Redes Neurais em IA e Deep Learning

MetaQuotes 2023.06.14 14:40 #661

2.6 K-vecinos más cercanos en Python (L02: métodos de vecinos más cercanos)

2.6 K-vecinos más cercanos en Python (L02: métodos de vecinos más cercanos)

Después de una discusión exhaustiva sobre los vecinos más cercanos a K, el texto procede a presentar un ejemplo de Python que muestra la implementación de los vecinos más cercanos a K utilizando la popular biblioteca scikit-learn. El autor reconoce que no todos los aspectos pueden quedar claros de inmediato y asegura a los lectores que las conferencias futuras profundizarán en Python, NumPy y scikit-learn. Sin embargo, el ejemplo proporcionado sirve como un adelanto para ofrecer una perspectiva de arriba hacia abajo sobre cómo funcionan estas herramientas.

Para respaldar el ejemplo de implementación, el autor hace referencia a un sitio web donde los lectores pueden encontrar ejemplos de código. Además, el autor explica el proceso de descargar un repositorio de GitHub usando el archivo zip o clonándolo. Al enfatizar la importancia de GitHub como una herramienta del mundo real, el autor sugiere que tener un perfil de GitHub y compartir proyectos puede ser ventajoso para mostrar el trabajo de uno a posibles empleadores.

El texto continúa proporcionando instrucciones detalladas sobre cómo clonar un repositorio utilizando el enlace de GitHub y el comando "git clone". Si bien reconoce que el proceso puede variar ligeramente para los usuarios de Windows, el autor recomienda buscar tutoriales o asistencia del TA (asistente de enseñanza). Una vez que el repositorio se clona con éxito, el autor indica a los lectores que naveguen hasta la carpeta y explica que se pueden obtener actualizaciones mediante el comando "git pull".

Pasando a los ejemplos de código, el autor demuestra cómo abrir un Jupyter Notebook, específicamente Jupyter Lab, y ejecutar comandos paso a paso. Para evitar abrumar a los lectores, el autor enfatiza la importancia de limpiar las salidas después de cada ejecución. Además, el autor menciona la utilidad de la extensión de marca de agua en Jupyter Notebooks, que muestra las versiones de los paquetes de software utilizados. Esta información ayuda en la solución de problemas y garantiza la replicabilidad de los resultados. Se instalan paquetes esenciales como Pandas, NumPy, Matplotlib y scikit-learn para facilitar la implementación.

A continuación, el autor carga el conjunto de datos de Iris desde un archivo CSV y muestra el uso de comandos como "cabeza" y "cola" para obtener una vista previa del conjunto de datos. Los datos se cargan en un Pandas DataFrame usando la función "read_csv". Si bien señala que el aprendizaje automático generalmente emplea matrices NumPy, el autor destaca que scikit-learn también es compatible con DataFrames. Para ilustrar esto, el autor proporciona un ejemplo de extracción de columnas específicas del DataFrame para crear una matriz NumPy. La forma de la matriz, que indica el número de ejemplos de entrenamiento y funciones, se muestra con el comando "forma".

El texto describe una serie de pasos que constituyen un flujo de trabajo de aprendizaje automático utilizando Python y la biblioteca scikit-learn. Aquí hay un resumen detallado de estos pasos:

