Aprendizado de máquina sem código com IBM Watson AutoAI

1. Introdução: Embora a IA e o aprendizado de máquina sejam muito mais acessíveis hoje em dia, ainda é difícil se tornar habilidoso o suficiente para construir modelos decentes de IA e aprendizado de máquina. Auto, sim, Auto ML e novas ferramentas que fornecem métodos e procedimentos para tornar a inteligência artificial e aprendizado de máquina disponíveis para não-especialistas. Essas ferramentas permitem que você forneça os dados de treinamento como entrada e receba um modelo otimizado como saída. É tão simples assim. Nesta série de palestras em vídeo, vou apresentar-lhe o EA automático da IBM Watson, que é uma das melhores soluções existentes que permitem que você crie modelos de aprendizado de máquina sem qualquer codificação. Meu nome é Enigma, e serei seu instrutor para este curso. Este curso é projetado para aqueles que querem pegar um atalho para inteligência artificial e aprendizado de máquina sem seta de codificação. Vamos dar uma olhada no conteúdo do curso. Primeiro, vai se familiarizar com computação em nuvem, serviços IBM Cloud, inteligência artificial e aprendizado de máquina. Então vamos descobrir o que é AAA automático e como ele funciona. Finalmente, ele criará e implantará seus primeiros modelos de Machine Learning usando conjuntos de dados reais. Então vamos começar. Espero que gostem deste curso. 2. Introdução à IBM Cloud: Nesta seção, apresentarei uma breve introdução ao IBM Cloud. Então, primeiro vamos começar com a computação em nuvem. computação em nuvem é o fornecimento sob demanda de recursos de TI pela Internet. Com os preços pagos conforme o uso, você normalmente paga apenas pelos serviços de nuvem que você usa, o que reduz seus custos operacionais. A computação em nuvem é uma grande mudança do modo tradicional. As empresas pensam nos recursos de TI. As empresas são transformadas em serviços de computação em nuvem porque a computação em nuvem elimina as despesas de capital da compra de hardware e software e da configuração de datacenters internos. Em segundo lugar, os serviços de computação em nuvem são executados em uma rede de datacenters, que atualizou sistematicamente para a última geração de hardware de computação rápido e eficiente. Além disso, muitos provedores de nuvem oferecem um conjunto de políticas, tecnologias e controles que protegem os dados contra ameaças potenciais. Hoje em dia, existem muitas empresas que oferecem os chamados Serviços, e a maioria deles é muito confiável. cinco principais provedores de serviços de nuvem são Amazon Web Services, IBM Cloud, Microsoft Azure, Google Cloud Platform e Adobe Creative Cloud. Além dos serviços de armazenamento, rede e processamento, esses provedores oferecem outras soluções, como bancos de dados, inteligência artificial, análise de dados e infraestruturas sem servidor. A computação em nuvem também é categorizada em três modelos de prestação de serviços. Infraestrutura como serviço, plataforma como serviço e software como serviço. infraestrutura como serviço contém os blocos básicos para a nuvem. - Ele. Normalmente, ele fornece acesso a recursos de rede , computadores e espaço de armazenamento de dados. Platform as a Service elimina a necessidade de gerenciar a infraestrutura sublinhada e permite que você se concentre na implantação e no gerenciamento de seus aplicativos. Outro conceito que vem junto com o passe é a idéia de sem servidor. Considerando que o provedor de serviços de nuvem gerencia uma infraestrutura escalável que utiliza recursos de acordo com a demanda. Software como Serviço fornece a você um produto completo que é executado e gerenciado pelo provedor de serviços. modelo Saas é o mais reconhecível pelo público em geral. Muitos usuários interagem com aplicativos SaaS sem saber. Normalmente, exemplos de aplicativos SaaS são Gmail, Outlook, Google Drive e Dropbox. A nuvem IBM oferece recursos de plataforma como serviço e infraestrutura como serviço para criar, executar e gerenciar aplicativos. A IBM Cloud Platform oferece uma ampla gama de serviços para proteger, armazenar, servir e analisar dados. Foi desenvolvedores de nuvem IBM pode se concentrar na construção uma excelente experiência de usuário com opções de computação flexíveis, escolha de ajustes DevOps e o