[](https://youtu.be/N6wxM4wZ7V0 "ML για αρχάριους - Ιστορία της μηχανικής μάθησης")
[](https://youtu.be/N6wxM4wZ7V0 "ML για αρχάριους - Ιστορία της Μηχανικής Μάθησης")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που καλύπτει αυτό το μάθημα.
> 🎥 Κάντε κλικ στην παραπάνω εικόναγια ένα σύντομο βίντεο που εξηγεί αυτό το μάθημα.
Σε αυτό το μάθημα, θα περιηγηθούμε στα βασικά ορόσημα στην ιστορία της μηχανικής μάθησης και της τεχνητής νοημοσύνης.
Σε αυτό το μάθημα, θα περπατήσουμε μέσα από τα κύρια ορόσημα στην ιστορία της μηχανικής μάθησης και της τεχνητής νοημοσύνης.
Η ιστορία της τεχνητής νοημοσύνης (ΤΝ) ως πεδίο έχει συνυφανθεί με την ιστορία της μηχανικής μάθησης, καθώς οι αλγόριθμοι και οι υπολογιστικές εξελίξεις που στηρίζουν την μηχανική μάθηση συνέβαλαν στην ανάπτυξη της ΤΝ. Είναι χρήσιμο να θυμόμαστε ότι, ενώ αυτοί οι τομείς ως ξεχωριστές περιοχές έρευνας άρχισαν να διαμορφώνονται τη δεκαετία του 1950, σημαντικές [αλγοριθμικές, στατιστικές, μαθηματικές, υπολογιστικές και τεχνικές ανακαλύψεις](https://wikipedia.org/wiki/Timeline_of_machine_learning) προηγήθηκαν και επικαλύφθηκαν με αυτήν την εποχή. Στην πραγματικότητα, οι άνθρωποι έχουν σκεφτεί αυτά τα ερωτήματαγια [εκατοντάδες χρόνια](https://wikipedia.org/wiki/History_of_artificial_intelligence): το άρθρο αυτό συζητά τα ιστορικά νοητικά θεμέλια της ιδέας μιας 'σκεπτόμενης μηχανής.'
Η ιστορία της τεχνητής νοημοσύνης (AI) ως πεδίο είναι άρρηκτα συνδεδεμένη με την ιστορία της μηχανικής μάθησης, καθώς οι αλγόριθμοι και οι υπολογιστικές εξελίξεις που στηρίζουν την ML συνέβαλαν στην ανάπτυξη της AI. Είναι χρήσιμο να θυμόμαστε ότι, ενώ αυτά τα πεδία ως διακριτοί τομείς έρευνας άρχισαν να διαμορφώνονται τη δεκαετία του 1950, σημαντικές [αλγοριθμικές, στατιστικές, μαθηματικές, υπολογιστικές και τεχνικές ανακαλύψεις](https://wikipedia.org/wiki/Timeline_of_machine_learning) προηγήθηκαν και επηρέασαν αυτή την περίοδο. Στην πραγματικότητα, οι άνθρωποι σκέφτονταν αυτές τις ερωτήσειςγια [εκατοντάδες χρόνια](https://wikipedia.org/wiki/History_of_artificial_intelligence): αυτό το άρθρο συζητά τα ιστορικά πνευματικά θεμέλια της ιδέας της 'σκέψης μηχανής.'
---
## Σημαντικές ανακαλύψεις
- 1763, 1812 [Θεώρημα Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) και οι πρόγονοί του. Αυτό το θεώρημα και οι εφαρμογές του βασίζουν την επαγωγή, περιγράφοντας την πιθανότητα εμφάνισης ενός γεγονότος με βάση προηγούμενη γνώση.
- 1805 [Θεωρία Ελαχίστων Τετραγώνων](https://wikipedia.org/wiki/Least_squares) από τον Γάλλο μαθηματικό Adrien-Marie Legendre. Αυτή η θεωρία, την οποία θα μάθετε στην ενότητα μας για την Παλινδρόμηση, βοηθά στη προσαρμογή δεδομένων.
- 1913 [Αλυσίδες Markov](https://wikipedia.org/wiki/Markov_chain), ονομασμένες από τον Ρώσο μαθηματικό Andrey Markov, χρησιμοποιούνται γιανα περιγράψουν μια ακολουθία πιθανών γεγονότων βασισμένη σε προηγούμενη κατάσταση.
- 1957 [Περσέπτρον](https://wikipedia.org/wiki/Perceptron) είναι ένα είδος γραμμικού ταξινομητή που εφευρέθηκε από τον Αμερικανό ψυχολόγο Frank Rosenblatt και στηρίζει τις εξελίξεις στο βαθύ μάθημα.
- 1763, 1812 [Θεώρημα του Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) και οι προγενέστεροι αυτού. Αυτό το θεώρημα και οι εφαρμογές του υποστηρίζουν την επαγωγή, περιγράφοντας την πιθανότητα ενός γεγονότος με βάση την προηγούμενη γνώση.
- 1805 [Θεωρία των Ελαχίστων Τετραγώνων](https://wikipedia.org/wiki/Least_squares) από τον Γάλλο μαθηματικό Adrien-Marie Legendre. Αυτή η θεωρία, που θα μάθετε στην ενότητα Παλινδρόμησης, βοηθά στην προσαρμογή δεδομένων.
- 1913 [Μαρκοβικές Αλυσίδες](https://wikipedia.org/wiki/Markov_chain), που ονομάστηκαν από τον Ρώσο μαθηματικό Andrey Markov, χρησιμοποιούνται γιανα περιγράψουν μια ακολουθία πιθανών γεγονότων βάσει μιας προηγούμενης κατάστασης.
- 1957 [Περσέπτρον](https://wikipedia.org/wiki/Perceptron) είναι ένας τύπος γραμμικού ταξινομητή που εφευρέθηκε από τον Αμερικανό ψυχολόγο Frank Rosenblatt και στηρίζεται στις προόδους στη βαθιά μάθηση.
---
- 1967 [Πλησιέστερος Γείτονας](https://wikipedia.org/wiki/Nearest_neighbor) είναι ένας αλγόριθμος που αρχικά σχεδιάστηκε γιαχαρτογράφηση διαδρομών. Σε πλαίσιο μηχανικής μάθησης χρησιμοποιείται για ανίχνευση προτύπων.
- 1970 [Οπισθοδιάδοση](https://wikipedia.org/wiki/Backpropagation) χρησιμοποιείται για εκπαίδευση [προωθητών νευρωνικών δικτύων](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Επαναφορικά Νευρωνικά Δίκτυα](https://wikipedia.org/wiki/Recurrent_neural_network) είναι τεχνητά νευρωνικά δίκτυα που προέρχονται από προωθητικά νευρωνικά δίκτυα και δημιουργούν χρονικά γραφήματα.
- 1967 [Πλησιέστερος Γείτονας](https://wikipedia.org/wiki/Nearest_neighbor) είναι ένας αλγόριθμος που αρχικά σχεδιάστηκε γιατον προσδιορισμό διαδρομών. Σε ένα πλαίσιο ML χρησιμοποιείται για την ανίχνευση προτύπων.
- 1970 [Πίσω Διάδοση](https://wikipedia.org/wiki/Backpropagation) χρησιμοποιείται γιατην εκπαίδευση [νευρωνικών δικτύων τροφοδοσίας προς τα εμπρός](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Επαναφορικά Νευρωνικά Δίκτυα](https://wikipedia.org/wiki/Recurrent_neural_network) είναι τεχνητά νευρωνικά δίκτυα που προέρχονται από τα νευρωνικά δίκτυα τροφοδοσίας προς τα εμπρός και δημιουργούν χρονικά γραφήματα.
✅ Κάντε μια μικρή έρευνα. Ποιες άλλες ημερομηνίες ξεχωρίζουν ως καθοριστικές στην ιστορία της ΜΜ και της ΤΝ;
✅ Κάντε λίγη έρευνα. Ποιες άλλες ημερομηνίες ξεχωρίζουν ως καθοριστικές στην ιστορία της ML και της AI;
---
## 1950: Μηχανές που σκέφτονται
Ο Alan Turing, ένα πραγματικά αξιοσημείωτο άτομο που ψηφίστηκε [από το κοινό το 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ως ο μεγαλύτερος επιστήμονας του 20ού αιώνα, αποδίδεται η συμβολή του στη θεμελίωση της έννοιας «μηχανή που μπορεί να σκέφτεται.» Αντιμετώπισε επικριτές και το δικό του αίτημαγια εμπειρικά αποδεικτικά στοιχεία αυτής της ιδέας δημιουργώντας εν μέρει το [Τεστ Turing](https://www.bbc.com/news/technology-18475646), το οποίο θα εξερευνήσετε στα μαθήματα NLP.
Ο Alan Turing, ένα πραγματικά αξιοθαύμαστο άτομο που ψηφίστηκε [από το κοινό το 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ως ο μεγαλύτερος επιστήμονας του 20ού αιώνα, θεωρείται υπεύθυνος που βοήθησε στη θεμελίωση της έννοιας της 'μηχανής που μπορεί να σκέφτεται.' Αντιμετώπισε τους αμφισβητίες και την ανάγκη τουγια εμπειρικά αποδεικτικά στοιχεία αυτής της ιδέας εν μέρει δημιουργώντας το [Τεστ Turing](https://www.bbc.com/news/technology-18475646), που θα εξερευνήσετε στα μαθήματα NLP μας.
---
## 1956: Θερινό Ερευνητικό Πρόγραμμα Dartmouth
"Το Θερινό Ερευνητικό Πρόγραμμα Dartmouth για την τεχνητή νοημοσύνη ήταν ένα θεμελιώδες γεγονός για την τεχνητή νοημοσύνη ως πεδίο," και σε αυτό το συνέδριο επινοήθηκε ο όρος 'τεχνητή νοημοσύνη' ([πηγή](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Το Θερινό Ερευνητικό Πρόγραμμα Dartmouth για την τεχνητή νοημοσύνη ήταν ένα θεμελιώδες γεγονός για την τεχνητή νοημοσύνη ως πεδίο," και ήταν εδώ που επινοήθηκε ο όρος 'τεχνητή νοημοσύνη' ([πηγή](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί κατά βάση να περιγραφεί τόσο ακριβώς ώστε να μπορεί να κατασκευαστεί μια μηχανή που να το προσομοιώνει.
> Κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί αρχικά να περιγραφεί με τέτοια ακρίβεια ώστε να μπορεί να κατασκευαστεί μηχανή που να την προσομοιώνει.
---
Ο επικεφαλής ερευνητής, καθηγητής μαθηματικών John McCarthy, ελπίζε ότι "θα προχωρήσουμε με βάση την εικασία ότι κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί κατά βάσηνα περιγραφεί τόσο ακριβώς ώστε να μπορεί να κατασκευαστεί μια μηχανή που να το προσομοιώνει." Οι συμμετέχοντες συμπεριλάμβαναν έναν ακόμη διακεκριμένο στον τομέα, τον Marvin Minsky.
Ο επικεφαλής ερευνητής, καθηγητής μαθηματικών John McCarthy, ελπίζει "να προχωρήσουμε βάσει της υπόθεσης ότι κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί αρχικάνα περιγραφεί τόσο ακριβώς ώστε να μπορεί να κατασκευαστεί μηχανή που να το προσομοιώνει." Οι συμμετέχοντες περιελάμβαναν και έναν άλλο φωτεινό εκπρόσωπο του τομέα, τον Marvin Minsky.
Τοσεμινάριο πιστώνεται ότι ξεκίνησε και ενθάρρυνε πολλές συζητήσεις, όπως "την άνοδο των συμβολικών μεθόδων, συστήματα εστιασμένα σε περιορισμένους τομείς (πρώιμα συστήματα ειδικών γνώσεων) και το σύστημα επαγωγής έναντι του συστήματος παραγωγής." ([πηγή](https://wikipedia.org/wiki/Dartmouth_workshop)).
Τοεργαστήριο αποδίδεται ότι ξεκίνησε και ενθάρρυνε πολλές συζητήσεις, συμπεριλαμβανομένων της "ανόδου των συμβολικών μεθόδων, συστημάτων εστιασμένων σε περιορισμένους τομείς (πρώιμα ειδικά συστήματα) και του ανταγωνισμού μεταξύ αποδεικτικών συστημάτων και επαγωγικών συστημάτων." ([πηγή](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Η χρυσή εποχή"
## 1956 - 1974: "Οι χρυσές εποχές"
Από τη δεκαετία του 1950 έως τα μέσα της δεκαετίας του '70, επικρατούσε έντονος αισιοδοξισμός με την ελπίδα ότι η ΤΝ θα μπορούσε να λύσει πολλά προβλήματα. Το 1967, ο Marvin Minsky δήλωσε με αυτοπεποίθηση ότι "Μέσα σε μια γενιά ... το πρόβλημα της δημιουργίας 'τεχνητής νοημοσύνης' θα έχει ουσιαστικά λυθεί." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Από τη δεκαετία του 1950 έως τα μέσα του '70, ο ενθουσιασμός ήταν μεγάλος με την ελπίδα ότι η AI θα μπορούσε να λύσει πολλά προβλήματα. Το 1967, ο Marvin Minsky δήλωσε με σιγουριά ότι "Μέσα σε μια γενιά ... το πρόβλημα της δημιουργίας 'τεχνητής νοημοσύνης' θα έχει ουσιαστικά λυθεί." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Η έρευνα στην επεξεργασία φυσικής γλώσσας άνθισε, η αναζήτηση βελτιώθηκε και έγινε πιο ισχυρή, και η έννοια των 'μικρο-κόσμων' δημιουργήθηκε, όπου απλές εργασίες ολοκληρώνονταν με απλές γλωσσικές οδηγίες.
Η έρευνα στην επεξεργασία φυσικής γλώσσας άνθισε, η αναζήτηση βελτιώθηκε και έγινε πιο ισχυρή, και δημιουργήθηκε η έννοια των 'μικρόκοσμων', όπου απλές εργασίες εκτελούνταν με απλές γλωσσικές οδηγίες.
---
Η έρευνα χρηματοδοτήθηκε επαρκώς από κυβερνητικές υπηρεσίες, επιτεύχθηκαν πρόοδοι στην υπολογιστική και στους αλγόριθμους, και κατασκευάστηκαν πρωτότυπα έξυπνων μηχανών. Μερικές από αυτές τις μηχανές περιλαμβάνουν:
Η έρευνα χρηματοδοτήθηκε επαρκώς από κυβερνητικούς φορείς, έγιναν πρόοδοι στον υπολογισμό και στους αλγόριθμους, και κατασκευάστηκαν πρωτότυπα έξυπνων μηχανών. Κάποιες από αυτές τις μηχανές περιλαμβάνουν:
* [Shakey το ρομπότ](https://wikipedia.org/wiki/Shakey_the_robot), που μπορούσε να κινείται και να αποφασίζει πώς να εκτελεί εργασίες «έξυπνα».
* [Shakey, το ρομπότ](https://wikipedia.org/wiki/Shakey_the_robot), που μπορούσε να κινείται και να αποφασίζει πώς να εκτελέσει εργασίες 'έξυπνα'.
> Shakey το 1972
---
* Η Eliza, ένας πρώιμος 'chatbot', μπορούσε να συνομιλήσει με ανθρώπους και να λειτουργεί ως πρωτόγονος 'θεραπευτής'. Θα μάθετε περισσότερα για την Eliza στα μαθήματα NLP.
* Η Eliza, ένα πρώιμο 'κουβεντορομπότ', μπορούσε να συνομιλεί με ανθρώπους και να λειτουργεί ως απλός 'θεραπευτής'. Θα μάθετε περισσότερα για την Eliza στα μαθήματα NLP.
> Μια έκδοση της Eliza, ενός chatbot
> Μια έκδοση της Eliza, chatbot
---
* Το "Blocks world" ήταν ένα παράδειγμα μικρο-κόσμου όπου τα μπλοκ μπορούσαν να στοιβάζονται και να ταξινομούνται, και γίνονταν πειράματα στη διδασκαλία μηχανών να παίρνουν αποφάσεις. Οι εξελίξεις κατασκευασμένες με βιβλιοθήκες όπως η [SHRDLU](https://wikipedia.org/wiki/SHRDLU) βοήθησαν να προωθηθεί η επεξεργασία γλώσσας.
* Το "μπλοκς κόσμος" ήταν ένα παράδειγμα μικρόκοσμου όπου τα μπλοκ μπορούσαν να στοιβάζονται και να ταξινομούνται, και πειράματα στη διδασκαλία μηχανών να παίρνουν αποφάσεις μπορούσαν να δοκιμαστούν. Οι εξελίξεις που έγιναν με βιβλιοθήκες όπως η [SHRDLU](https://wikipedia.org/wiki/SHRDLU) βοήθησαν στην προώθηση της επεξεργασίας γλώσσας.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world with SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "μπλοκς κόσμος με SHRDLU")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο: Blocks world με SHRDLU
> 🎥 Κάντε κλικ στην παραπάνω εικόνα για βίντεο: Μπλοκς κόσμος με SHRDLU
---
## 1974 - 1980: "Χειμώνας της ΤΝ"
## 1974 - 1980: "Χειμώνας της AI"
Μέχρι τα μέσα της δεκαετίας του 1970, είχε γίνει σαφές ότι η πολυπλοκότητα της κατασκευής 'έξυπνων μηχανών' είχε υποτιμηθεί και ότι οι υποσχέσεις της, δεδομένης της διαθέσιμης υπολογιστικής ισχύος, είχαν υπερεκτιμηθεί. Οι οικονομικοί πόροι μειώθηκαν και η εμπιστοσύνη στο πεδίο επιβραδύνθηκε. Μερικά ζητήματα που επηρέασαν την εμπιστοσύνη περιλαμβάνουν:
Μέσα στη δεκαετία του 1970, είχε γίνει σαφές ότι η πολυπλοκότητα τουνα κατασκευάζεις 'έξυπνες μηχανές' είχε υποτιμηθεί και ότι η υπόσχεσή της, με δεδομένη την διαθέσιμη υπολογιστική ισχύ, είχε υπερεκτιμηθεί. Η χρηματοδότηση εξαντλήθηκε και η εμπιστοσύνη στο πεδίο μειώθηκε. Μερικά από τα ζητήματα που επηρέασαν την εμπιστοσύνη συμπεριλάμβαναν:
---
- **Περιορισμοί**. Η υπολογιστική ισχύς ήταν πολύ περιορισμένη.
- **Συνδυαστική έκρηξη**. Ο αριθμός των παραμέτρων που έπρεπε να εκπαιδευτούν αυξανόταν εκθετικά καθώς του ζητούνταν περισσότερα από τους υπολογιστές, χωρίς παράλληλη εξέλιξη της υπολογιστικής ισχύος και των δυνατοτήτων.
- **Έλλειψη δεδομένων**. Υπήρχε έλλειψη δεδομένων που εμπόδιζε τη διαδικασία δοκιμής, ανάπτυξης και βελτίωσης των αλγορίθμων.
- **Ζητάμε τα σωστά ερωτήματα;**. Τα ίδια τα ερωτήματα που τίθενται άρχισαν να αμφισβητούνται. Οι ερευνητές άρχισαν να δέχονται κριτική για τις προσεγγίσεις τους:
- Τα τεστ Turing αμφισβητήθηκαν μέσω, μεταξύ άλλων, της «θεωρίας του κινεζικού δωματίου» που ανέφερε ότι, «ο προγραμματισμός ενός ψηφιακού υπολογιστή μπορεί να φαίνεται ότι κατανοεί τη γλώσσα αλλά δεν μπορεί να παράγει πραγματική κατανόηση.» ([πηγή](https://plato.stanford.edu/entries/chinese-room/))
- Η ηθική τουνα εισαχθούν τεχνητές νοημοσύνες όπως ο "θεραπευτής" ELIZA στην κοινωνία αμφισβητήθηκε.
- **Συνδυαστική Έκρηξη**. Ο αριθμός των παραμέτρων που έπρεπε να εκπαιδευτούν αυξανόταν εκθετικά καθώς ζητούνταν περισσότερα από τους υπολογιστές, χωρίς παράλληλη εξέλιξη στην υπολογιστική ισχύ και δυνατότητες.