Mezclar índices y etiquetas: el autor inicia el flujo de trabajo discutiendo el proceso de mezclar índices y etiquetas en un conjunto de datos. El propósito de mezclar es aleatorizar el orden de los puntos de datos, asegurando que cada etiqueta corresponda a la fila correcta en la matriz de características.
División del conjunto de datos: el conjunto de datos se divide en un conjunto de entrenamiento y un conjunto de prueba. El autor selecciona manualmente los primeros 105 ejemplos para el conjunto de entrenamiento y reserva los 45 ejemplos restantes para el conjunto de prueba. Esta división es crucial para evaluar el rendimiento del modelo de aprendizaje automático.
Introducción a scikit-learn y el conjunto de datos Iris: el autor presenta la biblioteca scikit-learn, específicamente la implementación del conjunto de datos Iris y la función "train_test_split". El conjunto de datos Iris es un conjunto de datos popular ampliamente utilizado para tareas de clasificación. La función "train_test_split" mezcla automáticamente el conjunto de datos y lo divide en las proporciones especificadas para el entrenamiento y la prueba.
Visualización usando una matriz de diagrama de dispersión: el autor proporciona una función conveniente llamada "matriz de diagrama de dispersión" para visualizar el conjunto de datos. Esta función utiliza la biblioteca matplotlib para crear una matriz de diagrama de dispersión con histogramas que se muestran en la diagonal. La matriz de diagrama de dispersión representa visualmente las relaciones entre las diferentes características en el conjunto de datos.
Demostración de la matriz de diagramas de dispersión: el autor demuestra el uso de la matriz de diagramas de dispersión trazando el conjunto de datos de Iris. Se asignan diferentes colores para representar diferentes clases de flores. En particular, el autor destaca que las características específicas, como la longitud y el ancho de los pétalos, son particularmente útiles para distinguir entre diferentes clases de flores.
Introducción al clasificador de k-vecinos más cercanos (k-NN): el autor procede a explicar el clasificador de k-vecinos más cercanos (k-NN), que es un algoritmo sencillo que clasifica los puntos de datos en función de su proximidad a los puntos de datos vecinos. Para instanciar el clasificador k-NN, el autor crea un objeto con tres vecinos.
Ajuste del clasificador k-NN: El clasificador k-NN se ajusta al conjunto de entrenamiento utilizando el método de "ajuste". Este paso entrena el modelo utilizando los datos de entrenamiento proporcionados.
Predicción en el conjunto de prueba: el autor emplea el clasificador k-NN ajustado para hacer predicciones en el conjunto de prueba utilizando el método "predecir". Las predicciones se almacenan en una variable llamada "pred".
Evaluación del rendimiento: para evaluar el rendimiento del modelo, el autor compara las etiquetas predichas (almacenadas en "pred") con las etiquetas verdaderas del conjunto de prueba (almacenadas en "y_test"). Al calcular el número de predicciones correctas, se puede determinar la precisión del modelo en el conjunto de prueba.
Conclusión y exploración adicional: la conferencia concluye alentando a los lectores a explorar la documentación de scikit-learn para obtener información adicional sobre el algoritmo de k-vecinos más cercanos y sus diversas opciones. Además, el autor plantea una pregunta a los lectores sobre la métrica de distancia predeterminada utilizada por el clasificador k-NN y sugiere un ejercicio para investigar y discutir este aspecto.

La conferencia proporciona una explicación completa de varios temas, incluido el concepto de vecinos más cercanos K, una implementación de ejemplo utilizando la biblioteca scikit-learn, pautas para descargar y clonar repositorios de GitHub, una introducción a Jupyter Notebook y Jupyter Lab, cargar un conjunto de datos en un Pandas DataFrame, y demostrando la extracción de columnas y la conversión a arreglos NumPy.

2.6 K-nearest neighbors in Python (L02: Nearest Neighbor Methods)

2020.09.10
www.youtube.com

In this video, we are talking about using k-nearest neighbors in Python using scikit-learn. Jupyter Notebook: https://github.com/rasbt/stat451-machine-learni...

Python para el trading Estudiamos ONNX para aplicarlo Aprendizaje automático en el

MetaQuotes 2023.06.14 14:41 #662

3.1 (Opcional) Descripción general de Python

3.1 (Opcional) Descripción general de Python

Espero que todos estén teniendo una gran semana hasta ahora y disfrutando de las conferencias. Hoy, quiero discutir algunos temas importantes tratados en las conferencias recientes.

En primer lugar, tuvimos una conferencia sobre la mejora de Canaan, seguida de una conferencia sobre la implementación de kin en Python usando el aprendizaje psíquico. Según sus comentarios de la introducción a la prueba para conocerlos, descubrí que la mayoría de ustedes tienen experiencia en programación o han tomado una clase de programación antes. Esta es una gran noticia porque será muy beneficiosa para ti en este curso. Sin embargo, noté que solo la mitad de ustedes tiene una experiencia sólida con Python. Por lo tanto, antes de sumergirnos en la computación científica con Python y explorar el aprendizaje psíquico con más detalle, pensé que sería útil brindar ayuda para configurar Python para aquellos que son nuevos en él. Esto asegurará que la próxima lección sea más fluida para todos.

