Хураангуй

Summary

In this chapter, we explored machine learning at a very high level and familiarized ourselves with the big picture and major concepts that we are going to explore in the following chapters in more detail. We learned that supervised learning is composed of two important subfields: classification and regression. While classification models allow us to categorize objects into known classes, we can use regression analysis to predict the continuous outcomes of target variables. Unsupervised learning not only offers useful techniques for discovering structures in unlabeled data, but it can also be useful for data compression in feature preprocessing steps. We briefly went over the typical roadmap for applying machine learning to problem tasks, which we will use as a foundation for deeper discussions and hands-on examples in the following chapters. Eventually, we set up our Python environment and installed and updated the required packages to get ready to see machine learning in action.
Later in this book, in addition to machine learning itself, we will also introduce different techniques to preprocess our dataset, which will help us to get the best performance out of different machine learning algorithms. While we will cover classification algorithms quite extensively throughout the book, we will also explore different techniques for regression analysis and clustering.

We have an exciting journey ahead, covering many powerful techniques in the vast field of machine learning. However, we will approach machine learning one step at a time, building upon our knowledge gradually throughout the chapters of this book.

In the following chapter, we will start this journey by implementing one of the earliest machine learning algorithms for classification, which will prepare us for Chapter 3, A Tour of Machine Learning Classifiers Using scikit-learn, where we cover more advanced machine learning algorithms using the scikit-learn open source machine learning library



Хураангуй

Энэ бүлэгт бид машин сурах маш өндөр түвшинд судалж, дараагийн бүлгүүдэд илүү дэлгэрэнгүй судлах гэж буй том зураг, гол ойлголттой танилцлаа. Хяналтанд хамрагдсан сургалт нь ангилал ба регресс гэсэн хоёр чухал салбараас бүрддэг болохыг бид мэдсэн. Ангиллын загварууд нь объектуудыг мэдэгдэж байгаа ангилалд ангилах боломжийг олгодог боловч зорилтот хувьсагчдын тасралтгүй үр дүнг урьдчилан таамаглахын тулд регрессийн шинжилгээг ашиглаж болно. Хяналтанд хяналтгүй суралцах нь зөвхөн шошгогүй өгөгдөл дэх бүтцийг олоход туслах аргуудыг санал болгодог төдийгүй боловсруулалтын өмнөх үе шатанд өгөгдлийг шахахад тустай байдаг. Дараахь бүлгүүдэд гүнзгий хэлэлцүүлэг, гар дээр дурдсан жишээнүүдийн суурь болгон ашиглах техникийн сургалтыг асуудлын даалгаварт ашиглах ердийн замын газрын талаар товч товч өгөв. Эцэст нь бид Python орчноо бий болгож, машин сурах үйл ажиллагааг харахад бэлэн болохын тулд шаардлагатай багцуудыг суулгаж, шинэчилсэн.
Хожим нь энэхүү номонд машин сурахаас гадна бид өөрсдийн мэдээллийн санг боловсруулахад өөр өөр техникийг танилцуулах болно. Энэ нь машин сургалтын алгоритмуудаас хамгийн сайн гүйцэтгэлийг олж авахад туслах болно. Бид бүхэл бүтэн ангиллын алгоритмуудыг нэлээд өргөн хүрээнд хамрах боловч регрессийн шинжилгээ, кластерчлах өөр өөр аргыг судлах болно.

Машин сурах өргөн уудам салбарт олон хүчирхэг техникийг хамарсан сонирхолтой аялал бидэнд байна. Гэсэн хэдий ч бид энэ номны бүх бүлгүүдэд аажим аажмаар мэдлэг дээрээ үндэслэн машин сурах аргыг нэг алхамаар ойртуулна.

Дараагийн бүлэгт бид энэхүү аяллыг гар утасны ангиллын хамгийн эртний сургалтын алгоритмуудын нэгийг хэрэгжүүлснээр эхлүүлнэ. Энэ нь бид 3-р бүлэгт зориулагдсан машин сурах ангийн анхан шатны сургалтыг scikit-learn ашиглан сургалтын алгоритмуудыг ашиглан илүү нарийвчлан авч үзэх болно. scikit-сурах нээлттэй эх сурвалж бүхий машин сурах номын сан