poderoso conjunto de IBM e APIs de terceiros e serviços. plataforma IBM Cloud é composta por vários componentes que funcionam juntos. Robôs, consoles que servem como um front-end para criar, visualizar e gerenciar seus recursos de nuvem. E componente de gerenciamento de identidade e acesso que autentica usuários com segurança e controla o acesso a recursos no IBM Cloud. Um catálogo que consiste em centenas de ofertas de nuvem IBM. Uma pesquisa no mecanismo de marcação para filtrar e identificar seus recursos. E, finalmente, um sistema de gerenciamento de contas e contas que fornece uso exato para planos de preços, proteção segura contra fraudes de cartão de crédito. Watson é adequado para serviços de IA, aplicativos e ferramentas prontas para empresas. E IA externa é uma das ferramentas do estúdio Watson. 3. Introdução à inteligência artificial: Inteligência artificial e aprendizado de máquina são dois tópicos muito quentes hoje em dia. Especialistas afirmam que essas tecnologias vão revolucionar o mundo. Inteligência artificial, satélites, formas de construir programas inteligentes e máquinas inteligentes capazes de executar tarefas que normalmente exigem inteligência humana. A inteligência artificial tem uma ampla gama de maneiras pelas quais ela pode ser aplicada. De chatbots a análises preditivas, de sistemas de reconhecimento. Veículos autônomos. Ai é geralmente dividido em duas categorias. Nós KI, que está focado em um problema particular. E uma IA forte que se concentra na criação inteligência que possa lidar com qualquer tarefa ou problema em qualquer domínio. Fortemente está focado na criação de máquinas inteligentes que podem executar com sucesso qualquer tarefa intelectual que um ser humano pode. E isso se resume a três aspectos. Primeiro, a capacidade de generalizar o conhecimento de um domínio para outro e tirar o conhecimento de uma área e aplicá-lo em outro lugar. Em segundo lugar, a capacidade de fazer planos para o futuro com base no conhecimento e na experiência. E, por último, a capacidade de se adaptar ao ambiente à medida que ocorrem mudanças. Por outro lado, nós nos importamos é bom em executar uma tarefa particular, mas ele não vai passar para humano em qualquer outro campo fora de suas capacidades definidas. Exemplos de tecnologias mais fracas, como reconhecimento de imagem e fala ou chatbots AI. Um dos exemplos mais famosos de IA fraca é Deep Blue. Deep Blue era um computador de jogo de xadrez desenvolvido pela IBM. Em 1997. Deep Blue fez história como o primeiro computador a vencer o campeão mundial Garry Kasparov em uma partida de seis jogos sob controles de tempo padrão. Garry Kasparov é um grande mestre de xadrez russo que muitos consideram ser o maior jogador de xadrez de todos os tempos. Quando Deep Blue levou o muito ao vencer o jogo final, Kasparov se recusou a acreditar. O azul usou uma força bruta ou uma abordagem exaustiva de busca. O azul é capaz de examinar 200 milhões de movimentos por segundo, ou 50 bilhões de posições nos três minutos alocados para um único movimento em um jogo de xadrez. Outro exemplo famoso de wiki é o AlphaGo. Esqueci, é um programa de computador que joga o jogo de tabuleiro Go. Foi desenvolvido pela DeepMind Technologies, que mais tarde foi adquirida pela Google. Go é conhecido como o jogo clássico mais desafiador, PA, inteligência artificial. Por causa de sua complexidade. É praticamente impossível calcular todos os movimentos possíveis neste jogo. Alphago é o primeiro programa de computador a derrotar um jogador humano profissional Go. Ifa vai algoritmo usado uma combinação de técnicas de aprendizado de máquina e pesquisa. Combinado com treinamento extensivo, tanto do jogo humano quanto do computador. A inteligência artificial tornou-se uma parte crucial da vida humana diária hoje em dia. Toda vez que você faz uma pesquisa do Google, book_id viagem on-line, recebe uma recomendação de produto da Amazon ou abre seu feed de notícias do Facebook. Ai está à espreita no fundo. Aaa está no centro da Primeira Revolução Industrial, que irá alterar fundamentalmente a forma como vivemos e trabalhamos. Vai afectar-nos a todos. Todos eles influenciam profundamente o futuro do trabalho e sua carreira. Como resultado, não importa o setor em que você está. 4. Introdução ao