En una nota más ligera, disfruté mucho leer sobre tus pasatiempos favoritos. Parece que muchos de ustedes comparten mi amor por las actividades al aire libre como el esquí de fondo, correr y caminar. Pasar tiempo en la naturaleza es realmente refrescante, aunque entiendo que los días lluviosos y los largos inviernos pueden limitar esas oportunidades. Algunos de ustedes también mencionaron su interés en los videojuegos, y un estudiante incluso mencionó la serie Zelda. Debo admitir que también soy un gran admirador de la serie y disfruto jugando durante los días nevados de Navidad o después de un día ajetreado para relajarme.

Continuando, como prometí, la conferencia de hoy será opcional. Si ya tiene una sólida experiencia con Python y tiene Python configurado en su computadora, puede omitir los siguientes tres videos. Sin embargo, si eres nuevo en Python o necesitas ayuda para configurarlo, te recomiendo verlos. Estos videos le brindarán motivación y consejos prácticos basados en mi propia experiencia con Python. Es importante tener en cuenta que no necesita ser un programador experto para usar Python en este curso. Nos centraremos en los conceptos básicos necesarios para el aprendizaje automático y aprenderá más a medida que avancemos.

La próxima semana, tendremos nuestra primera tarea real, donde implementará un algoritmo de K-vecino más cercano. Esta tarea requerirá que escriba su propio código, además de utilizar el aprendizaje psíquico. Por lo tanto, sería beneficioso para usted configurar Python esta semana como preparación para la tarea. No te preocupes; la tarea está diseñada para ayudarlo a comprender mejor el algoritmo KNN y no será demasiado difícil ya que es la primera tarea. Una vez que completemos esta tarea, profundizaremos en los aspectos conceptuales del aprendizaje automático.

Antes de continuar, echemos un vistazo rápido al progreso del curso. En la primera semana, cubrimos la introducción al aprendizaje automático y los vecinos más cercanos de K. Actualmente, estamos en la segunda semana, centrándonos en los fundamentos computacionales. Estos fundamentos son cruciales, ya que los usaremos más adelante para implementar varios conceptos de aprendizaje automático. Por lo tanto, es esencial que nos familiaricemos con Python y su uso desde el principio. En esta lección, hablaremos principalmente de Python y cómo configurarlo. Tenga en cuenta que haré una demostración del proceso de configuración en mi Mac, pero nuestro TA puede ayudarlo con cualquier pregunta relacionada con Windows.

Python es un lenguaje de programación interpretado y dinámico, lo que lo hace más interactivo y fácil de usar en comparación con lenguajes de tipado estático como C o C++. Si bien Python puede ser más lento que estos lenguajes, no es una preocupación importante para nuestros propósitos. Muchas bibliotecas de computación científica, que exploraremos en la próxima lección, están escritas en C o Fortran y ofrecen tiempos de ejecución rápidos. Python es un lenguaje de programación multipropósito ampliamente utilizado en varias aplicaciones, incluidos marcos web como Django y servicios populares como Instagram y Dropbox.

Ahora, comparemos Python con un lenguaje de tipo estático como C escribiendo un programa simple. En C, necesitamos declarar variables y especificar explícitamente sus tipos de datos, como enteros, flotantes o caracteres. He aquí un ejemplo de un programa simple en C:

#include <stdio.h>

int main() {
     int age = 25 ;
     float height = 1.75 ;
     char initial = 'J' ;

    printf( "My age is %d\n" , age);
    printf( "My height is %.2f meters\n" , height);
    printf( "My initial is %c\n" , initial);

     return 0 ;
}

En este programa en C, declaramos las variables edad, altura e inicial con sus respectivos tipos de datos. Luego asignamos valores a estas variables y las imprimimos usando printf().

Ahora, comparemos el mismo programa en Python:

age = 25
height = 1.75
initial = 'J'

print( "My age is" , age)
print( "My height is" , height, "meters" )
print( "My initial is" , initial)

En Python, no necesita declarar explícitamente tipos de variables. Puede asignar valores directamente a las variables y Python inferirá automáticamente los tipos de datos. La función print() se utiliza para mostrar la salida.

La simplicidad y legibilidad de Python lo convierten en una excelente opción tanto para principiantes como para programadores experimentados. Tiene un vasto ecosistema de bibliotecas y marcos que lo hacen adecuado para la computación científica, el análisis de datos, el aprendizaje automático y más.

