Grundlagen des maschinellen Lernens für Entwickler

In der aktuellen Technologielandschaft wird von Entwicklern eine Reihe unterschiedlicher Fähigkeiten erwartet. Und viele von ihnen tun es.

Entwicklern, die viele ihrer aktuellen Fähigkeiten mit einer leichten Wendung einsetzen, stehen auch viele verschiedene Karrierewege zur Verfügung.

Datenbankadministratoren, Entwickleranwälte und Ingenieure für maschinelles Lernen haben eines mit allen Entwicklern gemeinsam: Sie alle wissen, wie man programmiert. Es spielt keine Rolle, welche Sprachen verwendet werden, sie alle verstehen die Kernkonzepte hinter dem Schreiben von gutem Code.

Dies ist einer der Gründe, warum viele Softwareentwickler erwägen, Ingenieure für maschinelles Lernen zu werden. Mit allen verfügbaren Tools und Paketen benötigen Sie keinen tiefen mathematischen Hintergrund, um genaue Ergebnisse zu erhalten.

Wenn Sie bereit sind, den Umgang mit einigen Bibliotheken zu erlernen und ein umfassendes Verständnis der zugrunde liegenden Mathematik zu erlangen, können Sie Ingenieur für maschinelles Lernen werden.

In diesem Artikel werde ich Sie durch einige der wichtigsten Konzepte des maschinellen Lernens führen, die Sie verstehen müssen, wenn Sie einen Softwareentwickler-Hintergrund haben.

Wir werden mit einem Beispiel eines gesamten maschinellen Lernprojekts enden, von der Datenerfassung bis zur Vorhersage eines Werts mit einem Modell. Am Ende sollten Sie über genügend Kenntnisse verfügen, um ein kleines eigenes maschinelles Lernprojekt von Grund auf neu abzuschließen.

Was ist maschinelles Lernen?

Es gibt viele Definitionen da draußen. Beim maschinellen Lernen wird jedoch im Wesentlichen Mathematik verwendet, um Muster in großen Datenmengen zu finden und Vorhersagen auf der Grundlage neuer Daten zu treffen.

Sobald diese Muster gefunden wurden, können Sie sagen, dass Sie ein Modell für maschinelles Lernen haben.

Von dort aus können Sie das Modell verwenden, um Vorhersagen für neue Daten zu treffen, die das Modell noch nie zuvor gesehen hat.

Ziel ist es, Computer dazu zu bringen, sich mit den von ihnen bereitgestellten Algorithmen automatisch zu verbessern.

Ein Algorithmus ist nur eine mathematische Gleichung oder ein Satz von Gleichungen, die Ihnen ein Ergebnis basierend auf Ihren Eingabedaten liefern. Beim maschinellen Lernen werden Algorithmen verwendet, um die gesuchten Muster zu finden.

Wenn die Algorithmen immer mehr Daten ausgesetzt werden, beginnen sie, genauere Vorhersagen zu treffen. Schließlich kann das von den Algorithmen erstellte Modell das richtige Ergebnis ermitteln, ohne explizit dafür programmiert zu sein.

Dies bedeutet, dass der Computer in der Lage sein sollte, Daten aufzunehmen und Entscheidungen (Vorhersagen) ohne menschliche Hilfe zu treffen.

Maschinelles Lernen vs. Datenwissenschaft vs. künstliche Intelligenz

Viele Menschen verwenden die Begriffe maschinelles Lernen, Datenwissenschaft und künstliche Intelligenz synonym. Aber sie sind nicht die gleichen Dinge.

Maschinelles Lernen wird verwendet in Daten Wissenschaft Vorhersagen zu machen und entdecken Sie Muster in den Daten.

Die Datenwissenschaft konzentriert sich mehr auf Statistiken und Algorithmen sowie auf die Interpretation der Ergebnisse. Maschinelles Lernen konzentriert sich mehr auf die Software und Automatisierung von Dingen.

Künstliche Intelligenz bezieht sich auf die Fähigkeit eines Computers, Daten zu verstehen und daraus zu lernen, während Entscheidungen auf der Grundlage versteckter Muster getroffen werden, die für den Menschen fast unmöglich herauszufinden wären.