aprendizado de máquina: O aprendizado de máquina é um subconjunto de IA. Em outras palavras, todo aprendizado de máquina é IA, mas nem todo ai é aprendizado de máquina. O aprendizado de máquina fornece aos sistemas a capacidade de aprender e melhorar automaticamente com a experiência sem serem programados explicitamente. Deep Learning é um subconjunto de aprendizado de máquina no qual Redes Neurais Artificiais se adaptam e aprendem com grandes quantidades de dados. aprendizagem profunda também será discutida mais adiante neste vídeo. O aprendizado de máquina usa uma variedade de algoritmos que aprendem iterativamente com dados para melhorar os dados do escriba e prever resultados. Um modelo de aprendizado de máquina é a saída gerada quando você treina seu algoritmo de aprendizado de máquina com dados de entrada. Após o treinamento, você receberá uma previsão. O aprendizado de máquina agora é essencial para a criação de modelos de análise. Muitos dos algoritmos de aprendizado de máquina amplamente utilizados estão enraizados na análise estatística clássica. Os cientistas de dados combinam o Manoj com experiência em matemática, estatística e ciência da computação para usar todas as disciplinas em colaboração, independentemente da combinação de capacidades e tecnologia usada para prever resultados. Ter uma compreensão do problema de negócios e feijão vai é essencial. Você não pode esperar obter bons resultados concentrando-se apenas nas estatísticas sem considerar o lado empresarial. Basicamente, você pode considerar o aprendizado de máquina como uma ferramenta para resolver seu problema de negócios. Dependendo da natureza do problema de negócios que está sendo abordado. Existem diferentes categorias de aprendizado de máquina, como aprendizado supervisionado, aprendizado não supervisionado, aprendizado de reforço e redes neurais e aprendizado profundo. A maior parte do aprendizado de máquina prático usa aprendizado supervisionado. É chamado de aprendizagem supervisionada porque o processo de um algoritmo aprendido a partir do conjunto de dados de treinamento pode ser pensado como um professor supervisionando o processo de aprendizagem. Sabemos as respostas corretas enquanto o algoritmo faz previsões iterativamente sobre os dados de treinamento. E isso corrigido pelo professor. processo de aprendizagem pára quando o algoritmo atinge um nível aceitável de desempenho. Em geral, a aprendizagem supervisionada ocorre quando um sistema recebe um conjunto de dados rotulado com variáveis de entrada e saída. E o modelo precisa aprender como eles estão relacionados. O objetivo é produzir um modelo preciso que possa prever a saída quando a nova entrada é dada. Neste curso, vamos nos concentrar principalmente na aprendizagem supervisionada porque é a forma mais utilizada na prática de aprendizado de máquina e provou ser uma excelente ferramenta em muitos campos. Problemas de aprendizagem supervisionados podem ser agrupados em problemas de regressão e classificação. Quando o rótulo é contínuo, é regressão. Quando os dados vêm de um conjunto finito de valores, é a classificação. O aprendizado não supervisionado é mais adequado quando o problema requer uma grande quantidade de dados sem rótulo. Compreender o significado por trás desses dados requer algoritmos que possam classificar os dados com base nos padrões ou clusters encontrados. Portanto, a aprendizagem supervisionada conduz um processo iterativo de análise de dados sem intervenção humana. aprendizagem de reforço é o modelo de aprendizagem comportamental. O agente aprende a alcançar um objetivo em um potencial incerto, um ambiente complexo. Na aprendizagem de reforço. E a inteligência artificial enfrenta uma situação semelhante ao jogo. O computador impõe tentativa e erro para chegar a uma solução para o problema. Aa recebe recompensas ou penalidades pelas ações que realiza, e seu objetivo é maximizar a recompensa total. As aplicações mais comuns de aprendizagem de reforço, nossos robôs e barcos de IA em jogos de vídeo. Deep Learning é um subcampo do aprendizado de máquina preocupado com seus algoritmos inspirados na estrutura e função do cérebro humano chamado redes neurais artificiais. A aprendizagem profunda é especialmente útil quando você está tentando aprender padrões a partir