Dirbtinis intelektas, mašininis mokymasis, gilus mokymasis. visos yra vis populiaresnės sąvokos. Atrodo, kažkas iš ateities, tačiau jis vis dažniau naudojamas visose gyvenimo srityse. Ne tik internete, ne tik kompiuterio matyme. Jie diagnozuoja ligas, optimizuoja problemas, vairuoja automobilius ir daugybę kitų dalykų
Apie ką mes kalbėsime
Naujienų neskelbsime. Mes stengsimės gauti naudingos informacijos, kaip įprasta „Ikkaro“. Rinkti įrankius, bandyti paaiškinti sąvokas, daryti mašininio mokymosi pavyzdžius. Skirtingų sričių programos, pvz., IoT, ir visi įdomūs jūsų rasti duomenų lapai.
Aš nesu ekspertas. Aš mokausi, bet tikiu, kad galiu prisidėti prie žinių, kurias įgyju ir tobulinu.
Projekto idėja yra duoti balso nurodymus, kaip bendrauti per mūsų kompiuterį arba mūsų Raspberry Pi, naudojant balsą į tekstą šnabždesį.
Mes pateiksime užsakymą, kuris bus perrašytas, konvertuojamas į tekstą su Whisper ir tada analizuojamas, kad būtų įvykdytas atitinkamas nurodymas, kuris gali būti nuo programos vykdymo iki įtampos suteikimo RaspberryPi kaiščiams.
Ketinu naudoti seną Raspberry Pi 2, mikro USB ir neseniai OpenAI išleistą balsą į tekstą modelį, Šnabždėti. Straipsnio pabaigoje galite pamatyti šiek tiek daugiau šnabždesio.
Ką tik baigiau kūrėjų kursą „Google“ mašinų mokymosi greitas kursas. Įvadinis kursas, kuriame jie pateikia pagrindines sąvokas ir mato realių „TensorFlow“ diegimo pavyzdžių. Šie pavyzdžiai paskatino mane tai padaryti.
Bendradarbiavimas, dar vadinamas „Google Colab“ Tai „Google“ tyrimų produktas ir yra naudojamas „Python“ ir kitomis kalbomis rašyti ir paleisti iš mūsų naršyklės.
Kas yra
Palieku jums vadovą pradedantiesiems, kuris puikiai papildo šį straipsnį
„Colab“ yra „Jupyter“ šeimininkas, įdiegta ir sukonfigūruota, kad nereikėtų nieko daryti kompiuteryje, o tiesiog dirbti iš naršyklės, naudojant debesies išteklius.
Tai veikia lygiai taip pat, kaip ir „Jupyter“, matote mūsų straipsnis. Jie yra nešiojamieji ar užrašų knygelės, pagrįstos langeliais, kurie gali būti tekstai, vaizdai ar kodas, atliekant šį „Python“ veiksmą, nes, skirtingai nei „Jupyter Colab“, šiuo metu galima naudoti tik „Python“ branduolį, jie kalba apie tai, kaip vėliau įdiegti kitus, pvz., „R“, „Scala“ ir kt. , bet data nenurodyta.
„Kaggle“ giluminio mokymosi įvadas 4 valandos išmokti DL ir „TensorFlow“. Sužinokite pagrindines mašininio mokymosi idėjas ir sukurkite savo pirmuosius modelius.
Stanfordo klasių IA vizija „YouTube“ Stanfordo klasių sąrašas, skirtas mokytis kompiuterio regėjimo ir dirbtinio intelekto (20 valandų)
Gilaus mokymosi įvadas pateikė MIT. Tai skirta tik studentams ar buvusiems studentams, bet mes galime pamatyti klasių vaizdo įrašus.
Žvelgdamas į istorinius duomenis, kuriuos pasiūlė meteorologinė observatorija mano mieste, tai matau jie siūlo juos tik grafiškai ir atsisiųsti kaip PDF. Nesuprantu, kodėl jie neleidžia atsisiųsti į csv, o tai būtų daug naudingiau visiems.
Taigi aš jo ieškojau sprendimas perduoti šias lenteles iš pdf į csv arba jei kas nors nori formatuoti „Excel“ ar „Libre Office“. Man patinka csv, nes su csv jūs darote viską, ką galite tvarkyti naudodamiesi python ir jo bibliotekomis, arba galite lengvai jį importuoti į bet kurią skaičiuoklę.
Kadangi idėja yra pasiekti automatizuotą procesą, noriu scenarijaus, kuris veiktų su „Python“, ir čia atsiranda „Tabula“.
Šiame straipsnyje palieku a „Anaconda“ diegimo vadovas ir kaip naudotis „Conda“ paketų tvarkykle. Tuo mes galime sukurti python ir R kūrimo aplinkas su norimomis bibliotekomis. Labai įdomu pradėti maišytis su mašininiu mokymusi, duomenų analize ir programavimu su „Python“.
„Anaconda“ yra nemokamas ir atviras šaltinis „Python“ ir „R“ programavimo kalboms, plačiai naudojamoms mokslinis skaičiavimas („Data ScienceData Science“, „Machine Learning“, „Science“, „Engineering“, „predictive Analytics“, „Big Data“ ir kt.).
Joje vienu metu įdiegiama daugybė programų, plačiai naudojamų šiose disciplinose, užuot jas diegus po vieną. . Daugiau nei 1400 ir tai yra dažniausiai naudojama šiose disciplinose. Keletas pavyzdžių
Baigęs Mašinų mokymosi kursas, Aš ieškojau, kur tęsti. „Octave“ / „Matlab“ prototipų kūrimo programose naudojamos kūrimo aplinkos nėra tokios, kokias naudoja žmonės, todėl jūs turite pereiti prie kažko aukštesnio lygio. Tarp man labiausiai rekomenduotų kandidatų yra „Keras“, naudojant vidinę „TensorFlow“. Nesiruošiu nagrinėti, ar „Keras“ yra geresnis už kitus įrankius ar sistemas, ar rinktis „TensorFlow“ ar „Theano“. Aš tik paaiškinsiu, kaip jį galima įdiegti „Ubuntu“.
Pirmiausia bandžiau ją įdiegti iš oficialių puslapių dokumentacijos, ir tai buvo neįmanoma, visada turėjau kokių nors klaidų, neišspręstų klausimų. Galų gale nuėjau ieškoti konkrečios pamokos, kaip įdiegti keras „Ubuntu“ Ir vis dėlto praleidau dvi dienas praleidžiant daug laiko naktį. Galų gale aš tai pasiekiau ir palieku jus, kaip aš tai padariau, jei tai gali atverti kelią jums.
Vadovaudamiesi svetainių rekomenduojamais veiksmais, kuriuos pamokos pabaigoje paliksiu jums iš šaltinių, mes įdiegsime PIP, kurio neturėjau, tvarkyti paketus. pieputis Linux sistemoje tiesiog tai yra paketų valdymo sistema, parašyta python.
Tai yra nemokamas mašininio mokymosi kursas, mokė Andrew Ng. baigę, jei norite, galite turėti sertifikatą, patvirtinantį už 68 eurus pasiektus įgūdžius. Jis suskirstytas į 3 ramsčius, vaizdo įrašus, egzaminus ar „Quizz“ ir programavimo pratimus. Tai yra anglų kalba. Jūs turite subtitrus keliomis kalbomis, tačiau ispanų kalba nėra labai gera, o kartais jie yra pasenę, daug geriau, jei įdėsite juos į anglų kalbą.
Tai gana teoriška. Bet galbūt todėl tai atrodo geras būdas pradėti, nes jūs ne tik mokysitės, ką daryti, bet ir kodėl.