Maschinelles Lernen ist wie ein Zweig der künstlichen Intelligenz. Wir werden maschinelles Lernen verwenden, um künstliche Intelligenz zu erreichen .

Künstliche Intelligenz ist ein weit gefasstes Thema und umfasst Themen wie Computer Vision, Mensch-Computer-Interaktionen und Autonomie, bei denen maschinelles Lernen in jeder dieser Anwendungen eingesetzt wird.

Verschiedene Arten des maschinellen Lernens

Es gibt drei Arten von maschinellem Lernen, über die Sie hören und lesen werden: überwachtes Lernen, halbüberwachtes Lernen und unbeaufsichtigtes Lernen.

Überwachtes Lernen

Dies ist die Kategorie, in die die meisten Probleme des maschinellen Lernens fallen. Dies ist der Fall, wenn Sie Eingabe- und Ausgabevariablen haben und versuchen, eine Zuordnung zwischen ihnen vorzunehmen.

Es wird als überwachtes Lernen bezeichnet, da wir die Daten verwenden können, um dem Modell die richtige Antwort beizubringen.

Der Algorithmus macht Vorhersagen basierend auf den Daten und wird langsam korrigiert, bis diese Vorhersagen mit der erwarteten Ausgabe übereinstimmen.

Die meisten Probleme, die beim überwachten Lernen auftreten, können durch Klassifizierung oder Regression gelöst werden. Solange Sie Daten beschriftet haben, arbeiten Sie mit überwachtem maschinellem Lernen.

Halbüberwachtes Lernen

Die meisten Probleme der realen Welt fallen aufgrund unserer Datensätze in diesen Bereich.

In vielen Fällen verfügen Sie über einen großen Datensatz, in dem einige Daten beschriftet sind, die meisten jedoch nicht. Manchmal kann es zu teuer sein, alle diese Daten von einem Experten durchgehen zu lassen, sodass Sie eine Mischung aus überwachtem und unbeaufsichtigtem Lernen verwenden.

Eine Strategie besteht darin, die beschrifteten Daten zu verwenden, um Vermutungen über die unbeschrifteten Daten anzustellen, und diese Vorhersagen dann als Beschriftungen zu verwenden. Dann können Sie alle Daten in einer Art überwachtem Lernmodell verwenden.

Da es auch möglich ist, unbeaufsichtigt an diesen Datensätzen zu lernen, sollten Sie überlegen, ob dies ein effizienterer Weg wäre.

Unbeaufsichtigtes Lernen

Wenn Sie nur Eingabedaten und keine zugehörigen Ausgabedaten haben und ein Modell das gewünschte Muster erstellen soll, geben Sie unbeaufsichtigtes Lernen ein.

Ihr Algorithmus wird anhand der von Ihnen angegebenen Parameter etwas Sinnvolles erfinden.

Dies ist nützlich, wenn Sie viele scheinbar zufällige Daten haben und sehen möchten, ob sie interessante Muster enthalten. Diese Probleme eignen sich normalerweise hervorragend für Clustering-Algorithmen und führen zu unerwarteten Ergebnissen.

Praktische Anwendungen des maschinellen Lernens für Entwickler

Einstufung

Wenn Sie eine Beschriftung für einige Eingabedaten vorhersagen möchten, ist dies ein Klassifizierungsproblem.

Beim maschinellen Lernen wird die Klassifizierung verarbeitet, indem ein Modell erstellt wird, das bereits beschriftete Daten verwendet und daraus Vorhersagen für neue Daten macht. Grundsätzlich geben Sie ihm eine neue Eingabe und es gibt Ihnen die Bezeichnung, die es für richtig hält.

Für die Vorhersage der Kundenabwanderung, der Gesichtsklassifizierung und der medizinischen Diagnosetests werden unterschiedliche Klassifizierungsarten verwendet.

Während all diese unter verschiedene Klassifizierungsbereiche fallen, weisen sie alle Werte basierend auf den Daten zu, die ihre Modelle für das Training verwendet haben. Alle vorhergesagten Werte sind genau. Sie werden also Werte wie einen Namen oder einen Booleschen Wert vorhersagen.

Regression

Regression ist interessant, weil sie maschinelles Lernen und Statistik überkreuzt. Es ähnelt der Klassifizierung, da es zur Vorhersage von Werten verwendet wird, außer dass kontinuierliche Werte anstelle von diskreten Werten vorhergesagt werden.