de dados não estruturados. Redes neurais complexas são projetadas para emular como o cérebro humano funciona. Assim, os computadores podem ser treinados para lidar com abstrações e problemas mal definidos. Uma rede neural consiste em três ou mais camadas. Uma camada de entrada, uma ou muitas camadas ocultas, e a camada de saída, os dados são ingeridos através da camada de entrada. Em seguida, os dados são modificados na camada oculta e as camadas de saída com base nos pesos aplicados a esses nós. O termo deep learning é usado quando há várias camadas ocultas dentro de uma rede neural. Usando uma abordagem iterativa, uma rede neural ajusta continuamente e faz interferências até atingir um ponto de parada específico. Redes neurais e deep learning são frequentemente usadas em aplicações de reconhecimento de imagem, reconhecimento de fala e visão computacional. 5. O que é is: Há toneladas de cursos e livros didáticos bem escritos disponíveis on-line que dão boa introdução à inteligência artificial e ao aprendizado de máquina. E uma fração do custo. Existem inúmeras estruturas que facilitam a criação e a implantação de modelos. Agora é possível usar um modelo existente com uma compreensão básica do algoritmo e das poucas linhas de código. No entanto, inteligência artificial e aprendizado de máquina ainda são difíceis ao implementar modelos existentes para funcionar bem para seu novo aplicativo. A boa notícia é que inteligência artificial e o aprendizado de máquina se tornaram ainda mais acessíveis. Além disso, a IA e a ML visam eliminar a necessidade de cientistas de dados qualificados criarem modelos. Bons cientistas de dados combinam o Manoj, cuja experiência em massa, estatística e ciência da computação. Quanto ao momento, é praticamente impossível substituir o conhecimento principal por sistemas automatizados. Mas agora é possível automatizar muitas das tarefas complicadas e demoradas. Aprendizagem de máquina, como otimização de hiperparâmetros , seleção de modelos, seleção de recursos, etc. Basicamente, tudo, exceto o conhecimento principal, pode ser automatizado. Auto AI e ML são novas ferramentas que permitem que você forneça os dados de treinamento como entrada e receba um modelo otimizado como saída. Existem em soluções de IA automática e atermal como IBM Watson, IA automática permite que todos construam e implantem modelos otimizados sem a necessidade de ser um profissional na ciência de dados. 6. IBM AutoAI: Embora a EIA seja uma ferramenta gráfica no IBM Watson studio que analisa automaticamente seus dados e gera modelos de aprendizado de máquina para o seu problema. Atualmente, o AAA automático aborda problemas relacionados à classificação e regressão. Este tipo de problemas, eu tenho o núcleo de muitas iniciativas de ciência de dados. Usando auto yea, você pode criar e implantar um modelo de aprendizado de máquina sem codificação. Primeiro, você precisa fornecer uma linha de dados em um arquivo CSV. Em seguida, a IA do autor ajuda você a preparar nossos dados para aprendizado de máquina. Seleciona automaticamente os melhores algoritmos, executa otimização de hiperparâmetros e engenharia de recursos. Como uma saída, você obtém um modelo otimizado que pode salvar e implantar. Vamos passar pelas etapas com mais detalhes. A maioria dos conjuntos de dados contém diferentes formatos de dados e valores ausentes, mas os algoritmos de aprendizado de máquina padrão funcionam com números e sem valores ausentes. O Alto AAA ajuda você a analisar, limpar e preparar seus dados de linha. Ele automaticamente detecta e categoriza recursos com base no tipo de dados, como categórico ou numérico. Dependendo da categorização, IA automática conduz a imputação de valor ausente, com codificação e dimensionamento de recursos para seus dados. Em seguida, a IA automática seleciona automaticamente os melhores algoritmos para o seu problema. Aqui você pode ver a lista de algoritmos padrão usados para seleção automática de modelos, para problemas de classificação e regressão. engenharia de recursos tenta transformar os dados de entrada na combinação de recursos que melhor representam um problema para alcançar a previsão mais precisa. Uma característica é uma propriedade mensurável individual ou característica de um fenômeno que está sendo