- **Έλλειψη δεδομένων**. Υπήρχε έλλειψη δεδομένων που εμπόδιζε τη διαδικασία δοκιμής, ανάπτυξης και βελτίωσης αλγορίθμων.
- **Ζητάμε τις σωστές ερωτήσεις;**. Οι ίδιες οι ερωτήσεις που τίθενται άρχισαν να αμφισβητούνται. Οι ερευνητές δέχτηκαν κριτική σχετικά με τις προσεγγίσεις τους:
- Τα τεστ Turing αμφισβητήθηκαν με βάση, μεταξύ άλλων ιδεών, τη 'θεωρία του κινεζικού δωματίου', η οποία πρότεινε ότι, "ο προγραμματισμός ενός ψηφιακού υπολογιστή μπορεί να κάνει να φαίνεται ότι καταλαβαίνει τη γλώσσα αλλά δεν μπορεί να παράγει πραγματική κατανόηση." ([πηγή](https://plato.stanford.edu/entries/chinese-room/))
- Η ηθική της εισαγωγής τεχνητής νοημοσύνης όπως ο "θεραπευτής" ELIZA στην κοινωνία αμφισβητήθηκε.
---
Την ίδια στιγμή, διάφορες σχολές σκέψης στην ΤΝ άρχισαν να διαμορφώνονται. Δημιουργήθηκε μια διχοτομία μεταξύ των πρακτικών ["βρώμικης" έναντι "τακτικής ΤΝ"](https://wikipedia.org/wiki/Neats_and_scruffies). Τα_βρώμικα_ εργαστήρια διόρθωναν προγράμματα για ώρες μέχρι να επιτύχουν τα επιθυμητά αποτελέσματα. Τα_τακτικά_ εργαστήρια «επικεντρώνονταν στη λογική και στην επίλυση προβλημάτων με τυπικούς κανόνες». Η ELIZA και η SHRDLU ήταν γνωστά _βρώμικα_ συστήματα. Τη δεκαετία του 1980, καθώς δημιουργήθηκε η ανάγκη να γίνουν τα συστήματα μηχανικής μάθησης αναπαραγώγιμα, η _τακτική_ προσέγγιση προώθησε σταδιακά ως τα αποτελέσματά της είναι πιο ερμηνεύσιμα.
Ταυτόχρονα, διάφορες σχολές σκέψης της AI άρχισαν να σχηματίζονται. Εγινε ένας διχοτομημένος διαχωρισμός μεταξύ πρακτικών ["ατημέλητης" και "τακτικής AI"](https://wikipedia.org/wiki/Neats_and_scruffies). Τα_ατημέλητα_ εργαστήρια διόρθωναν τα προγράμματα ώρες ατέλειωτες μέχρι να έχουν τα επιθυμητά αποτελέσματα. Τα_τακτικά_ εργαστήρια "επικεντρώνονταν στη λογική και στην επίλυση προβλημάτων με επίσημο τρόπο". Τα ELIZA και SHRDLU ήταν γνωστά _ατημέλητα_ συστήματα. Τη δεκαετία του 1980, καθώς προέκυψε η ανάγκη να γίνουν τα συστήματα ML αναπαραγώγιμα, η _τακτική_ προσέγγιση πήρε σταδιακά το προβάδισμα καθώς τα αποτελέσματά της είναι πιο ερμηνεύσιμα.
---
## Δεκαετία του 1980: Συστήματα ειδικών γνώσεων
## 1980s Ειδικά συστήματα
Καθώς το πεδίο μεγάλωνε, η ωφέλεια προς τις επιχειρήσεις έγινε πιο ξεκάθαρη, και τη δεκαετία του 1980 αυξήθηκε η διάδοση των 'συστημάτων ειδικών γνώσεων'. "Τα συστήματα ειδικών γνώσεων ήταν από τις πρώτες πραγματικά επιτυχημένες μορφές λογισμικού τεχνητής νοημοσύνης (ΤΝ)." ([πηγή](https://wikipedia.org/wiki/Expert_system)).
Καθώς το πεδίο μεγάλωνε, έγινε πιο σαφές το όφελός του για τις επιχειρήσεις, και τη δεκαετία του 1980 το ίδιο συνέβη με την εξάπλωση των 'ειδικών συστημάτων'. "Τα ειδικά συστήματα ήταν από τις πρώτες πραγματικά επιτυχημένες μορφές λογισμικού τεχνητής νοημοσύνης (AI)." ([πηγή](https://wikipedia.org/wiki/Expert_system)).
Αυτό το είδος συστήματος είναι στην πραγματικότητα _υβριδικό_, αποτελούμενο εν μέρει από μια μηχανή κανόνων που ορίζει επιχειρηματικές απαιτήσεις, και μια μηχανή συμπερασμών που χρησιμοποιεί το σύστημα κανόνων για την εξαγωγή νέων συμπερασμάτων.
Αυτός ο τύπος συστήματος είναι στην πραγματικότητα _υβριδικός_, αποτελούμενος εν μέρει από έναν μηχανισμό κανόνων που ορίζει τις επιχειρησιακές απαιτήσεις, και έναν μηχανισμό επαγωγής που αξιοποιεί το σύστημα κανόνων γιανα συμπεράνει νέα στοιχεία.
Αυτός ο χρόνος είδε επίσης αυξανόμενο ενδιαφέρον γιατα νευρωνικά δίκτυα.
Αυτή η εποχή είδε επίσης αυξανόμενο ενδιαφέρον στα νευρωνικά δίκτυα.
---
## 1987 - 1993: Ψύχρα της ΤΝ
## 1987 - 1993: "Πάγωμα" της AI
Ηδιάδοση εξειδικευμένου υλικού για τα συστήματα ειδικών γνώσεων είχε το δυσμενές αποτέλεσμα να γίνει πολύ εξειδικευμένη. Η άνοδος των προσωπικών υπολογιστών ανταγωνίστηκε επίσης αυτά τα μεγάλα, εξειδικευμένα, κεντρικά συστήματα. Η δημοκρατικοποίηση της πληροφορικής είχε ξεκινήσει και τελικά άνοιξε το δρόμο για την σύγχρονη έκρηξη των μεγάλων δεδομένων.
Ηεξάπλωση του εξειδικευμένου υλικού για τα ειδικά συστήματα είχε το δυσάρεστο αποτέλεσμα να γίνει πολύ εξειδικευμένη. Η άνοδος των προσωπικών υπολογιστών ανταγωνίστηκε επίσης αυτά τα μεγάλα, εξειδικευμένα, κεντρικά συστήματα. Η δημοκρατικοποίηση της πληροφορικής είχε ξεκινήσει και άνοιξε το δρόμο για τη σύγχρονη έκρηξη των μεγάλων δεδομένων.
---
## 1993 - 2011
Αυτή η εποχή είδε μια νέα εποχή για τηΜΜ και την ΤΝνα μπορούννα λύσουν κάποια από τα προβλήματα που είχαν προκύψει προηγουμένως από την έλλειψη δεδομένων και υπολογιστικής ισχύος. Η ποσότητα των δεδομένων άρχισε να αυξάνεται ραγδαία και να γίνεται πιο ευρέως διαθέσιμη, για καλό και για κακό, ειδικά με την εισαγωγή του smartphone γύρω στο 2007. Η υπολογιστική ισχύς αυξήθηκε εκθετικά, και οι αλγόριθμοι εξελίχθηκαν παράλληλα. Το πεδίο άρχισε να ωριμάζει καθώς οι ελεύθερες μέρες του παρελθόντος άρχισαν νακρυσταλλώνονται σε μια αληθινή πειθαρχία.
Αυτή η εποχή είδε μια νέα εποχή για την ML και την AI, που μπόρεσαννα λύσουν κάποια από τα προβλήματα που είχαν προκύψει πριν από την έλλειψη δεδομένων και υπολογιστικής ισχύος. Η ποσότητα των δεδομένων άρχισε να αυξάνεται ραγδαία και να γίνεται πιο ευρέως διαθέσιμη, για καλό και για κακό, ειδικά με την άφιξη του smartphone γύρω στο 2007. Η υπολογιστική ισχύς αυξήθηκε εκθετικά και οι αλγόριθμοι εξελίχθηκαν παράλληλα. Το πεδίο άρχισε να ωριμάζει καθώς οι ελεύθερες μέρες του παρελθόντος άρχισαν ναμετουσιώνονται σε μια πραγματική επιστήμη.
---
## Τώρα
## Σήμερα
Σήμερα η μηχανική μάθηση και η τεχνητή νοημοσύνη αγγίζουν σχεδόν κάθε μέρος της ζωής μας. Αυτή η εποχή απαιτεί προσεκτική κατανόηση των κινδύνων και των πιθανών επιπτώσεων αυτών των αλγορίθμων στις ζωές των ανθρώπων. Όπως έχει δηλώσειο Brad Smith της Microsoft, "Η τεχνολογία της πληροφορίας εγείρει ζητήματα που αγγίζουν τον πυρήνα θεμελιωδών προστασιών ανθρωπίνων δικαιωμάτων όπως η ιδιωτικότητα και η ελευθερία της έκφρασης. Αυτά τα ζητήματα αυξάνουν την ευθύνη των εταιρειών τεχνολογίας που δημιουργούν αυτά τα προϊόντα. Κατά την άποψή μας, καλούν επίσης σε στοχαστικό κρατικό κανονισμό και στην ανάπτυξη κανόνων σχετικά με αποδεκτές χρήσεις." ([πηγή](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Σήμερα η μηχανική μάθηση και η AI αγγίζουν σχεδόν κάθε μέρος της ζωής μας. Αυτή η εποχή απαιτεί προσεκτική κατανόηση των κινδύνων και των πιθανών επιπτώσεων αυτών των αλγορίθμων στη ζωή των ανθρώπων. Όπως δήλωσεο Brad Smith της Microsoft, "Η τεχνολογία της πληροφορίας εγείρει ζητήματα που πηγαίνουν στην καρδιά των θεμελιωδών προστασιών των ανθρωπίνων δικαιωμάτων όπως το απόρρητο και η ελευθερία της έκφρασης. Αυτά τα ζητήματα αυξάνουν την ευθύνη των τεχνολογικών εταιρειών που δημιουργούν αυτά τα προϊόντα. Κατά την άποψή μας, απαιτούν επίσης στοχαστική κυβερνητική ρύθμιση και την ανάπτυξη κανόνων γύρω από τις αποδεκτές χρήσεις" ([πηγή](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Παραμένει να δούμε τι επιφυλάσσει το μέλλον, αλλά είναι σημαντικό να κατανοούμε αυτά τα συστήματα υπολογιστών και το λογισμικό και τους αλγορίθμους που εκτελούν. Ελπίζουμε αυτό το εκπαιδευτικό πρόγραμμα να σας βοηθήσει να αποκτήσετε καλύτερη κατανόηση ώστε να μπορείτε να αποφασίσετε μόνοι σας.
