherzusagen, ob ein Patient Diabetes hat oder nicht. Daher ist unsere abhängige Variable Diabetes. Eine repräsentiert das Vorhandensein von Diabetes und 0 stellt die Abwesenheit dar. Die verfügbaren Informationen umfassen acht Variablen wie Zahl der Schwangerschaften, Glukose, Insulin, h, et cetera. Eine detailliertere Beschreibung der Variablen ist in der Tabelle aufgeführt. 11. Klassifikation mit AutoAI [Hands-on]: In diesem Tutorial werden wir ein binäres Klassifizierungsmodell mit Watson Studio erstellen und bereitstellen . So haben wir das letzte Mal ein IBM Cloud Light Konto erstellt und Watson Studio aktiviert. Jetzt fangen wir an. Erstellen Sie ein Projekt. Erstellen Sie ein leeres Projekt. Bevor wir ein Projekt erstellen, müssen wir eine Objektspeicherinstanz hinzufügen und dann zu dieser Seite zurückkehren. Klicken Sie auf Hinzufügen, Licht, Plan, Erstellen, Bestätigen. Jetzt müssen wir diese Seite aktualisieren. Hier geben wir unseren Projektnamen ein. Automatisch, binär, Klassifizierung. Und klicken Sie auf Erstellen. Um nun modal zu erstellen, klicken Sie oben auf Zu Projekt hinzufügen. Und wählen Sie Auto AAA Experiment. Geben Sie ihm einen Namen. Binäre Klassifizierung. Außerdem müssen wir eine Instanz für maschinelles Lernen verknüpfen. Lasst uns hier klicken. Wieder die Leuchte. Zur Bestätigung. Klicken Sie auf Neu laden. Und jetzt können wir es schaffen. Jetzt müssen Sie die CSV-Datei von Ihrem Computer hochladen, auf Durchsuchen klicken und die Datei auswählen. Was wollen wir voraussagen? Wir müssen diese Spalte vorhersagen. Obwohl eine automatische identifiziert die Vorhersage-Typ binäre Klassifizierung, positive Klasse eins, und bietet eine metrische Genauigkeit zu verwenden. Wir können zu Experimentiereinstellungen gehen. Hier können wir das Split-Verhältnis wählen. Wählen wir 90%. Wählen Sie die einzuschließenden Spalten aus. Wir wählen alle Spalten aus. Klicken Sie dann auf Vorhersage, binäre Klassifizierung, positive Klassen, eine, und optimieren Sie die Metrik. Lasst uns wählen. Fläche unter der ROC-Kurve. Außerdem können wir wählen, wie viele Algorithmen einbezogen werden sollen. Wir wählen alle Algorithmen und Algorithmen aus, die verwendet werden sollen. Wir können drei wählen, Einstellungen speichern und Experiment ausführen. Das Experiment beginnt , während es die Modelle erzeugt. Es gibt zwei verschiedene Ansichten, in denen Sie den Fortschritt der zu erstellenden Pipelines visualisieren können. Die Fortschrittskarte und die Beziehungszuordnung. Das ist also die Fortschrittskarte und das ist eine Beziehungskarte. Also schließlich ist die automatische Ausführung abgeschlossen. Und auf der Fortschrittskarte können Sie den gesamten Prozess sehen. Lesen Sie Dataset, Split Holdout Daten, Umschulung, Daten, Vorverarbeitung und Modellauswahl. Hier können wir sehen, dass Auto EIA logistische Regression Gradient Boosting Classifier und SGB Classifier S gewählt hat , leistungsstarke Algorithmen für diesen Anwendungsfall. Sie können auch alle 12. Pipelines sehen, die generiert wurden. Und Sie können sie hier basierend auf verschiedenen Metriken vergleichen. Hier sehen Sie die Pipeline-Bestenliste. Pipeline Nummer drei ist unsere leistungsstärkste Pipeline. Hier sehen Sie die Modellauswertung. Das ist unsere Kurve. Roc-Kurve misst Genauigkeit, Fläche unter der ROC-Kurve, Präzisions-Rückruf F1 messen durchschnittliche Präzision analogen Verlust. Auch können wir die Verwirrungsmatrix sehen. Lassen