observado. Parte da arte de escolher características é escolher um conjunto mínimo de variáveis independentes que expliquem o problema. Embora a EIA faça engenharia automática de recursos usando o aprendizado de reforço para maximizar a precisão do modelo. Todos os modelos de aprendizado de máquina têm parâmetros, o que significa os pesos para cada variável no modelo. etapa de otimização de hiperparâmetros refina os pipelines de modelo com melhor desempenho. Esses pipelines de modelo são exibidos em uma tabela de classificação classificada de acordo com seu objetivo de otimização de problemas. Você pode começar a usar o auto yay gratuitamente com o plano de vida da nuvem IBM Watson Studio, que inclui 50 horas de unidade de capacidade por mês. Você pode verificar todos os planos de preços para o IBM Watson Studio seguindo este link. 7. Crie uma conta de IBM Cloud: Neste vídeo, vou mostrar como criar uma conta IBM Cloud e ativar os serviços Watson. Em primeiro lugar, você precisa seguir este link, www.ibm.com barra nuvem. Em seguida, pressionamos o cadastro ou login. Aqui nós digitamos nosso endereço de e-mail e, em seguida, escolher uma senha. Após verificação por e-mail e fornecer informações pessoais. Você poderá fazer login. Como eu já tenho uma conta, vou apenas fazer login usando meu endereço de e-mail. Continuar o login. Após o login, você verá seu IBM Cloud. Há um livro. A fim de ativar Watson estúdio irá para o catálogo e procurar por Watson estúdio. Muitos estúdios. Aqui está. Agora podemos selecionar uma região e o plano de preços. Vamos escolher Londres. E a lâmpada, que é oferecida gratuitamente. Ou você pode alterar o nome do serviço. Mas eu vou deixá-lo como ele é criado. E é isso. 8. Problemas de classificação: Classificação e regressão são são dois tipos de aprendizado de máquina supervisionado. Basicamente, a classificação é sobre prever a classe. Às vezes, as classes são chamadas de alvos, rótulos ou categorias. E regressão é sobre prever uma quantidade. Em aprendizado de máquina e estatísticas. classificação é o problema de identificar a que categoria ou classe uma nova observação pertence. Existem dois tipos de classificação com base no número de classes previstas. Classificação binária refere-se às tarefas de classificação que têm dois rótulos de classe. E a classificação multiclass refere-se àqueles que têm mais de dois rótulos de classe. Normalmente, a classificação binária envolve uma classe que é o estado normal e outro custo que é um estado anormal. A classe era um estado normal, é atribuído o rótulo de classe 0. E a classe foi o estado anormal é atribuído o rótulo da classe. Um. Exemplos de problemas de classificação binária incluem filtragem de spam. Isto é spam ou não? Para detecção? Esta transação é legítima ou não? E testes médicos para determinar se um paciente tem certa doença ou não. Ao contrário da classificação binária, classificação multiclasse não tem a noção de estados normais e anormais. Em vez disso, os exemplos são classificados como pertencentes a uma das várias classes. Nesta seção do curso, vou mostrar-lhe como construir um modelo de classificação binária usando AAA automático. Mas antes de construir um, precisamos entender como avaliar o desempenho do modelo. 9. Metrics de classificação: Avaliar em modelos de aprendizado de máquina é essencial para qualquer projeto. As métricas de avaliação são usadas para medir. Suponha que houvesse um modelo de aprendizado de máquina. uso de métricas de avaliação é essencial para garantir que seu modelo esteja funcionando corretamente e de forma otimizada. Existem muitos tipos diferentes de métricas disponíveis para testar o modelo de classificação. É muito importante usar várias métricas para avaliar seu modelo. Porque um modelo pode ter um bom desempenho usando uma medida de uma métrica de avaliação, mas pode ter um desempenho ruim usando outra medição de outra métrica de avaliação. No AAA automático, cada pipeline modal é marcado para uma variedade de métricas. A métrica de classificação padrão para modelos de classificação binária é a área sob a curva ROC. E para modelos de classificação multi-classe é precisão. Vejamos as métricas populares usadas em problemas de classificação. A Confusion Matrix é uma das ferramentas mais intuitivas e