Wenn Sie also eine Gehaltsspanne basierend auf jahrelanger Erfahrung und bekannten Sprachen vorhersagen möchten, oder wenn Sie einen Immobilienpreis basierend auf Standort und Fläche vorhersagen möchten, würden Sie ein Regressionsproblem behandeln.

Es gibt verschiedene Regressionstechniken, um alle Arten von Datensätzen zu verarbeiten, auch nichtlineare Daten.

Es gibt unter anderem Support-Vektor-Regression, einfache lineare Regression und Polynom-Regression. Es gibt genügend Regressionstechniken, um auf nahezu jeden Datensatz zu passen, den Sie haben.

Clustering

Dies führt zu einer anderen Art des maschinellen Lernens. Clustering behandelt unbeaufsichtigte Lernaufgaben. Es ist wie eine Klassifizierung, aber keine der Daten ist beschriftet. Es liegt am Algorithmus, Datenpunkte zu finden und zu kennzeichnen.

Dies ist großartig, wenn Sie über einen riesigen Datensatz verfügen und keine Muster zwischen diesen kennen oder nach ungewöhnlichen Verbindungen suchen.

Clustering hilft, wenn Sie Anomalien und Ausreißer in Ihren Daten finden möchten, ohne Hunderte von Stunden damit verbringen zu müssen, Datenpunkte manuell zu kennzeichnen.

In diesem Fall gibt es oft keinen besten Algorithmus. Der beste Weg, um herauszufinden, was für Ihre Daten funktioniert, besteht darin, verschiedene Algorithmen zu testen.

Einige Clustering-Algorithmen umfassen: K-Means, DBSCAN, Agglomerative Clustering und Affinity Propagation. Einige Versuche und Irrtümer helfen Ihnen dabei, schnell herauszufinden, welcher Algorithmus für Sie am effizientesten ist.

Tiefes Lernen

Dies ist ein Bereich des maschinellen Lernens, der Algorithmen verwendet, die von der Funktionsweise des Gehirns inspiriert sind. Dabei handelt es sich um neuronale Netze, die große, nicht klassifizierte Datensätze verwenden.

In der Regel verbessert sich die Leistung mit der Datenmenge, die Sie einem Deep-Learning-Algorithmus zuführen. Diese Arten von Problemen betreffen unbeschriftete Daten, die den Großteil der verfügbaren Daten abdecken.

Es gibt eine Reihe von Algorithmen, die Sie mit dieser Technik verwenden können, z. B. Convolutional Neural Networks, Long Short-Term Memory Networks oder Deep Q-Network.

Jedes davon wird in Projekten wie Computer Vision, autonomen Fahrzeugen oder der Analyse von EEG-Signalen verwendet.

Werkzeuge, die Sie möglicherweise verwenden

Es gibt eine Reihe von Tools, die Sie für nahezu jedes Problem des maschinellen Lernens verwenden können.

Hier ist eine kurze Liste einiger gängiger Pakete, die Sie in vielen Anwendungen für maschinelles Lernen finden.

Pandas: This is a general data analysis tool in Python. It helps when you need to work with raw data. It handles textual data, tabular data, time series data, and more.

This package is used to format data before training a machine learning model in many cases.

Tensorflow: You can build any number of machine learning applications with this library. You can run it on GPUs, use it to solve IoT problems, and it's great for deep learning.

This is the library that can handle just about anything, but it takes some time to get up to speed with it.

SciKit: This is similar to TensorFlow in the scope of machine learning applications it can be used for. A big difference is the simplicity you get with this package.

If you're familiar with NumPy, matplotlib, and SciPy, you'll have no problems getting started with this. You can create models to handle vehicle sensor data, logistics data, banking data, and other contexts.

Keras: When you want to work on a deep learning project, like a complex robotics project, this is a specific library that will help.

It's built on top of TensorFlow and makes it easy for people to create deep learning models and ship them to production. Y

ou'll see this used a lot on natural language processing applications and computer vision applications.

NLTK: Natural language processing is a huge area of machine learning and this package is focused on it.

This is one of the packages you can use to streamline your NLP projects. It's still being actively developed and there's a good community around it.