Ahora, pasemos a configurar Python en su computadora. Hay diferentes formas de instalar Python, pero recomiendo usar la distribución Anaconda, que viene preempaquetada con muchas bibliotecas útiles para la computación científica. Estos son los pasos para instalar Anaconda:

Visite el sitio web de Anaconda ( https://www.anaconda.com/products/individual ) y descargue el instalador apropiado para su sistema operativo (Windows, macOS o Linux).
Ejecute el instalador y siga las instrucciones en pantalla. Puede elegir las opciones de instalación predeterminadas a menos que tenga preferencias específicas.
Una vez completada la instalación, debe tener Anaconda Navigator y Anaconda Prompt (o Anaconda PowerShell Prompt) instalados en su computadora. Estas son herramientas convenientes para administrar entornos y paquetes de Python.
Abra Anaconda Navigator y haga clic en la pestaña "Entornos". Aquí puede crear un nuevo entorno para este curso. Haga clic en el botón "Crear", proporcione un nombre para el entorno (por ejemplo, "aprendizaje automático") y elija la versión de Python (preferiblemente Python 3.x). Haga clic en "Crear" para crear el entorno.
Una vez creado el entorno, haga clic en la pestaña "Inicio" en Anaconda Navigator. Debería ver una lista de aplicaciones y entornos disponibles. Seleccione su entorno recién creado en el menú desplegable en la parte superior de la ventana.
En la pestaña "Inicio", haga clic en el botón "Instalar" en la sección Jupyter Notebook. Esto instalará Jupyter Notebook, que usaremos para la programación interactiva y la ejecución del código de Python.
Después de la instalación, haga clic en el botón "Iniciar" junto a Jupyter Notebook. Esto abrirá una nueva pestaña en su navegador web, ejecutando Jupyter Notebook.

¡Felicidades! Ha instalado correctamente Python y Jupyter Notebook con la distribución de Anaconda. Ahora está listo para comenzar a codificar en Python para este curso. En la próxima lección, profundizaremos en la computación científica con Python y exploraremos la popular biblioteca llamada scikit-learn.

Si encuentra algún problema durante el proceso de instalación o tiene alguna pregunta, no dude en preguntar en el foro de discusión o comuníquese con el TA para obtener ayuda.

Tenga en cuenta que estas instrucciones son específicas para Anaconda, pero si prefiere usar una distribución de Python diferente, como Miniconda o la distribución estándar de Python, aún puede seguir el curso.

3.1 (Optional) Python overview

2020.09.16
www.youtube.com

In this optional videos, I mainly talk about the use of Python in this course. I will also show a quick demo using C (a statically typed language) vs Python....

Tutoriales de programación Python para el trading Estudiamos ONNX para aplicarlo

MetaQuotes 2023.06.14 14:41 #663

3.2 (Opcional) Configuración de Python

3.2 (Opcional) Configuración de Python

En el segundo video del curso, discutiremos el proceso de configuración y cómo instalar Python. En el video anterior, cubrimos los conceptos básicos de los lenguajes de programación interpretados y dinámicos, destacando Python como un lenguaje interpretado dinámico.

Antes de continuar con la instalación, es importante ver el video y abstenerse de instalar nada en su computadora mientras lo ve. Esta medida de precaución garantiza que tenga un conocimiento completo de las diferentes opciones de instalación antes de tomar una decisión. La instalación de software sin los conocimientos adecuados puede dar lugar a arrepentimientos más adelante.

Para comenzar, se recomienda verificar si ya tiene instalada una versión actualizada de Python en su computadora. En Mac o Linux, puede usar el comando "cuál de Python" para determinar la ubicación y la versión de la instalación. De manera similar, en Windows, puede usar el comando "dónde" para encontrar la ubicación de instalación.

Muchas Mac vienen tradicionalmente con una versión desactualizada de Python, específicamente Python 2. Se recomienda encarecidamente actualizar Python, ya que Python 2 ya no es compatible con la comunidad de Python. Idealmente, se recomienda instalar Python 3.8 o 3.7, ya que la versión 3.9 aún está en desarrollo.

El método oficial para instalar Python es visitar python.org y descargar el instalador. Sin embargo, un enfoque alternativo que a menudo se prefiere es usar Anaconda o, más específicamente, Miniconda. Miniconda es una versión liviana de Anaconda que no incluye bibliotecas innecesarias, lo que ahorra espacio de almacenamiento en su computadora. Si bien Anaconda viene con bibliotecas preinstaladas, Miniconda permite un proceso de instalación más personalizado.