Sie uns jetzt diese Modellpipeline speichern. Speichern Sie S-Modell, sicheres, sicheres Modell erfolgreich. Jetzt gehen wir zurück und lassen Sie uns unser Modell bereitstellen. Hier können wir unser Modell sehen. Jetzt lassen Sie es uns bereitstellen. Bereitstellungen. Bei der Bereitstellung. Der Name der Bereitstellung ist sicher. Unsere Bereitstellung ist fertig. Öffnen wir es und testen Sie das Modell. Jetzt können wir unser Modell von dieser Schnittstelle aus testen. Wir können entweder Eingabe im JSON-Format bereitstellen oder Eingabe-Details zu den hier angegebenen Feldern eingeben. Zum Beispiel, sagen wir Anzahl der Schwangerschaften auf Glukosespiegel AT Druck, 60 Trizeps, 30, Insulin 20, BMI, 25, Stammbaum ist 0,2. Und h, sagen wir 30, vorherzusagen. Und wir bekommen eine Vorhersage, die 0 ist. Unser Modell deutet darauf hin, dass diese Person keinen Diabetes hat. Sie können auch die Wahrscheinlichkeiten sehen. 12. Regressionsanalyse: Regressionsanalyse ist eine Form der prädiktiven Modellierungstechnik, die die Beziehung zwischen einer abhängigen Variablen und unabhängigen Variablen untersucht. Diese Technik wird verwendet, um Zeitreihenmodellierung zu prognostizieren und die kausale Wirkung Beziehung zwischen den Variablen zu ermitteln. Machine Learning-Modelle für Regressionsprobleme prognostizieren einen numerischen Wert. Zum Beispiel, wie wird die Temperatur morgen London sein? Oder für welchen Preis wird dieses Haus verkaufen? Eine der einfachsten und häufig verwendeten Regressionstechniken. Es ist eine einfache lineare Regression, bei der wir das Ergebnis einer abhängigen Variablen basierend auf einer unabhängigen Variablen vorhersagen. Und wir gehen davon aus, dass die Beziehung zwischen den Variablen linear ist. Ziel ist es, die Linie zu finden, die am besten zu den Daten passt. Diese Aufgabe kann durch die Verwendung der kleinsten quadratischen Methode erreicht werden. Es ist die am häufigsten verwendete Methode zum Anpassen einer Regressionslinie. Es berechnet die am besten angepassten Linienflüsse beobachteten Daten, indem die Summe der Quadrate der vertikalen Abweichungen von jedem Datenpunkt zur Linie minimiert wird. Beim Training eines Regressionsmodells wird die Vorhersagegleichung iterativ verbessert , indem das Dataset mehrfach durchläuft. Das Training ist abgeschlossen, wenn wir einen akzeptablen Fehlerschwellenwert erreichen oder wenn nachfolgende Trainingsiterationen die Genauigkeit nicht erhöhen konnten. In der Regel kennen Profis nur verschiedene Arten von Regression, die häufig in der realen Welt verwendet werden. Es gibt jedoch zahlreiche Arten von Regressionsmodellen, die Sie verwenden können, jedes mit eigenen Vor- und Nachteilen. Daher kann die Auswahl des optimalen Regressionsmodells schwierig sein. Aaa wählt automatisch die besten Modelle für Ihr Problem gemäß den verschiedenen Metriken aus, um die Ergebnisse zu bewerten. Im nächsten Video werden wir diskutieren, ist die am weitesten verbreitete Regressionsmetriken. 