BERT: BERT is an open-source library created in 2018 at Google. It's a new technique for NLP and it takes a completely different approach to training models than any other technique. B

ERT is an acronym for Bidirectional Encoder Representations from Transformers. That means unlike most techniques that analyze sentences from left-to-right or right-to-left, BERT goes both directions using the Transformer encoder. Its goal is to generate a language model.

Brain.js: This is one of the better JavaScript machine learning libraries. You can convert your model to JSON or use it directly in the browser as a function and you still have the flexibility to handle most common machine learning projects.

It's super quick to get started with and it has some great docs and tutorials.

Full machine learning example

Just so you have an idea of what a machine learning project might look like, here's an example of the entire process.

Getting data

Arguably the hardest part of a machine learning project is getting the data. There are a lot of online resources you can use to get data sets for machine learning, and here's a list of some of them.

  • Critical care data set
  • Human heights and weights
  • Credit card fraud
  • IMDB reviews
  • Twitter airline sentiment
  • Song data set
  • Wine quality data set
  • Boston housing data set
  • MNIST handwritten digits
  • Joke ratings
  • Amazon reviews
  • Text message spam collection
  • Enron emails
  • Recommender system data sets
  • COVID data set

We'll use the white wine quality data set for this example and try to predict wine density.

Most of the time data won't be this clean when it comes to you and you'll have to work with it to get it in the format you want.

But even with data like this, we're still going to have to do some cleaning.

Choosing features

We're going to pick out a few features to predict the wine density. The features we'll work with are: quality, pH, alcohol, fixed acidity, and total sulfur dioxide.

This could have been any combination of the available features and I chose these arbitrarily. Feel free to use any of the other features instead of these, or feel free to use all of them!

Choosing algorithms

Now that you know the problem you're trying to solve and the data that you have to work with, you can start looking at algorithms.

Since we're trying to predict a continuous value based on several features, this is mostly likely a regression problem. If we were trying to predict a discrete value, like the type of wine, then that would likely be a classification problem.

This is why you have to know your data before you jump into the machine learning tools.

It helps you narrow down the number of algorithms you can choose for your problem. The multivariate regression algorithm is where we'll start. This is commonly used when you are dealing with multiple parameters that will impact the final result.

The multivariate regression algorithm is like the regular regression algorithm except you can have multiple inputs. The equation behind it is:

y = theta_0 + sum(theta_n * X_n)

We initialize both the theta_0 (the bias term) and theta_n terms to some value, typically 1 or 0 unless you have some other information to base these values on.

After the initial values have been set, we try to optimize them to fit the problem. We do that by solving the gradient descent equations:

theta_0 = theta_0 - alpha * (1 / m) * sum(y_n - y_i) theta_n = theta_n - alpha * (1 / m) * sum(y_n - y_i) * X_n

where y_n is the predicted value based on the algorithm's calculations and y_i is the value we have from our data or the expected value.

We want the margin of error between the predicted value and the real value to be as small as possible. That's the reason we're trying to optimize theta values. This is so we can minimize the cost function for predicting output values.

Here's the cost function equation:

J(theta_n) = (1 / 2m) * sum(y_n - y_i)^2

That's all of the math we need to build and train the model, so let's get started.

Pre-processing data

The first thing you want to do is check and see what our data looks like. I've done some modifications to that wine quality data set so that it will work with our algorithm.

You can download it here: //github.com/flippedcoder/probable-waddle/blob/master/wine-quality-data.csv.

All I've done is take the original file, removed the unneeded features, moved the density to the end, and cleaned up the format.

Now we can get to the real pre-processing part! Make a new file called multivariate-wine.py. This file should be in the same folder as the data set.

The first thing we'll do in this file is import some packages and see what the data set looks like.

import pandas as pd import numpy as np import matplotlib.pyplot as plt df = pd.read_csv('./wine-quality-data.csv', header=None) print(df.head())

You should see something like this in your terminal.

C: multivariate-regression-wine.py 7.e 6.3 9.5 97 .ø 7.2 7.2 8. 1 17ø.ø 132.ø 186.ø 186.ø 3.øø 3 30 3.26 3. 19 3. 19 9 6 6 6 6 6 1. øele ø. 994€ ø. 9951

The data looks good to go for the multivariate regression algorithm, so we can start building the model. I do encourage you to try and start with the raw white wine data set to see if you can find a way to get it to the correct format.

