Telegram Group & Telegram Channel
یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://www.tg-me.com/joinchat-AAAAAFGMkouqbsb86Vfzug
1



tg-me.com/python4finance/113
Create:
Last Update:

یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://www.tg-me.com/joinchat-AAAAAFGMkouqbsb86Vfzug

BY Python4Finance


Warning: Undefined variable $i in /var/www/tg-me/post.php on line 283

Share with your friend now:
tg-me.com/python4finance/113

View MORE
Open in Telegram


Python4Finance Telegram | DID YOU KNOW?

Date: |

The lead from Wall Street offers little clarity as the major averages opened lower on Friday and then bounced back and forth across the unchanged line, finally finishing mixed and little changed.The Dow added 33.18 points or 0.10 percent to finish at 34,798.00, while the NASDAQ eased 4.54 points or 0.03 percent to close at 15,047.70 and the S&P 500 rose 6.50 points or 0.15 percent to end at 4,455.48. For the week, the Dow rose 0.6 percent, the NASDAQ added 0.1 percent and the S&P gained 0.5 percent.The lackluster performance on Wall Street came on uncertainty about the outlook for the markets following recent volatility.

Newly uncovered hack campaign in Telegram

The campaign, which security firm Check Point has named Rampant Kitten, comprises two main components, one for Windows and the other for Android. Rampant Kitten’s objective is to steal Telegram messages, passwords, and two-factor authentication codes sent by SMS and then also take screenshots and record sounds within earshot of an infected phone, the researchers said in a post published on Friday.

Python4Finance from in


Telegram Python4Finance
FROM USA