Ακόμη απομένει να δούμε τι επιφυλάσσει το μέλλον, αλλά είναι σημαντικό να κατανοήσουμε αυτά τα υπολογιστικά συστήματα και το λογισμικό και τους αλγορίθμους με τους οποίους λειτουργούν. Ελπίζουμε ότι αυτό το εκπαιδευτικό πρόγραμμα θα σας βοηθήσει να αποκτήσετε καλύτερη κατανόηση ώστε να μπορείτε να αποφασίσετε μόνοι σας.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Η ιστορία του βαθιού μάθησης")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο: Ο Yann LeCun συζητά την ιστορία του βαθιού μάθησης σε αυτό το μάθημα
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Η ιστορία της βαθιάς μάθησης")
> 🎥 Κάντε κλικ στην παραπάνω εικόναγια βίντεο: Ο Yann LeCun συζητά την ιστορία της βαθιάς μάθησης σε αυτή τη διάλεξη
---
## 🚀Πρόκληση
Ερευνήστε μία από αυτές τις ιστορικές στιγμές και μάθετε περισσότερα για τους ανθρώπους που βρίσκονταν πίσω τους. Υπάρχουν συναρπαστικοί χαρακτήρες, και καμία επιστημονική ανακάλυψη δεν δημιουργήθηκε ποτέ σε πολιτιστικό κενό. Τι ανακαλύπτετε;
Εμβαθύνετε σε μια από αυτές τις ιστορικές στιγμές και μάθετε περισσότερα για τους ανθρώπους πίσω από αυτές. Υπάρχουν συναρπαστικοί χαρακτήρες, και καμία επιστημονική ανακάλυψη δεν δημιουργήθηκε ποτέ σε έναν πολιτισμικό κενό. Τι ανακαλύπτετε;
Εδώ είναι μερικά αντικείμενα γιανα δείτε και να ακούσετε:
Εδώ είναι υλικό για παρακολούθηση και ακρόαση:
[Αυτό το podcast όπου η Amy Boyd συζητά την εξέλιξη της ΤΝ](http://runasradio.com/Shows/Show/739)
[Αυτό το podcast όπου η Amy Boyd συζητά την εξέλιξη της AI](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Η ιστορία της ΤΝ από την Amy Boyd")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Η ιστορία της AI από την Amy Boyd")
---
## Αποστολή
## Εργασία
[Δημιουργήστε ένα χρονικό διάγραμμα](assignment.md)
[Δημιουργήστε μια χρονολογική σειρά](assignment.md)
Σε αυτό το πρόγραμμα σπουδών, θα αρχίσετε να ανακαλύπτετε πώς η μηχανική μάθηση μπορεί και επηρεάζει την καθημερινή μας ζωή. Ακόμα και τώρα, συστήματα και μοντέλα συμμετέχουν σε καθημερινές εργασίες λήψης αποφάσεων, όπως διαγνώσεις υγείας, εγκρίσεις δανείων ή ανίχνευση απάτης. Επομένως, είναι σημαντικό αυτά τα μοντέλα να λειτουργούν καλά γιανα παρέχουν αξιόπιστα αποτελέσματα. Όπως κάθε εφαρμογή λογισμικού, τα συστήματα AI θα αποτύχουν να ανταποκριθούν σε προσδοκίες ή θα έχουν ανεπιθύμητα αποτελέσματα. Για αυτό είναι ουσιώδες να μπορούμε να κατανοήσουμε και να εξηγήσουμε τη συμπεριφορά ενός μοντέλου AI.
Σε αυτό το πρόγραμμα, θα ξεκινήσετε να ανακαλύπτετε πώς η μηχανική μάθηση μπορεί και επηρεάζει την καθημερινή μας ζωή. Ακόμα και τώρα, συστήματα και μοντέλα εμπλέκονται σε καθημερινές εργασίες λήψης αποφάσεων, όπως διαγνώσεις υγείας, έγκριση δανείων ή ανίχνευση απάτης. Επομένως, είναι σημαντικό αυτά τα μοντέλα να λειτουργούν καλά γιανα προσφέρουν αξιόπιστα αποτελέσματα. Όπως κάθε εφαρμογή λογισμικού, τα συστήματα ΤΝ ενδέχεται να μην εκπληρώνουν τις προσδοκίες ή να έχουν ανεπιθύμητο αποτέλεσμα. Γι' αυτό είναι ουσιώδες να μπορούμε να κατανοήσουμε και να εξηγήσουμε τη συμπεριφορά ενός μοντέλου ΤΝ.
Φανταστείτε τι μπορεί να συμβεί όταν τα δεδομένα που χρησιμοποιείτε γιανα χτίσετε αυτά τα μοντέλα λείπουν ορισμένα δημογραφικά χαρακτηριστικά, όπως φυλή, φύλο, πολιτική άποψη, θρησκεία, ή αναπαριστούν δυσανάλογα τέτοια δημογραφικά στοιχεία. Τι γίνεται όταν η έξοδος του μοντέλου ερμηνεύεται γιανα ευνοεί κάποιο δημογραφικό; Ποιο είναι το αποτέλεσμα αυτό γιατην εφαρμογή; Επιπλέον, τι συμβαίνει όταν το μοντέλο έχει αρνητικό αποτέλεσμα και βλάπτει ανθρώπους; Ποιος ευθύνεται για τη συμπεριφορά των συστημάτων AI; Αυτά είναι μερικά από τα ερωτήματα που θα εξερευνήσουμε σε αυτό το πρόγραμμα σπουδών.
Φανταστείτε τι μπορεί να συμβεί όταν τα δεδομένα που χρησιμοποιείτε γιατην κατασκευή αυτών των μοντέλων στερούνται ορισμένες δημογραφικές ομάδες, όπως φυλή, φύλο, πολιτικές απόψεις, θρησκεία ή παρουσιάζουν δυσανάλογη εκπροσώπηση τέτοιων δημογραφικών. Τι γίνεται όταν το αποτέλεσμα του μοντέλου ερμηνεύεται ώστε να ευνοεί κάποια δημογραφική ομάδα; Ποιο είναι το αποτέλεσμα στην εφαρμογή; Επιπλέον, τι συμβαίνει όταν το μοντέλο έχει αρνητικό αποτέλεσμα και βλάπτει ανθρώπους; Ποιος είναι υπεύθυνος για τη συμπεριφορά των συστημάτων ΤΝ; Αυτά είναι μερικά από τα ερωτήματα που θα εξερευνήσουμε σε αυτό το μάθημα.
Σε αυτό το μάθημα, θα:
- Αυξήσετε την ευαισθητοποίησή σας για τη σημασία της δικαιοσύνης στη μηχανική μάθηση και τις βλάβες που σχετίζονται με αυτήν.
- Γνωρίσετε την πρακτική της διερεύνησης εξαιρέσεων και ασυνήθιστων σεναρίων γιανα εξασφαλίσετε αξιοπιστία και ασφάλεια.
- Κατανοήσετε την ανάγκη ενδυνάμωσης όλων μέσω του σχεδιασμού περιεκτικών συστημάτων.
- Εξερευνήσετε πόσο ζωτικής σημασίας είναι η προστασία της ιδιωτικότητας και της ασφάλειας των δεδομένων και των ανθρώπων.
- Δείτε τη σημασία της προσέγγισης με "γυάλινο κουτί" στην εξήγηση της συμπεριφοράς των μοντέλων AI.
- Να έχετε υπόψη σας πόσο είναι απαραίτητη η λογοδοσία για την οικοδόμηση εμπιστοσύνης στα συστήματα AI.
- Αυξήσετε την ευαισθητοποίησή σας για τη σημασία της δικαιοσύνης στη μηχανική μάθηση και τις βλάβες που σχετίζονται με τη δικαιοσύνη.
- Εξοικειωθείτε με την πρακτική της εξερεύνησης αποκλίσεων και ασυνήθιστων σεναρίων γιανα εξασφαλίσετε αξιοπιστία και ασφάλεια.
- Κατανοήσετε την ανάγκη να ενδυναμώσουμε όλους σχεδιάζοντας περιεκτικά συστήματα.
- Εξερευνήσετε πόσο κρίσιμο είναι να προστατεύουμε την ιδιωτικότητα και την ασφάλεια των δεδομένων και των ανθρώπων.
- Δείτε τη σημασία μιας διαφανούς προσέγγισης γιανα εξηγήσετε τη συμπεριφορά των μοντέλων ΤΝ.
- Είστε προσεκτικοί σχετικά με το πώς η υπευθυνότητα είναι ουσιώδης για την οικοδόμηση εμπιστοσύνης στα συστήματα ΤΝ.
