{"id":30936,"date":"2019-10-31T21:38:20","date_gmt":"2019-10-31T18:38:20","guid":{"rendered":"https:\/\/prohoster.info\/blog\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya\/"},"modified":"2019-10-31T21:38:20","modified_gmt":"2019-10-31T18:38:20","slug":"mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","title":{"rendered":"Maschinenlernen ohne Python, Anaconda und andere Kriechtiere","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Nein, ich meine das nat\u00fcrlich nicht ernst. Es muss eine Grenze geben, wie weit man ein Thema vereinfachen kann. Aber f\u00fcr die ersten Schritte, um die grundlegenden Konzepte zu verstehen und schnell in das Thema hineinzufinden, k\u00f6nnte es vielleicht in Ordnung sein. Wie wir dieses Material richtig benennen (Optionen: \"Maschinelles Lernen f\u00fcr Einsteiger\", \"Datenanalyse von Grund auf\", \"Algorithmen f\u00fcr die Kleinsten\") werden wir am Ende besprechen. <\/p>\n

Zur Sache. Ich habe einige Anwendungsprogramme in MS Excel geschrieben, um die Prozesse zu visualisieren und anschaulich darzustellen, die in verschiedenen Methoden des maschinellen Lernens bei der Datenanalyse ablaufen. Seeing is believing, schlie\u00dflich, wie die Tr\u00e4ger der Kultur sagen, die die meisten dieser Methoden entwickelt hat (\u00fcbrigens sind nicht alle Methoden aus dieser Kultur. Die leistungsstarke \"Support Vector Machine\", oder SVM, ist eine Erfindung unseres Landsmanns Vladimir Vapnik, vom Moskauer Management-Institut. 1963, wohlgemerkt! Er lehrt und arbeitet jetzt jedoch in den USA).<\/p>\n

Drei Dateien zur Einsichtnahme
\n<\/a><\/noindex><\/p>\n

1. K-Means-Clustering<\/h2>\n

\nDiese Art von Aufgaben geh\u00f6rt zum \"un\u00fcberwachten Lernen\", bei dem wir die Rohdaten in eine vorher festgelegte Anzahl von Kategorien unterteilen m\u00fcssen, wobei wir keine \"richtigen Antworten\" haben, die wir aus den Daten extrahieren m\u00fcssen. Die grundlegende klassische Aufgabe, die Unterarten von Irisbl\u00fcten zu finden (Ronald Fisher, 1936!), die als das erste Beispiel dieses Wissensbereichs gilt, hat genau diese Natur.<\/p>\n

Die Methode ist ziemlich einfach. Wir haben eine Menge von Objekten, die als Vektoren (Sammlungen von N Zahlen) dargestellt sind. Bei den Iris handelt es sich um Sammlungen von 4 Zahlen, die die Blume charakterisieren: L\u00e4nge und Breite der \u00e4u\u00dferen und inneren Bl\u00fctenbl\u00e4tter, jeweils (Iris von Fisher - Wikipedia<\/a><\/noindex>). Als Abstand oder Ma\u00df f\u00fcr die N\u00e4he zwischen den Objekten wird die gew\u00f6hnliche euklidische Metrik gew\u00e4hlt.<\/p>\n

Dann werden zuf\u00e4llig (oder nicht zuf\u00e4llig, siehe unten) die Zentrum der Cluster ausgew\u00e4hlt, und die Abst\u00e4nde von jedem Objekt zu den Clusterzentren werden berechnet. Jedes Objekt wird in diesem Iterationsschritt dem n\u00e4chsten Zentrum zugeordnet. Dann wird das Zentrum jedes Clusters zu dem arithmetischen Mittel der Koordinaten seiner Mitglieder verschoben (analog zur Physik wird es auch \"Schwerpunkt\" genannt), und das Verfahren wiederholt sich.<\/p>\n

Der Prozess konvergiert relativ schnell. In den zweidimensionalen Bildern sieht das so aus:<\/p>\n

1. Zuf\u00e4llige Verteilung der Punkte auf der Ebene und die Anzahl der Cluster<\/p>\n

\"Maschinenlernen
\n
\n2. Festlegung der Clusterzentren und Zuordnung der Punkte zu ihren Clustern<\/p>\n