Personalmente, el instructor recomienda usar Miniconda debido a su conveniencia y la experiencia positiva que muchos miembros de la comunidad informática científica de Python han tenido con él. Miniconda ofrece un administrador de paquetes integral que garantiza que todas las versiones de paquetes requeridas estén instaladas y administra las dependencias de los paquetes. Esta función facilita el mantenimiento de un entorno de desarrollo estable y compatible.

Para instalar Miniconda, puede visitar el sitio web de documentación, docs.conda.io, y navegar a la última versión en inglés de la página de instalación de Miniconda. Desde allí, puede elegir el instalador apropiado para su sistema operativo. Para los usuarios de Mac, el instalador bash se usa comúnmente. Después de descargar el instalador, ejecute el script, acepte el acuerdo de licencia y elija la ubicación de instalación.

Una vez que se instala Miniconda, puede verificar su versión predeterminada de Python abriendo un shell de Python, que ahora debería mostrar la versión actualizada. Miniconda también proporciona herramientas para administrar diferentes entornos, lo que le permite crear entornos aislados para diferentes proyectos. Aunque no es necesario para este curso, estos entornos pueden ser útiles si trabaja en varios proyectos simultáneamente.

Para instalar paquetes, como el paquete "numpy" requerido para la próxima lección, puede usar el administrador de paquetes "pip" o el instalador de Conda. Dado que está utilizando Miniconda, se recomienda utilizar el instalador de Conda siempre que sea posible, ya que garantiza una mejor compatibilidad y gestión de versiones. Sin embargo, si un paquete no está disponible en Conda, puede recurrir al uso de "pip".

En caso de que necesite instalar paquetes no disponibles en Conda, como el paquete "mlxtend", puede explorar Conda Forge. Conda Forge es un repositorio impulsado por la comunidad que aloja bibliotecas respaldadas por la comunidad Conda en general. Al buscar el paquete deseado en Conda Forge, puede encontrar instrucciones de instalación específicas para ese paquete.

Recuerde que también puede actualizar paquetes usando el administrador de paquetes de Conda, usando comandos como "conda update" seguido del nombre del paquete, o con "pip" usando "pip install --upgrade" seguido del nombre del paquete.

Al seguir estas pautas de instalación y administración de paquetes, puede garantizar una configuración eficiente y sin problemas de Python para este curso.

Para instalar paquetes desde el canal Conda Forge, puede usar el siguiente comando:

conda install -c conda-forge <nombre-paquete>

Por ejemplo, para instalar el paquete MLX Extent de Conda Forge, usaría:

conda install -c conda-forge mlx_ext

Este comando buscará el paquete en el canal de Conda Forge y lo instalará en su entorno.

Si el paquete que necesita no está disponible en Conda Forge o cualquier otro canal de Conda, también puede usar el administrador de paquetes pip para instalarlo. Pip es el administrador de paquetes predeterminado para Python y le permite instalar paquetes desde el Índice de paquetes de Python (PyPI).

Para instalar un paquete usando pip, puede usar el siguiente comando:

pip install <nombre-paquete>

Por ejemplo, para instalar un paquete llamado "paquete de ejemplo" usando pip, usaría:

paquete de ejemplo de instalación de pip

Asegúrese de reemplazar <nombre del paquete> con el nombre real del paquete que desea instalar.

Tenga en cuenta que al usar Conda y pip, generalmente se recomienda usar Conda como el administrador de paquetes principal para mantener la compatibilidad de los paquetes y administrar las dependencias. Sin embargo, si un paquete no está disponible en Conda, usar pip es una alternativa adecuada.

Eso concluye las instrucciones de configuración para instalar Python y administrar paquetes usando Conda y pip. Recuerde ver el video tutorial antes de instalar cualquier cosa en su computadora y siga los pasos recomendados para garantizar un proceso de instalación sin problemas.

3.2 (Optional) Python setup

2020.09.16
www.youtube.com

In this optional video, I am demonstrating how to install Python using Miniconda on macOS. Also, I provide some brief demo of the conda package manager.-----...

Estudiamos ONNX para aplicarlo Aprendizaje automático en el Python para el trading

MetaQuotes 2023.06.14 14:42 #664