## Προαπαιτούμενα
## Προϋπόθεση
Ως προαπαιτούμενο, παρακαλούμε να ακολουθήσετε το Μάθημα "Αρχές Υπεύθυνης AI" και να παρακολουθήσετε το παρακάτω βίντεο γιατο θέμα:
Ως προϋπόθεση, παρακαλούμε ολοκληρώστε την "Πορεία Μάθησης Αρχών Υπεύθυνης ΤΝ" και παρακολουθήστε το ακόλουθο βίντεο στο θέμα:
Μάθετε περισσότερα για την Υπεύθυνη AI ακολουθώντας αυτήν την [Διαδρομή Μάθησης](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Μάθετε περισσότερα για την Υπεύθυνη ΤΝ ακολουθώντας αυτήν την [Πορεία Μάθησης](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Η προσέγγιση της Microsoft για την Υπεύθυνη AI")
[](https://youtu.be/dnC8-uUZXSc "Η Προσέγγιση της Microsoft για Υπεύθυνη ΤΝ")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω γιαένα βίντεο: Η προσέγγιση της Microsoft για την Υπεύθυνη AI
> 🎥 Κάντε κλικ στην εικόνα παραπάνω γιαβίντεο: Η Προσέγγιση της Microsoft για Υπεύθυνη ΤΝ
## Δικαιοσύνη
Τα συστήματα AI πρέπει να αντιμετωπίζουν όλους δίκαια και να αποφεύγουν να επηρεάζουν παρόμοιες ομάδες ανθρώπων με διαφορετικούς τρόπους. Για παράδειγμα, όταν τα συστήματα AI παρέχουν καθοδήγηση για ιατρική θεραπεία, αιτήσεις δανείων ή απασχόληση, θα πρέπει να κάνουν τις ίδιες συστάσεις σε όλους με παρόμοια συμπτώματα, οικονομικές συνθήκες ή επαγγελματικά προσόντα. Κάθε ένας από εμάς ως άνθρωποι κουβαλά έμφυτες προκαταλήψεις που επηρεάζουν τις αποφάσεις και τις πράξεις μας. Αυτές οι προκαταλήψεις μπορείνα είναι εμφανείς στα δεδομένα που χρησιμοποιούμε για την εκπαίδευση των συστημάτων AI. Τέτοιος χειρισμός μπορεί μερικές φορές να συμβαίνει ακούσια. Συχνά είναι δύσκολο να γνωρίζετε συνειδητά πότε εισάγετε προκατάληψη στα δεδομένα.
Τα συστήματα ΤΝ πρέπει να αντιμετωπίζουν όλους με δικαιοσύνη και να αποφεύγουν να επηρεάζουν παρόμοιες ομάδες ανθρώπων με διαφορετικούς τρόπους. Για παράδειγμα, όταν τα συστήματα ΤΝ παρέχουν καθοδήγηση σε ιατρική θεραπεία, αιτήσεις δανείων ή απασχόληση, θα πρέπει να κάνουν τις ίδιες συστάσεις σε όλους με παρόμοια συμπτώματα, οικονομικές συνθήκες ή επαγγελματικά προσόντα. Κάθε άνθρωπος φέρει εγγενείς προκαταλήψεις που επηρεάζουν τις αποφάσεις και τις ενέργειές του. Αυτές οι προκαταλήψεις μπορούννα είναι εμφανείς στα δεδομένα που χρησιμοποιούμε για την εκπαίδευση των συστημάτων ΤΝ. Τέτοιος χειρισμός μπορεί μερικές φορές να συμβεί ακούσια. Είναι συχνά δύσκολο να γνωρίζετε συνειδητά πότε εισάγετε προκατάληψη στα δεδομένα.
**«Αδικία»** περιλαμβάνει αρνητικές επιπτώσεις, ή «βλάβες»,για μια ομάδα ανθρώπων, όπως αυτές που ορίζονται με βάση φυλή, φύλο, ηλικία ή κατάσταση αναπηρίας. Οι κύριες βλάβες σχετιζόμενες με δικαιοσύνη μπορούν να ταξινομηθούν ως:
**«Αδικία»** περιλαμβάνει αρνητικές επιπτώσεις ή «βλάβες» για μια ομάδα ανθρώπων, όπως αυτές που ορίζονται με όρους φυλής, φύλου, ηλικίας ή αναπηρίας. Οι κύριες βλάβες που σχετίζονται με τη δικαιοσύνη μπορούν να ταξινομηθούν ως:
- **Κατανομή**, εάν π.χ. προτιμάται κάποιο φύλο ή εθνότητα έναντι άλλου.
- **Ποιότητα υπηρεσίας**. Αν εκπαιδεύσετε τα δεδομένα για ένα συγκεκριμένο σενάριο αλλά η πραγματικότητα είναι πιο σύνθετη, οδηγεί σε κακή απόδοση της υπηρεσίας. Για παράδειγμα, ένας διανομέας σαπουνιού χεριών που δεν μπορούσε να ανιχνεύσει ανθρώπους με σκοτεινό δέρμα. [Αναφορά](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Κακολογίας**. Να επικρίνετε άδικα και να χαρακτηρίζετε κάτι ή κάποιον. Για παράδειγμα, μια τεχνολογία σήμανσης εικόνων εσφαλμένα χαρακτήρισε εικόνες σκοτεινόχρωμων ανθρώπων ως γορίλλες.
- **Υπερεκπροσώπηση ή υποεκπροσώπηση**. Η ιδέα είναι ότι μια συγκεκριμένη ομάδα δεν εμφανίζεται σε ένα συγκεκριμένο επάγγελμα, και οποιαδήποτε υπηρεσία ή λειτουργία που το προωθεί συνεχώς συμβάλλει σε βλάβη.
- **Στερεοτυπία**. Συσχέτιση μιας δεδομένης ομάδας με προ-ανατεθειμένα χαρακτηριστικά. Για παράδειγμα, ένα σύστημα μετάφρασης γλώσσας μεταξύ Αγγλικών και Τουρκικών μπορεί να έχει ανακρίβειες λόγω λέξεων με στερεοτυπικές συσχετίσεις με το φύλο.
- **Κατανομή**, αν ένα φύλο ή εθνοτική ομάδα π.χ. ευνοείται έναντι άλλης.
- **Ποιότητα υπηρεσίας**. Εάν εκπαιδεύεστε με βάση δεδομένα για ένα συγκεκριμένο σενάριο αλλά η πραγματικότητα είναι πολύ πιο περίπλοκη, οδηγεί σε ελλιπή απόδοση της υπηρεσίας. Για παράδειγμα, μια συσκευή απολύμανσης χεριών που δεν φαίνεται να αναγνωρίζει άτομα με σκουρόχρωμο δέρμα. [Αναφορά](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Δυσφήμιση**. Να κριτικάρεις και να χαρακτηριστεί κάτι ή κάποιος αδίκως. Για παράδειγμα, μια τεχνολογία επισήμανσης εικόνων κακώς κατηγοριοποίησε εικόνες σκουρόχρωμων ανθρώπων ως γορίλλες.
- **Υπερ- ή υπο-αντιπροσώπευση**. Η ιδέα είναι ότι μια συγκεκριμένη ομάδα δεν εμφανίζεται σε κάποιο επάγγελμα, και οποιαδήποτε υπηρεσία ή λειτουργία που συνεχίζει να το προωθεί συμβάλλει στη βλάβη.
- **Στερεοτυποποίηση**. Συσχέτιση μιας δεδομένης ομάδας με προδιαγεγραμμένα χαρακτηριστικά. Για παράδειγμα, ένα σύστημα μετάφρασης μεταξύ Αγγλικών και Τουρκικών μπορεί να έχει αστοχίες λόγω λέξεων με στερεοτυπικές συσχετίσεις με φύλο.
> μετάφραση στα Τουρκικά
@ -48,116 +48,115 @@
> μετάφραση πίσω στα Αγγλικά
Κατά το σχεδιασμό και τη δοκιμή συστημάτων AI, πρέπει να διασφαλίσουμε ότι η AI είναι δίκαιη και δεν έχει προγραμματιστείνα λαμβάνει προκατειλημμένες ή διακριτικές αποφάσεις, που επίσης απαγορεύεται να λαμβάνουν άνθρωποι. Η διασφάλιση δικαιοσύνης στην AI και τη μηχανική μάθηση παραμένει μια πολύπλοκη κοινωνικοτεχνική πρόκληση.
Όταν σχεδιάζουμε και δοκιμάζουμε συστήματα ΤΝ, πρέπει να διασφαλίσουμε ότι η ΤΝ είναι δίκαιη και δεν προγραμματίζεταινα λαμβάνει προκατειλημμένες ή διακριτικές αποφάσεις, τις οποίες επίσης απαγορεύεται στους ανθρώπους να παίρνουν. Η εξασφάλιση δικαιοσύνης στην ΤΝ και στη μηχανική μάθηση παραμένει μια σύνθετη κοινωνικοτεχνική πρόκληση.
### Αξιοπιστία και ασφάλεια
Για να χτίσουμε εμπιστοσύνη, τα συστήματα AI πρέπει να είναι αξιόπιστα, ασφαλή και συνεπή σε κανονικές και απρόβλεπτες συνθήκες. Είναι σημαντικό να γνωρίζουμε πώς θα συμπεριφέρονται τα συστήματα AI σε μια ποικιλία καταστάσεων, ειδικά όταν είναι εξαιρέσεις. Κατά την κατασκευή λύσεων AI, πρέπει να δοθεί μεγάλη προσοχή στο πώς να αντιμετωπίζονται διάφορες περιστάσεις που θα συναντήσει η AI. Για παράδειγμα, ένα αυτοκίνητο αυτόνομης οδήγησης πρέπει να βάζει την ασφάλεια των ανθρώπων ως κορυφαία προτεραιότητα. Ως εκ τούτου, η AI που τροφοδοτεί το αυτοκίνητο πρέπει να εξετάζει όλα τα πιθανά σενάρια που μπορεί να συναντήσει, όπως νύχτα, καταιγίδες ή χιονοθύελλες, παιδιά που τρέχουν στο δρόμο, κατοικίδια, κατασκευές δρόμων κλπ. Το πόσο καλά ένα σύστημα AI μπορεί να χειριστεί ένα ευρύ φάσμα συνθηκών με αξιοπιστία και ασφάλεια αντανακλά το επίπεδο πρόβλεψης που ανέλυσε ο επιστήμονας δεδομένων ή ο προγραμματιστής AI κατά το σχεδιασμό ή τη δοκιμή του συστήματος.