\"Maschinenlernen
\n
\n3. Verschiebung der Koordinaten der Clusterzentren, Neuberechnung der Zuordnung der Punkte, bis die Zentren stabil sind. Die Bewegung des Clusterzentrums in die endg\u00fcltige Position ist sichtbar.<\/p>\n

\"Maschinenlernen
\n
\nJederzeit k\u00f6nnen neue Clusterzentren festgelegt werden (ohne eine neue Punktverteilung zu generieren!) und man sieht, dass der Aufteilungsprozess nicht immer eindeutig ist. Mathematisch bedeutet dies, dass wir bei der zu optimierenden Funktion (der Summe der quadrierten Abst\u00e4nde der Punkte zu den Zentren ihrer Cluster) kein globales, sondern ein lokales Minimum finden. Dieses Problem kann entweder durch eine gezielte Auswahl der Startclusterzentren oder durch das Durchprobieren m\u00f6glicher Zentren gel\u00f6st werden (es kann vorteilhaft sein, sie genau in eine der Punkte zu setzen, sodass man zumindest die Garantie hat, keine leeren Cluster zu erhalten). In jedem Fall gibt es f\u00fcr eine endliche Menge immer eine genaue untere Grenze. <\/p>\n

Hier kann man mit dieser Datei experimentieren<\/a><\/noindex> (vergessen Sie nicht, die Makros zu aktivieren. Die Dateien wurden auf Viren \u00fcberpr\u00fcft)<\/p>\n

Eine Beschreibung der Methode auf Wikipedia \u2014 K-Means-Methode<\/a><\/noindex><\/p>\n

2. Approximation durch Polynome und Datenaufteilung. \u00dcberanpassung<\/h2>\n

\nDer bemerkenswerte Wissenschaftler und Popularisierer der Datenwissenschaft K.V. Woronczow spricht kurz \u00fcber die Methoden des maschinellen Lernens als \u201eWissenschaft des Durchziehens von Kurven durch Punkte\u201c. In diesem Beispiel werden wir mit der Methode der kleinsten Quadrate Muster in den Daten finden. <\/p>\n

Die Technik der Aufteilung der Ausgangsdaten in \u201eTrainings- und Testdaten\u201c wird gezeigt, sowie das Ph\u00e4nomen der \u00dcberanpassung oder \u201eNeuanpassung\u201c an die Daten. Bei richtiger Approximation werden wir einen bestimmten Fehler bei den Trainingsdaten und einen etwas gr\u00f6\u00dferen Fehler bei den Testdaten haben. Bei falscher Approximation tritt eine genaue Anpassung an die Trainingsdaten und ein enormer Fehler bei den Testdaten auf.<\/p>\n

(Es ist bekannt, dass durch N Punkte eine eindeutige Kurve n-1. Grades gezogen werden kann, und diese Methode gibt im Allgemeinen nicht das gew\u00fcnschte Ergebnis.) Interpolationspolynom von Lagrange auf Wikipedia<\/a><\/noindex>)<\/p>\n

1. Wir legen die urspr\u00fcngliche Verteilung fest<\/p>\n

\"Maschinenlernen
\n
\n2. Wir teilen die Punkte im Verh\u00e4ltnis 70 zu 30 in \u201eTrainings- und Testdaten\u201c auf.<\/p>\n

\"Maschinenlernen
\n
\n3. Wir f\u00fchren eine approximierende Kurve durch die Trainingspunkte und sehen den Fehler, den sie bei den Testdaten gibt.<\/p>\n

\"Maschinenlernen
\n
\n4. Wir zeichnen eine exakte Kurve durch die Trainingspunkte, und sehen den monstr\u00f6sen Fehler bei den Testdaten (und null bei den Trainingsdaten, aber was n\u00fctzt das?).<\/p>\n

\"Maschinenlernen
\n
\nEs wird nat\u00fcrlich die einfachste Variante mit einer einzigen Aufteilung in \u201eTrainings\u201c- und \u201eTest\u201c-Mengen gezeigt, im allgemeinen Fall wird dies mehrfach gemacht, um die Koeffizienten besser anzupassen.<\/p>\n