fáceis para encontrar a exatidão e a precisão do modelo. matriz de confusão em si não é uma métrica de desempenho como tal. Mas quase todas as métricas de desempenho são baseadas em métricas de confusão e os números dentro dela. Você pode ver que, no caso da classificação binária, as métricas de confusão são uma tabela com duas linhas e duas colunas que relata o número de falsos positivos, falsos negativos, verdadeiros positivos e dois negativos. Verdadeiros positivos são os casos em que a classe real do ponto de dados era um e o previsto também é um. Falsos positivos são os casos em que a classe real do ponto de dados foi 0 e Z previsto foi um. Falsos negativos como os casos em que a classe real era um ponto de dados era um e o previsto é 02 negativos são os casos em que a classe real do ponto de dados foi 0 e o previsto também é 0. precisão nos problemas de classificação é o número de previsões corretas feitas pelo modelo em todas as previsões feitas. A precisão parece ser o melhor método. No entanto, a precisão só funciona para a promessa de classificação, que são bem equilibradas. Outras métricas comumente usadas são precisão e recall. Essas duas métricas de desempenho são frequentemente usadas em conjunto. Precisão é o número de itens corretamente identificados como positivos. Fora do total de itens, identifique-o como positivo. E recall é o número de itens corretamente identificados como positivos do total de verdadeiros positivos. Então, basicamente, se quisermos focar mais na minimização de falsos negativos, gostaríamos que nosso recall fosse próximo de 100%. E se quisermos nos concentrar em minimizar falsos positivos, então gostaríamos que nossa precisão fosse próxima de 100%. pontuação de F1 é uma média ponderada de precisão. E lembre-se. Portanto, essa pontuação leva ambos os falsos positivos e falsos negativos em consideração. Simplesmente afirmado, a pontuação da F1 mantém um equilíbrio entre a precisão e o recall. Área sob a curva ROC indica quão bem as probabilidades das classes positivas são separadas das classes negativas. Auc é a área sob a curva ROC. E a curva ROC é um gráfico que mostra o desempenho de um modelo de classificação em todos os limiares de classificação. Você deve entender que nossa previsão nunca é exatamente uma ou 0. Em vez disso, prevemos uma probabilidade. Normalmente, o limite de classificação é 0,5 é as probabilidades previstas contratações e 0,5. Não é nossa previsão é uma. Entidade é 0, é a probabilidade é menor que 0,05. mas poderíamos ter um limite de classificação melhor desempenho. área sob a curva ROC fornece uma medida agregada de desempenho em todos os limiares de classificação possíveis. Ele mede a qualidade da previsão dos modelos independentemente do limite de classificação escolhido. Ao contrário da pontuação F1 ou precisão, que dependem da escolha do limiar. 10. Problema de classificação e Dataset: No próximo vídeo, usaremos um conjunto de dados do Instituto Nacional de Diabetes e das doenças renais JSON. Contém informações de 768 fêmeas, das quais 268 foram diagnosticadas com diabetes. Pacientes eram do sexo feminino, pelo menos 21 anos, da herança indígena Pima. O objetivo é prever de forma diagnóstica se um paciente tem diabetes ou não. Com base em certas medidas de diagnóstico incluídas no conjunto de dados. Nosso modelo deve ser capaz de prever se um paciente tem ou não diabetes. Assim, nossa variável dependente é diabetes. Um representa a presença de diabetes e 0 representa a ausência. informações disponíveis incluem oito variáveis, como número de gestações, glicose, insulina, h, etc. Uma descrição mais detalhada sobre as variáveis está listada na tabela. 