Για να χτίσουμε εμπιστοσύνη, τα συστήματα ΤΝ πρέπει να είναι αξιόπιστα, ασφαλή και συνεπή υπό κανονικές και απρόβλεπτες συνθήκες. Είναι σημαντικό να γνωρίζουμε πώς θα συμπεριφέρονται τα συστήματα ΤΝ σε ποικίλες καταστάσεις, ειδικά όταν είναι εξαιρέσεις. Κατά την κατασκευή λύσεων ΤΝ, πρέπει να δίνεται σημαντική προσοχή στον τρόπο αντιμετώπισης ποικίλων καταστάσεων που μπορεί να συναντήσουν οι λύσεις. Για παράδειγμα, ένα αυτοκίνητο χωρίς οδηγό πρέπει να τοποθετεί την ασφάλεια των ανθρώπων ως πρώτη προτεραιότητα. Ως αποτέλεσμα, η ΤΝ που το τροφοδοτεί πρέπει να λαμβάνει υπόψη όλα τα πιθανά σενάρια που μπορεί να συναντήσει το αυτοκίνητο, όπως νύχτα, καταιγίδες ή χιονοθύελλες, παιδιά που τρέχουν στο δρόμο, κατοικίδια, οδικά έργα κ.ά. Το πόσο καλά ένα σύστημα ΤΝ μπορεί να διαχειριστεί μια μεγάλη γκάμα συνθηκών αξιόπιστα και με ασφάλεια αντικατοπτρίζει το επίπεδο προβλεψιμότητας που έλαβε υπόψη του ο επιστήμονας δεδομένων ή ο προγραμματιστής ΤΝ κατά τον σχεδιασμό ή τη δοκιμή του συστήματος.
> [🎥 Κάντε κλικ εδώ για βίντεο: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Κάντε κλικ εδώ για βίντεο: Αξιοπιστία και ασφάλεια στην ΤΝ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Ενσωμάτωση
Τα συστήματα AI πρέπει να σχεδιάζονται γιανα εμπλέκουν και να ενδυναμώνουν όλους. Κατά το σχεδιασμό και την υλοποίηση συστημάτων AI, οι επιστήμονες δεδομένων και οι προγραμματιστές AI εντοπίζουν και αντιμετωπίζουν πιθανά εμπόδια στο σύστημα που μπορεί να αποκλείσουν ακούσια ανθρώπους. Για παράδειγμα, υπάρχουν 1 δισεκατομμύριο άνθρωποι με αναπηρίες σε όλο τον κόσμο. Με την πρόοδο της AI, μπορούν να έχουν ευκολότερη πρόσβαση σε ένα ευρύ φάσμα πληροφοριών και ευκαιριών στην καθημερινή τους ζωή. Με την αντιμετώπιση των εμποδίων δημιουργούνται ευκαιρίες καινοτομίας και ανάπτυξης προϊόντων AI με καλύτερες εμπειρίες που ωφελούν όλους.
Τα συστήματα ΤΝ πρέπει να σχεδιάζονται ώστενα εμπλέκουν και να ενδυναμώνουν όλους. Κατά το σχεδιασμό και την υλοποίηση συστημάτων ΤΝ, οι επιστήμονες δεδομένων και οι προγραμματιστές ΤΝ εντοπίζουν και αντιμετωπίζουν πιθανά εμπόδια στο σύστημα που μπορεί να αποκλείουν αθέλητα ανθρώπους. Για παράδειγμα, υπάρχουν 1 δισεκατομμύριο άνθρωποι με αναπηρίες παγκοσμίως. Με την πρόοδο της ΤΝ, μπορούν να έχουν πιο εύκολη πρόσβαση σε ευρύ φάσμα πληροφοριών και ευκαιριών στην καθημερινή τους ζωή. Αντιμετωπίζοντας τα εμπόδια, δημιουργούνται ευκαιρίες για καινοτομία και ανάπτυξη προϊόντων ΤΝ με καλύτερες εμπειρίες που ωφελούν όλους.
> [🎥 Κάντε κλικ εδώ για βίντεο: ενσωμάτωση στην AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Κάντε κλικ εδώ για βίντεο: Ενσωμάτωση στην ΤΝ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Ασφάλεια και ιδιωτικότητα
Τα συστήματα AI πρέπει να είναι ασφαλή και να σέβονται την ιδιωτικότητα των ανθρώπων. Οι άνθρωποι έχουν λιγότερη εμπιστοσύνη σε συστήματα που θέτουν σε κίνδυνο την ιδιωτικότητά τους, τις πληροφορίες ή τη ζωή τους. Κατά την εκπαίδευση μοντέλων μηχανικής μάθησης βασιζόμαστε σε δεδομένα γιανα παράγουμε τα καλύτερα αποτελέσματα. Κατά τη διαδικασία αυτή, πρέπει να λαμβάνονται υπόψη η προέλευση των δεδομένων και η ακεραιότητά τους. Για παράδειγμα, τα δεδομένα προέρχονταν από τον χρήστη ή ήταν δημόσια διαθέσιμα; Στη συνέχεια, κατά την εργασία με τα δεδομένα, είναι κρίσιμη η ανάπτυξη συστημάτων AI που μπορούν να προστατεύουν εμπιστευτικές πληροφορίες και να αντιστέκονται σε επιθέσεις. Καθώς η AI καθίσταται πιο διαδεδομένη, η προστασία της ιδιωτικότητας και η ασφάλεια σημαντικών προσωπικών και επιχειρησιακών πληροφοριών γίνεται όλο και πιο κρίσιμη και πολύπλοκη. Τα ζητήματα ιδιωτικότητας και ασφάλειας δεδομένων απαιτούν ιδιαίτερη προσοχή για την AI επειδή η πρόσβαση στα δεδομένα είναι ουσιαστική γιανα κάνει ακριβείς και ενημερωμένες προβλέψεις και αποφάσεις για ανθρώπους.
Τα συστήματα ΤΝ πρέπει να είναι ασφαλή και να σέβονται την ιδιωτικότητα των ανθρώπων. Οι άνθρωποι έχουν λιγότερη εμπιστοσύνη σε συστήματα που θέτουν σε κίνδυνο την ιδιωτικότητά τους, τις πληροφορίες ή τη ζωή τους. Κατά την εκπαίδευση μοντέλων μηχανικής μάθησης, βασιζόμαστε σε δεδομένα γιανα παράγουμε τα καλύτερα αποτελέσματα. Στο πλαίσιο αυτό, πρέπει να ληφθεί υπόψη η προέλευση των δεδομένων και η ακεραιότητά τους. Για παράδειγμα, ήταν τα δεδομένα υποβληθείσα από τον χρήστη ή δημόσια διαθέσιμα; Επιπλέον, κατά την εργασία με τα δεδομένα, είναι κρίσιμο να αναπτύσσονται συστήματα ΤΝ που μπορούν να προστατεύουν εμπιστευτικές πληροφορίες και να αντιστέκονται σε επιθέσεις. Καθώς η ΤΝ γίνεται πιο διαδεδομένη, η προστασία της ιδιωτικότητας και η ασφάλεια σημαντικών προσωπικών και επιχειρηματικών δεδομένων καθίστανται πιο κρίσιμες και σύνθετες. Τα ζητήματα ιδιωτικότητας και ασφάλειας δεδομένων απαιτούν ιδιαίτερη προσοχή για την ΤΝ, επειδή η πρόσβαση σε δεδομένα είναι απαραίτητη γιανα μπορεί η ΤΝνα κάνει ακριβείς και ενημερωμένες προβλέψεις και αποφάσεις γιατους ανθρώπους.
> [🎥 Κάντε κλικ εδώ για βίντεο: ασφάλεια στην AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Κάντε κλικ εδώ για βίντεο: Ασφάλεια στην ΤΝ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Ως κλάδος έχουμε κάνει σημαντικές προόδους στην Ιδιωτικότητα & ασφάλεια, τροφοδοτούμενες σημαντικά από κανονισμούς όπως ο GDPR (Γενικός Κανονισμός Προστασίας Δεδομένων).
- Ωστόσο, με τα συστήματα AI πρέπει να αναγνωρίσουμε την ένταση μεταξύ της ανάγκης για περισσότερα προσωπικά δεδομένα γιανα γίνουν τα συστήματα πιο προσωπικά και αποτελεσματικά – και της ιδιωτικότητας.
- Όπως με τη γέννηση των συνδεδεμένων υπολογιστών με το διαδίκτυο, βλέπουμε επίσης μεγάλη αύξηση σε ζητήματα ασφάλειας που σχετίζονται με την AI.
- Ταυτόχρονα, έχουμε δει την AIνα χρησιμοποιείται για τη βελτίωση της ασφάλειας. Για παράδειγμα, οι περισσότερες σύγχρονες σαρώτριες αντι-ιού σήμερα τροφοδοτούνται από ευρετικές μεθόδους AI.
- Πρέπει να διασφαλίσουμε ότι οι διαδικασίες Επιστήμης Δεδομένων μας εναρμονίζονται αρμονικά με τις πιο σύγχρονες πρακτικές ιδιωτικότητας και ασφάλειας.
- Ως κλάδος, έχουμε κάνει σημαντικές προόδους στην ιδιωτικότητα & ασφάλεια, τροφοδοτούμενες σημαντικά από κανονισμούς όπως ο GDPR (Γενικός Κανονισμός Προστασίας Δεδομένων).
- Ωστόσο, με τα συστήματα ΤΝ πρέπει να αναγνωρίσουμε την ένταση μεταξύ της ανάγκης για περισσότερα προσωπικά δεδομένα ώστε να κάνουν τα συστήματα πιο προσωπικά και αποτελεσματικά – και της ιδιωτικότητας.
- Όπως με τη γέννηση των συνδεδεμένων υπολογιστών με το ίντερνετ, βλέπουμε επίσης σημαντική αύξηση των ζητημάτων ασφαλείας που σχετίζονται με την ΤΝ.
- Ταυτόχρονα, έχουμε δει την ΤΝνα χρησιμοποιείται για τη βελτίωση της ασφάλειας. Για παράδειγμα, οι περισσότερες σύγχρονες σαρώσεις αντι-ιού βασίζονται σε ευρετικές ΤΝ σήμερα.
- Πρέπει να διασφαλίσουμε ότι οι διαδικασίες Data Science εναρμονίζονται αρμονικά με τις τελευταίες πρακτικές ιδιωτικότητας και ασφάλειας.