Die Datei ist hier verf\u00fcgbar, antivirusgescannt.<\/a><\/noindex> Aktivieren Sie die Makros f\u00fcr eine korrekte Funktion.<\/p>\n

3. Gradientensenkung und Dynamik der Fehler\u00e4nderung.<\/h2>\n

\nHier wird der 4-dimensionale Fall und die lineare Regression behandelt. Die Koeffizienten der linearen Regression werden schrittweise mit der Methode der Gradientensenkung bestimmt, anfangs sind alle Koeffizienten Null. Auf einem separaten Diagramm sieht man die Dynamik der Fehlerreduzierung, w\u00e4hrend die Koeffizienten immer genauer angepasst werden. Es gibt die M\u00f6glichkeit, alle vier 2-dimensionalen Projektionen zu betrachten.<\/p>\n

Wenn der Schritt der Gradientensenkung zu gro\u00df gew\u00e4hlt wird, sieht man, dass wir jedes Mal den Minimum \u00fcberschreiten und das Ergebnis in einer gr\u00f6\u00dferen Anzahl von Schritten erreichen, obwohl wir letztendlich trotzdem ankommen (es sei denn, wir w\u00e4hlen den Schritt zu hoch \u2013 dann wird der Algorithmus \"au\u00dfer Kontrolle geraten\"). Und das Diagramm der Fehlerabh\u00e4ngigkeit vom Iterationsschritt wird nicht glatt, sondern \u201eruckhaft\u201c sein.<\/p>\n

1. Wir generieren Daten, legen den Schritt der Gradientensenkung fest.<\/p>\n

\"Maschinenlernen
\n
\n2. Bei richtiger Wahl des Schrittes der Gradientensenkung erreichen wir ruhig und schnell das Minimum.<\/p>\n

\"Maschinenlernen
\n
\n3. Bei falscher Wahl des Schrittes der Gradientensenkung \u00fcberschie\u00dfen wir das Maximum, das Fehlerdiagramm ist \u201eruckhaft\u201c, die Konvergenz dauert mehr Schritte.<\/p>\n

\"Maschinenlernen
\nund<\/p>\n

\"Maschinenlernen
\n
\n4. Bei v\u00f6llig falscher Wahl des Schrittes der Gradientensenkung entfernen wir uns vom Minimum.<\/p>\n

\"Maschinenlernen
\n
\n(Um den Prozess bei den in den Bildern gezeigten Wert des Schrittes der Gradientensenkung zu reproduzieren, setzen Sie ein H\u00e4kchen bei \u201eReferenzdaten\u201c).<\/p>\n

Die Datei ist \u00fcber diesen Link verf\u00fcgbar, Sie m\u00fcssen die Makros aktivieren, es gibt keine Viren.<\/a><\/noindex><\/p>\n

Wie denkt die gesch\u00e4tzte Gemeinschaft, ist eine solche Vereinfachung und Methodik der Materie zul\u00e4ssig? Sollte der Artikel ins Englische \u00fcbersetzt werden? <\/b>
\n
Quelle: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":22912,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-30936","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Maschinelles Lernen ohne Python, Anaconda und andere Reptilien - ProHoster","description":"Nein, also ich meine das nat\u00fcrlich nicht ernst. Es muss doch eine Grenze geben, bis zu welchem Grad das Thema vereinfacht werden kann. Aber f\u00fcr die ersten Schritte, um die grundlegenden Konzepte zu verstehen und um schnell in das Thema einzutauchen, mag das vielleicht zul\u00e4ssig sein.","canonical_url":"https:\/\/prohoster.info\/de\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 Python, Anaconda \u0438 \u043f\u0440\u043e\u0447\u0438\u0445 \u043f\u0440\u0435\u0441\u043c\u044b\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f | ProHoster","og:description":"\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e.","og:url":"https:\/\/prohoster.info\/de\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:38:20+00:00","article:modified_time":"2019-10-31T18:38:20+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30936","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 03:45:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:27:05","updated":"2026-01-21 03:45:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/30936","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=30936"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/30936\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media\/22912"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=30936"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=30936"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=30936"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}