Building the model

We need to add a bias term to the data because, as you saw in the explanation of the algorithm, we need it because it's the theta_0 term.

df = pd.concat([pd.Series(1, index=df.index, name="00"), df], axis=1)

Since the data is ready, we can define the independent and dependent variables for the algorithm.

X = df.drop(columns=5) y = df.iloc[:, 6]

Now let's normalize the data by dividing each column by the max value in that column.

You don't really have to do this step, but it will help speed up the training time for the algorithm. It also helps to prevent one feature from being more dominate than other features.

for i in range(1, len(X.columns)): X[i-1] = X[i-1]/np.max(X[i-1])

Let's take a look at the data since the normalization.

print(X.head())

You should see something similar to this in the terminal.

The data is ready now and we can initialize the theta parameter. That just means we're going to make an array of ones that has the same number of columns as the input variable, X.

theta = np.array([1]*len(X.columns))

It should look like this if you print it in your terminal, although you don't need to print it if you don't want to.

[1 1 1 1 1 1]

Then we're going to set the number training points we'll take from the data. We will leave 500 data points out so we can use them for testing later. This is going to be the value for m from the gradient descent equation we went over earlier.

m = len(df) - 500

Now we get to start writing the functions we'll need to train the model after it's built. We'll start with the hypothesis function which is just the input variable multiplied by the theta_n parameter.

def hypothesis(theta, X): return theta * X

Next we'll define the cost model which will give us the error margin between the real and predicted values.

def calculateCost(X, y, theta): y1 = hypothesis(theta, X) y1 = np.sum(y1, axis=1) return (1 / 2 * m) * sum(np.sqrt((y1 - y) ** 2))

The last function we need before our model is ready to run is a function to calculate gradient descent values.

def gradientDescent(X, y, theta, alpha, i): J = [] # cost function for each iteration k = 0 while k < i: y1 = hypothesis(theta, X) y1 = np.sum(y1, axis=1) for c in range(1, len(X.columns)): theta[c] = theta[c] - alpha * (1 / m) * (sum((y1 - y) * X.iloc[:, c])) j = calculateCost(X, y, theta) J.append(j) k += 1 return J, j, theta

With these three functions in place and our data clean, we can finally get to training the model.

Training the model

The training part is the fun part and also the easiest. If you've set your algorithm up correctly, then all you'll have to do is take the optimized parameters it gives you and make predictions.

We're returning a list of costs at each iteration, the final cost, and the optimized theta values from the gradient descent function. So we'll get the optimized theta values and use them for testing.

J, j, theta = gradientDescent(X, y, theta, 0.1, 10000)

After all of the work of setting up the functions and data correctly, this single line of code trains the model and gives us the theta values we need to start predicting values and testing the accuracy of the model.

Testing the model

Now we can test the model by making a prediction using the data.

y_hat = hypothesis(theta, X) y_hat = np.sum(y_hat, axis=1)

After you’ve checked a few values, you'll know if your model is accurate enough or if you need to do more tuning on the theta values.

If you feel comfortable with your testing results, you can go ahead and start using this model in your projects.

Using the model

The optimized theta values are really all you need to start using the model. You'll continue to use the same equations, even in production, but with the best theta values to give you the most accurate predictions.

You can even continue training the model and try and find better theta values.

Final thoughts

Machine learning has a lot of layers to it, but none of them are too complex. They just start to stack which makes it seem more difficult than it is.

If you're willing to spend some time reading about machine learning libraries and tools, it's really easy to get started. You don't need to know any of the advanced math and statistics to learn the concepts or even to solve real world problems.

The tools are more advanced than they used to be so you can be a machine learning engineer without understanding most of the math behind it.

The main thing you need to understand is how to handle your data. That's the part no one likes to talk about. The algorithms are fun and exciting, but there may be times you need to write SQL procedures to get the raw data you need before you even start processing it.

There are so many applications for machine learning from video games to medicine to manufacturing automation.

Just take some time and make a small model if you're interested in machine learning. As you start to get more comfortable, add on to that model and keep learning more.