### Διαφάνεια
Τα συστήματα AI πρέπει να είναι κατανοητά. Ένα κρίσιμο μέρος της διαφάνειας είναι η εξήγηση της συμπεριφοράς των συστημάτων AI και των συστατικών τους. Η βελτίωση της κατανόησης των συστημάτων AI απαιτεί από τους εμπλεκόμενουςνα κατανοούν πώς και γιατί λειτουργούν ώστε να μπορούν να εντοπίζουν πιθανά προβλήματα απόδοσης, ζητήματα ασφάλειας και ιδιωτικότητας, προκαταλήψεις, αποκλειστικές πρακτικές ή ανεπιθύμητα αποτελέσματα. Πιστεύουμε επίσης ότι όσοι χρησιμοποιούν συστήματα AI πρέπει να είναι ειλικρινείς και διαφανείς σχετικά με το πότε, γιατί και πώς επιλέγουν να τα αναπτύξουν. Καθώς και για τους περιορισμούς των συστημάτων που χρησιμοποιούν. Για παράδειγμα, αν μια τράπεζα χρησιμοποιεί σύστημα AI γιανα υποστηρίξει τις αποφάσεις χορήγησης δανείων, είναι σημαντικό να εξεταστούν τα αποτελέσματα και να κατανοήσουν ποια δεδομένα επηρεάζουν τις συστάσεις του συστήματος. Οι κυβερνήσεις αρχίζουν να ρυθμίζουν την AI σε διάφορους κλάδους, οπότε οι επιστήμονες δεδομένων και οι οργανισμοί πρέπει να εξηγούν εάν ένα σύστημα AI πληροί τους κανονισμούς, ειδικά όταν υπάρχει ανεπιθύμητο αποτέλεσμα.
Τα συστήματα ΤΝ πρέπει να είναι κατανοητά. Σημαντικό μέρος της διαφάνειας είναι η εξήγηση της συμπεριφοράς των συστημάτων ΤΝ και των συνιστωσών τους. Η βελτίωση της κατανόησης των συστημάτων ΤΝ απαιτεί οι ενδιαφερόμενοινα κατανοούν πώς και γιατί λειτουργούν ώστε να μπορούν να εντοπίζουν πιθανά ζητήματα απόδοσης, ανησυχίες για ασφάλεια και ιδιωτικότητα, προκαταλήψεις, αποκλειστικές πρακτικές ή ανεπιθύμητα αποτελέσματα. Πιστεύουμε επίσης ότι όσοι χρησιμοποιούν συστήματα ΤΝ πρέπει να είναι ειλικρινείς και ανοικτοί σχετικά με το πότε, γιατί και πώς επιλέγουν να τα αναπτύσσουν, καθώς και για τους περιορισμούς των συστημάτων που χρησιμοποιούν. Για παράδειγμα, αν μια τράπεζα χρησιμοποιεί σύστημα ΤΝγιανα υποστηρίξει τις καταναλωτικές αποφάσεις δανεισμού, είναι σημαντικό να εξετάζει τα αποτελέσματα και να κατανοεί ποια δεδομένα επηρεάζουν τις συστάσεις του συστήματος. Οι κυβερνήσεις αρχίζουν να ρυθμίζουν την ΤΝ σε διάφορους κλάδους, επομένως επιστήμονες δεδομένων και οργανισμοί πρέπει να εξηγούν αν ένα σύστημα ΤΝ πληροί τις ρυθμιστικές απαιτήσεις, ειδικά όταν υπάρχει ανεπιθύμητο αποτέλεσμα.
> [🎥 Κάντε κλικ εδώ για βίντεο: διαφάνεια στην AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Κάντε κλικ εδώ για βίντεο: Διαφάνεια στην ΤΝ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Επειδή τα συστήματα AI είναι τόσο πολύπλοκα, είναι δύσκολο να κατανοήσουμε πώς λειτουργούν και να ερμηνεύσουμε τα αποτελέσματα.
- Αυτή η έλλειψη κατανόησης επηρεάζει τον τρόπο διαχείρισης, λειτουργίας και τεκμηρίωσης αυτών των συστημάτων.
- Αυτή η έλλειψη κατανόησης επηρεάζει πιο σημαντικά τις αποφάσεις που λαμβάνονται με βάση τα αποτελέσματα αυτών των συστημάτων.
- Επειδή τα συστήματα ΤΝ είναι τόσο σύνθετα, είναι δύσκολο να κατανοήσουμε πώς λειτουργούν και να ερμηνεύσουμε τα αποτελέσματα.
- Αυτή η έλλειψη κατανόησης επηρεάζει τον τρόπο που αυτά τα συστήματα διαχειρίζονται, λειτουργούν και καταγράφονται.
- Πιο σημαντικά, αυτή η έλλειψη κατανόησης επηρεάζει τις αποφάσεις που λαμβάνονται με βάση τα αποτελέσματα που παράγουν αυτά τα συστήματα.
### Λογοδοσία
### Υπευθυνότητα
Οι άνθρωποι που σχεδιάζουν και αναπτύσσουν συστήματα AI πρέπει να είναι υπεύθυνοι για το πώς λειτουργούν τα συστήματά τους. Η ανάγκη για λογοδοσία είναι ιδιαίτερα κρίσιμη με ευαίσθητες τεχνολογίες όπως η αναγνώριση προσώπου. Πρόσφατα, έχει αυξηθεί η ζήτηση για τεχνολογία αναγνώρισης προσώπου, ειδικά από οργανώσεις επιβολής του νόμου που βλέπουν τη δυνατότητα χρήσης της τεχνολογίας για την εύρεση αγνοουμένων παιδιών. Ωστόσο, αυτές οι τεχνολογίες θα μπορούσαν ενδεχομένως να χρησιμοποιηθούν από μια κυβέρνησηγιανα θέσουν σε κίνδυνο τα θεμελιώδη δικαιώματα των πολιτών, π.χ. επιτρέποντας συνεχή επιτήρηση συγκεκριμένων ατόμων. Επομένως,οι επιστήμονες δεδομένων και οιοργανισμοί πρέπει να είναι υπεύθυνοι για το πώς το σύστημα AI επηρεάζει τα άτομα ή την κοινωνία.
Οι άνθρωποι που σχεδιάζουν και αναπτύσσουν συστήματα ΤΝ πρέπει να είναι υπεύθυνοι για τον τρόπο λειτουργίας των συστημάτων τους. Η ανάγκη για υπευθυνότητα είναι ιδιαίτερα κρίσιμη με τεχνολογίες ευαίσθητης χρήσης, όπως η αναγνώριση προσώπου. Πρόσφατα, έχει αυξηθεί η ζήτηση γι' αυτήν την τεχνολογία, ιδιαίτερα από αστυνομικούς οργανισμούς που βλέπουν το δυναμικό της σε χρήσεις όπως ο εντοπισμός αγνοουμένων παιδιών. Ωστόσο, αυτές οι τεχνολογίες θα μπορούσαν δυνητικά να χρησιμοποιηθούν από κυβερνήσειςγιανα θέσουν σε κίνδυνο τα θεμελιώδη δικαιώματα των πολιτών, π.χ. επιτρέποντας συνεχή παρακολούθηση συγκεκριμένων ατόμων. Επομένως, επιστήμονες δεδομένων και οργανισμοί πρέπει να είναι υπεύθυνοι για το πώς το σύστημα ΤΝ επηρεάζει τα άτομα ή την κοινωνία.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Ηπροσέγγιση της Microsoft για την Υπεύθυνη AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "ΗΠροσέγγιση της Microsoft για Υπεύθυνη ΤΝ")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω γιαένα βίντεο: Προειδοποιήσεις για Μαζική Παρακολούθηση μέσω Αναγνώρισης Προσώπου
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο: Προειδοποιήσεις για Μαζική Παρακολούθηση μέσω Αναγνώρισης Προσώπου
Τελικά, ένα από τα μεγαλύτερα ερωτήματα για τη γενιά μας, καθώς είναι η πρώτη γενιά που φέρνει την AI στην κοινωνία, είναι πώς να διασφαλίσουμε ότι οι υπολογιστές θα παραμένουν λογοδοτικοί προς τους ανθρώπους και πώς να διασφαλίσουμε ότι αυτοί που σχεδιάζουν τους υπολογιστές παραμένουν υπεύθυνοι προς όλους τους υπόλοιπους.
Τελικά, ένα από τα μεγαλύτερα ερωτήματα για τη γενιά μας, ως η πρώτη γενιά που φέρνει την ΤΝ στην κοινωνία, είναι πώς να εξασφαλίσουμε ότι οι υπολογιστές θα παραμείνουν υπεύθυνοι απέναντι στους ανθρώπους και πώς να εξασφαλίσουμε ότι οι άνθρωποι που σχεδιάζουν υπολογιστές θα παραμείνουν υπεύθυνοι απέναντι στους υπόλοιπους.
## Αξιολόγηση επιπτώσεων
Πριν την εκπαίδευση ενός μοντέλου μηχανικής μάθησης, είναι σημαντικό να διενεργείται αξιολόγηση επιπτώσεων γιανα κατανοήσουμε τον σκοπό του συστήματος AI, ποια είναι η προβλεπόμενη χρήση, πού θα αναπτυχθεί και ποιος θα αλληλεπιδρά με το σύστημα. Αυτά είναι χρήσιμα για τους αξιολογητές ή ελεγκτές του συστήματος ώστενα γνωρίζουν ποιους παράγοντες πρέπει να λάβουν υπόψη κατά την αναγνώριση πιθανών κινδύνων και αναμενόμενων συνεπειών.
Πριν εκπαιδεύσετε ένα μοντέλο μηχανικής μάθησης, είναι σημαντικό να διεξάγετε αξιολόγηση επιπτώσεων γιανα κατανοήσετε τον σκοπό του συστήματος ΤΝ, τη χρήση για την οποία προορίζεται, πού θα αναπτυχθεί και ποιος θα αλληλεπιδρά με το σύστημα. Αυτές οι πληροφορίες βοηθούν τους αξιολογητές ή δοκιμαστέςνα γνωρίζουν ποιους παράγοντες πρέπει να λάβουν υπόψη όταν εντοπίζουν πιθανούς κινδύνους και αναμενόμενες συνέπειες.