11. Classificação usando AutoAI [Hands-on]: Neste tutorial, vamos construir e implantar um modelo de classificação binária usando estúdio Watson. Da última vez criamos uma conta IBM Cloud Light e ativamos o estúdio Watson. Agora vamos começar. Crie um projeto. Crie um projeto vazio. Antes de criar um projeto, precisamos adicionar uma instância de armazenamento de objetos e, em seguida, retornar a esta página. Clique em Adicionar, acender, planejar, criar, confirmar. Agora precisamos atualizar esta página. Aqui nós digitamos o nome do nosso projeto. Automático, binário, classificação. E clique em Criar. Agora, para começar a construir agora modal, clique em Adicionar ao projeto na parte superior. E selecione Auto AAA experimento. Dê um nome a ele. Classificação binária. Além disso, precisamos associar uma instância de serviço de aprendizado de máquina. Vamos clicar aqui. Novamente a lâmpada de luz. Para confirmar. Clique em recarregar. E agora podemos criá-lo. Agora você precisa fazer o upload do arquivo CSV do seu computador, clicar em Procurar e escolher o arquivo. O que queremos prever? Precisamos prever esta coluna. Embora um automatico identificou a classificação binária tipo de previsão, classe positiva um, e oferece para usar uma precisão métrica. Podemos ir para configurações de experimento. Aqui podemos escolher a proporção de divisão. Vamos escolher 90%. Selecione colunas a serem incluídas. Selecionamos todas as colunas. Em seguida, clique em Predição, classificação binária, Classes positivas, um e otimize a métrica. Vamos escolher. Área sob a curva ROC. Além disso, podemos escolher quantos algoritmos incluir. Selecionamos todos os algoritmos e algoritmos para usar. Podemos escolher três, Salvar configurações e executar experimento. O experimento começa enquanto ele está gerando os modelos. Existem duas visões diferentes através das quais você pode visualizar o progresso dos pipelines que estão sendo criados. O mapa de progresso e o mapa de relacionamento. Então este é o mapa de progresso e este é um mapa de relacionamento. Então, finalmente, a execução automática está concluída. E no mapa de progresso você pode ver todo o processo. Leia o conjunto de dados, Dividir dados de retenção, reciclagem, dados, pré-processamento e seleção de modelos. Aqui podemos ver que auto EIA escolheu regressão logística gradiente impulsionando classificador e classificador SGB S, algoritmos de melhor desempenho para este caso de uso. Você também pode ver todos os 12º pipelines gerados. E você pode compará-los aqui com base em métricas diferentes. Aqui você pode ver a tabela de classificação do gasoduto. O pipeline número três é o nosso pipeline de melhor desempenho. Aqui você pode ver a avaliação do modelo. Esta é a nossa curva. curva Roc mede a precisão, área sob a curva ROC, precisão de recall F1 mede a perda analógica de precisão média. Também podemos ver a matriz de confusão. Então agora vamos salvar este pipeline modelo. Salvar modelo S, seguro, modelo seguro com sucesso. Agora vamos voltar e implantar nosso modelo. Aqui podemos ver nosso modelo. Agora vamos implantá-lo. Implantações. Na implantação. O nome da implantação é seguro. Nossa implantação está pronta. Vamos abrir e testar o modelo. Agora podemos testar nosso modelo a partir desta interface. Podemos fornecer entrada no formato JSON ou inserir detalhes de entrada para os campos fornecidos aqui. Por exemplo, digamos o número de gravidezes ao nível de glicose A pressão, 60 tríceps, 30, insulina 20, IMC, 25, pedigree é 0,2. E h, digamos 30, prever. E temos uma previsão que é 0. Então nosso modelo sugere que essa pessoa não tem diabetes. Você também pode ver as probabilidades. 12. Análise de repressão: A análise de regressão é uma forma de técnica de modelagem preditiva que investiga a relação entre uma variável dependente e variáveis independentes. Esta técnica é usada para prever a modelagem de séries temporais e encontrar a relação de efeito causal entre as variáveis. Modelos de aprendizado de máquina para problemas de regressão preveem um valor numérico. Por exemplo, qual será a temperatura de Londres amanhã? Ou por que preço esta casa venderá? Uma das técnicas de regressão mais fáceis e comumente usadas. É uma regressão linear simples, onde prevemos o resultado de uma variável dependente baseada em uma variável independente. E assumimos que a relação entre as variáveis é linear. O objetivo é encontrar a linha que mais se adapta aos dados. Esta tarefa pode ser realizada usando o método mínimo quadrado. É o método mais comum usado para ajustar uma linha de regressão. Ele calcula os fluxos de linha mais ajustados dados observados minimizando a soma dos quadrados dos desvios verticais de cada ponto de dados para a linha. Treinar um modelo de regressão é o processo de melhorar iterativamente sua equação de previsão, fazendo loop pelo conjunto de dados várias vezes. O treinamento é