13. Regression: Schauen wir uns also die Metriken an, die in Regressionsproblemen verwendet werden, wie etwa root-mean-quadrierten Fehler oder RMSE und Bestimmungskoeffizient oder r quadriert. Root-Mittelwert quadrierten Fehler ist die am häufigsten verwendete Metrik für Regressionsaufgaben. Und dies ist die Quadratwurzel der durchschnittlichen quadrierten Differenz zwischen dem Zielwert und dem vom Modell prognostizierten Wert. Je kleiner es ist, desto besser ist Ihr Modell. Es wird in einigen Fällen mehr bevorzugt, weil die Fehler zuerst vor dem Mittelwert quadriert werden, was eine hohe Strafe für große Fehler darstellt. Dies bedeutet, dass RMSE nützlich ist, wenn größer, unerwünscht. Bestimmungskoeffizient oder r quadriert, ist eine weitere Metrik, die zur Bewertung der Leistung eines Regressionsmodells verwendet wird. Mit dem r-squared erfahren Sie, wie gut Ihr Modell Ihren Daten entspricht. Die Gleichung für r-squared könnte als erklärte Varianz geteilt durch die Gesamtvarianz beschrieben werden . Erklärte Varianz, erklärt durch das Modell. R-quadrierte Werte können zwischen 0 und 1 liegen. Und der r-quadrierte Wert von 0 bedeutet, dass das Modell keine der Varianz in y erklärt. Und der r-quadrierte Wert eines bedeutet, dass das Modell die gesamte Varianz in Y perfekt erklärt. R-Quadrat ist zu einem, desto besser beschreibt das Modell die eingegebenen Daten. 14. Regressionsproblem: und Dataset: In der nächsten Vorlesung werden wir ein Regressionsmodell mit dem Autor EIA erstellen , das SAT-Score basierend auf dem durchschnittlichen Highschool-GPA prognostiziert. Die SAT ist ein Test, der weit verbreitet für College-Zulassung in den Vereinigten Staaten verwendet wird. Der Datensatz enthält 100 Beobachtungen. Unsere abhängige Variable ist SAT-Score, und die einzige unabhängige Variable ist High School GPA. 15. Regression mit AutoAI [Hands-on]: In diesem Tutorial werden wir ein Regressionsmodell mit auto yay erstellen und bereitstellen. Das letzte Mal haben wir ein Projekt für die binäre Klassifizierung erstellt. Und heute werden wir neue Projekte für die Regression erstellen. Alle Schritte sind im Grunde die gleichen. Gehen wir zu meinen Projekten. Und wir werden ein neues Projekt erstellen. Erstellen Sie ein leeres Projekt. Geben wir ihm einen Namen. Automatische Regression Jetzt, beim Projekt Auto-Experiment, Name und Aggression. Außerdem müssen wir die Machine Learning-Dienstinstanz zuordnen. Klicken Sie hier. Wir wählen eine bestehende Service-Instanz aus. Wählen Sie Neu laden aus. Und jetzt müssen wir die Datei CSV-Datei GPA-Dataset hochladen. Was wollen wir voraussagen? Wir müssen SAT-Score vorhersagen. Dieses Mal werden wir Standardeinstellungen verwenden. Prognosetyp ist Regressionsoptimierte Metrik, RMSE-Ausführungsexperiment. So ist das Experiment abgeschlossen. Wir haben acht Pipelines generiert. Und wir können die Beziehungskarte und die Fortschrittskarte sehen. Diesmal Auto, ja, gewählt, um leistungsstarke Algorithmen, lineare Regression und Gradient-Boosting-Regressor. Und wir haben acht Pipelines. Vergleichen wir sie, wer sie sind. Und schauen wir uns die Bestenliste an. Wir können sehen, dass die beste Pipeline die Pipeline Nummer drei ist. Lasst uns es wählen. Und hier haben wir Modellauswertungsmaßnahmen, RMSC, R-Quadrat, erklärt Varianz, und so weiter. Lassen Sie uns dieses Modell speichern. Sparen. Und jetzt können wir es bereitstellen. Automatische Regression Wir wählen das Modell. Bereitstellungen. Bei der Bereitstellung. Name der Bereitstellung. Sparen. Die Bereitstellung wird initialisiert. Und jetzt ist es fertig. Testen. Hier können wir High-School-GPA eingeben, zum Beispiel 3.5. und vorhersagen. Und das ist unsere Vorhersage. Jetzt versuchen wir es mit einem anderen GPA. Zum Beispiel, 3.7 vorherzusagen. Und das ist unsere Vorhersage. Wenn 4,0 SAT-Score erhöht. Und wir können sehen, dass höher der GPA die vorhergesagte SAT-Score hervorgehoben hat.