concluído quando atingimos um limite de erro aceitável ou quando as iterações de treinamento subsequentes falharam em aumentar a precisão. Normalmente, os profissionais conhecem apenas vários tipos de regressão, que são comumente usados no mundo real. No entanto, existem inúmeros tipos de modelos de regressão que você pode usar, cada um com suas próprias vantagens e desvantagens. Portanto, escolher o modelo de regressão ideal pode ser difícil. Aaa seleciona automaticamente os melhores modelos para o seu problema de acordo com as várias métricas para avaliar os resultados. No próximo vídeo, vamos discutir é a métrica de regressão mais amplamente utilizada. 13. Metrics de Regression: Então vamos olhar para as métricas usadas em problemas de regressão, como erro de raiz média quadrada ou RMSE e coeficiente de determinação ou r ao quadrado. erro médio quadrado raiz é a métrica mais utilizada para tarefas de regressão. E esta é a raiz quadrada da diferença média quadrada entre o valor alvo e o valor previsto pelo modelo. Quanto menor for, melhor será o seu modelo. É preferido mais em alguns casos porque os erros são primeiro ao quadrado antes da média, que representa uma alta penalidade em grandes erros. Isso implica que o RMSE é útil quando maior, indesejado. Coeficiente de determinação ou r quadrado, é outra métrica usada para avaliar o desempenho de um modelo de regressão. O r-quadrado diz-lhe o quão bem o seu modelo está ajustando os seus dados. A equação para r-quadrado pode ser descrita como variância explicada dividida pela variância total. Variância explicada, explicada pelo modelo. Os valores R quadrados podem variar de 0 a um. E o valor r quadrado de 0 significa que o modelo não está explicando nenhuma variação em y. E o valor r-quadrado de um significa que o modelo está perfeitamente explicando toda a variância em Y. Então, em geral, quanto mais próximo R-quadrado é para um, melhor o modelo está descrevendo os dados inseridos. 14. Problema de Regression e Dataset: Na próxima palestra, vamos construir um modelo de regressão usando a EIA do autor que prevê pontuação SAT com base no GPA médio do ensino médio. O SAT é um teste amplamente utilizado para admissão na faculdade nos Estados Unidos. O conjunto de dados inclui 100 observações. Nossa variável dependente é o escore SAT, e a única variável independente é o GPA do ensino médio. 15. Regressão usando AutoAI [Hands-on]: Neste tutorial, vamos construir e implantar um modelo de regressão usando auto yay. Da última vez, criamos um projeto para classificação binária. E hoje vamos criar novos projetos para regressão. Todos os passos são basicamente os mesmos. Vamos aos meus projetos. E vamos criar um novo projeto. Crie um projeto vazio. Vamos dar-lhe um nome. Regressão automática. Agora, no projeto experimento automático, nome e agressão. Além disso, precisamos associar a instância do serviço Machine Learning. Clicando aqui. Escolhemos uma instância de serviço existente. Selecione recarregar. E agora precisamos carregar o arquivo CSV arquivo conjunto de dados GPA. O que queremos prever? Precisamos prever a pontuação do SAT. Desta vez, usaremos as configurações padrão. O tipo de previsão é métrica otimizada para regressão, experimento de execução RMSE. Então o experimento está concluído. Temos oito oleodutos gerados. E podemos ver o mapa do relacionamento e o mapa do progresso. Desta vez auto, sim, eleito para algoritmos de melhor desempenho, regressão linear e regressor de aumento de gradiente. E temos oito oleodutos. Vamos compará-los, quem eles são. E vamos ver a tabela de classificação. Podemos ver que o melhor gasoduto é o gasoduto número três. Vamos escolhê-lo. E aqui temos medidas de avaliação do modelo, RMSC, R-quadrado, variância explicada, e assim por diante. Vamos salvar este modelo. Salvar. E agora podemos implantá-lo. Regressão automática. Escolhemos o modelo. Implantações. Na implantação. Nome da implantação. Salvar. A implantação está inicializando. E agora está pronto. Teste. Aqui podemos digitar GPA do ensino médio, por exemplo, 3.5. e prever. E essa é a nossa previsão. Agora vamos tentar outra média. Por exemplo, 3.7 prevêem. E essa é a nossa previsão. Se 4,0 pontuação SAT aumentada. E podemos ver que mais alto o GPA destacou a pontuação de SAT prevista.