Ταπαρακάτω είναι τομείς εστίασης κατά τη διεξαγωγή μιας αξιολόγησης επιπτώσεων:
Ταακόλουθα είναι πεδία εστίασης κατά την αξιολόγηση επιπτώσεων:
* **Αρνητική επίπτωση σε άτομα**. Η επίγνωση οποιουδήποτε περιορισμού ή απαιτήσεων, μη υποστηριζόμενης χρήσης ή γνωστών περιορισμών που εμποδίζουν την απόδοση του συστήματος είναι ζωτικής σημασίας γιανα διασφαλιστεί ότι το σύστημα δεν χρησιμοποιείται με τρόπο που θα μπορούσε να βλάψει τα άτομα.
* **Απαιτήσεις δεδομένων**. Η κατανόηση του πώς και πού το σύστημα θα χρησιμοποιήσει δεδομένα επιτρέπει στους αξιολογητές ναδιερευνήσουν τυχόν απαιτήσεις δεδομένων που πρέπει να ληφθούν υπόψη (π.χ. GDPR ή κανονισμοί HIPAA). Επιπλέον, να εξεταστεί αν η πηγή ή η ποσότητα των δεδομένων είναι επαρκής για την εκπαίδευση.
* **Περίληψη επιπτώσεων**. Συγκεντρώστε έναν κατάλογο πιθανών βλαβών που θα μπορούσαννα προκύψουν από τη χρήση του συστήματος. Κατά τη διάρκεια του κύκλου ζωής της ΜΜ, εξετάστε αν τα προβλήματα που εντοπίστηκαν έχουν μετριαστεί ή αντιμετωπιστεί.
* **Εφαρμόσιμα στόχοι** για κάθε μία από τις έξι βασικές αρχές. Αξιολογήστε ανοι στόχοι κάθε αρχής επιτυγχάνονται και αν υπάρχουν κενά.
* **Αρνητική επίπτωση σε άτομα**. Να είστε ενήμεροι για τυχόν περιορισμούς ή απαιτήσεις, μη υποστηριζόμενη χρήση ή γνωστούς περιορισμούς που εμποδίζουν την απόδοση του συστήματος, ώστε να διασφαλίσετε ότι το σύστημα δεν χρησιμοποιείται με τρόπο που να μπορεί να βλάψει άτομα.
* **Απαιτήσεις δεδομένων**. Η κατανόηση του πώς και πού θα χρησιμοποιήσει το σύστημα δεδομένα επιτρέπει στους αξιολογητές ναεξερευνήσουν τυχόν απαιτήσεις δεδομένων που πρέπει να λάβετε υπόψη (π.χ., κανονισμοί GDPR ή HIPAA). Επιπλέον, εξετάστε αν η προέλευση ή η ποσότητα των δεδομένων είναι επαρκής για την εκπαίδευση.
* **Περίληψη επιπτώσεων**. Συλλέξτε μια λίστα πιθανών βλαβών που μπορείνα προκύψουν από τη χρήση του συστήματος. Κατά τη διάρκεια του κύκλου ζωής της μηχανικής μάθησης, επανεξετάστε αν τα ζητήματα που εντοπίστηκαν έχουν μετριαστεί ή αντιμετωπιστεί.
* **Εφαρμόσιμα αντικείμενα** για κάθε μία από τις έξι βασικές αρχές. Αξιολογήστε ανοι στόχοι κάθε αρχής επιτυγχάνονται και αν υπάρχουν κενά.
## Αποσφαλμάτωση με υπεύθυνη AI
## Εντοπισμός σφαλμάτων με υπεύθυνη ΤΝ
Παρόμοια με την αποσφαλμάτωση μιας εφαρμογής λογισμικού, η αποσφαλμάτωση ενός συστήματος AI είναι μια αναγκαία διαδικασία εντοπισμού και επίλυσης ζητημάτων στο σύστημα. Υπάρχουν πολλοί παράγοντες που μπορεί να επηρεάσουν την απόδοση ενός μοντέλου ώστε να μην λειτουργεί όπως αναμένεται ή υπεύθυνα. Οι περισσότερες παραδοσιακές μετρικές απόδοσης μοντέλου είναι ποσοτικές συγκεντρωτικές τιμές της απόδοσης ενός μοντέλου, οι οποίες δεν αρκούν γιανα αναλύσουν πώς ένα μοντέλο παραβιάζει τις αρχές υπεύθυνης AI. Επιπλέον, ένα μοντέλο μηχανικής μάθησης είναι ένα μαύρο κουτί που δυσκολεύει να κατανοηθεί τι οδηγεί στο αποτέλεσμα ή να δοθεί εξήγηση όταν κάνει λάθος. Αργότερα σε αυτό το μάθημα, θα μάθουμε πώς να χρησιμοποιούμε τον πίνακα ελέγχου Responsible AI γιανα βοηθά στην αποσφαλμάτωση συστημάτων AI. Ο πίνακας ελέγχου παρέχει ολιστικό εργαλείο για επιστήμονες δεδομένων και προγραμματιστές AI γιανα εκτελούν:
Όπως ο εντοπισμός σφαλμάτων σε μια εφαρμογή λογισμικού, ο εντοπισμός σφαλμάτων σε ένα σύστημα ΤΝ είναι μια απαραίτητη διαδικασία εντοπισμού και επίλυσης προβλημάτων στο σύστημα. Υπάρχουν πολλοί παράγοντες που μπορεί να επηρεάσουν την απόδοση ενός μοντέλου ώστε να μην λειτουργεί όπως αναμένεται ή υπεύθυνα. Οι περισσότερες παραδοσιακές μετρικές απόδοσης μοντέλου είναι ποσοτικές συγκεντρώσεις απόδοσης, οι οποίες δεν αρκούν γιανα αναλύσουν πώς ένα μοντέλο παραβιάζει τις αρχές υπεύθυνης ΤΝ. Επιπλέον, ένα μοντέλο μηχανικής μάθησης είναι ένα μαύρο κουτί που καθιστά δύσκολο τον εντοπισμό των παραγόντων που επηρεάζουν το αποτέλεσμα ή την παροχή εξήγησης όταν κάνει λάθος. Αργότερα στο μάθημα θα μάθουμε πώς να χρησιμοποιούμε τον πίνακα ελέγχου Υπεύθυνης ΤΝγιανα βοηθήσουμε στον εντοπισμό σφαλμάτων στα συστήματα ΤΝ. Ο πίνακας παρέχει ένα ολοκληρωμένο εργαλείο για επιστήμονες δεδομένων και προγραμματιστές ΤΝνα εκτελέσουν:
* **Ανάλυση σφαλμάτων**. Για τον εντοπισμό της κατανομής σφαλμάτων του μοντέλου που μπορεί να επηρεάσουν τη δικαιοσύνη ή την αξιοπιστία του συστήματος.
* **Επισκόπηση μοντέλου**. Για να ανακαλύψετε πού υπάρχουν διαφορές στην απόδοση του μοντέλου ανάμεσα σε ομάδες δεδομένων.
* **Ανάλυση δεδομένων**. Για να κατανοήσετε την κατανομή δεδομένων και να εντοπίσετε οποιαδήποτε πιθανή προκατάληψη στα δεδομένα που θα μπορούσενα οδηγήσει σε ζητήματα δικαιοσύνης, ενσωμάτωσης και αξιοπιστίας.
* **Ερμηνευσιμότητα μοντέλου**. Για να κατανοήσετε τι επηρεάζει ή καθοδηγεί τις προβλέψεις του μοντέλου. Αυτό βοηθά στην εξήγηση της συμπεριφοράς του μοντέλου, κάτι σημαντικό για τη διαφάνεια και τη λογοδοσία.
* **Ανάλυση σφαλμάτων**. Να εντοπίσετε την κατανομή σφαλμάτων του μοντέλου που μπορεί να επηρεάσει τη δικαιοσύνη ή την αξιοπιστία του συστήματος.
* **Επισκόπηση μοντέλου**. Να ανακαλύψετε πού υπάρχουν ανισότητες στην απόδοση του μοντέλου ανάμεσα σε υποσύνολα δεδομένων.
* **Ανάλυση δεδομένων**. Να κατανοήσετε την κατανομή των δεδομένων και να εντοπίσετε τυχόν προκατάληψη που μπορείνα οδηγήσει σε ζητήματα δικαιοσύνης, ενσωμάτωσης και αξιοπιστίας.
* **Ερμηνευσιμότητα μοντέλου**. Να κατανοήσετε τι επηρεάζει ή επηρεάζει τις προβλέψεις του μοντέλου. Αυτό βοηθά στην εξήγηση της συμπεριφοράς του μοντέλου, κάτι που είναι σημαντικό για τη διαφάνεια και την υπευθυνότητα.
## 🚀 Πρόκληση
Για να αποτρέψουμε να εισαχθούν βλάβες εξαρχής, πρέπει:
Για να αποτρέψουμε την εισαγωγή βλαβών αρχικά, πρέπει:
- να υπάρχει ποικιλία υποβάθρων και προοπτικών μεταξύ των ανθρώπων που εργάζονται στα συστήματα
- να επενδύσουμε σε σύνολα δεδομένων που αντικατοπτρίζουν τη διαφορετικότητα της κοινωνίας μας
- να αναπτύξουμε καλύτερες μεθόδους σε όλο τον κύκλο ζωής της μηχανικής μάθησης για την ανίχνευση και διόρθωση της υπεύθυνης AI όταν αυτή εμφανίζεται
- να υπάρχει ποικιλία υποβάθρων και απόψεων μεταξύ των ανθρώπων που εργάζονται στα συστήματα
- να επενδύσουμε σε σύνολα δεδομένων που αντανακλούν την ποικιλομορφία της κοινωνίας μας
- να αναπτύξουμε καλύτερες μεθόδους καθ' όλη τη διάρκεια του κύκλου ζωής της μηχανικής μάθησης για τον εντοπισμό και τη διόρθωση της ανεύθυνης ΤΝ όταν αυτή συμβαίνει
Σκεφτείτε σενάρια πραγματικής ζωής όπου η αναξιοπιστία ενός μοντέλου γίνεται προφανής στην κατασκευή και χρήση του μοντέλου. Τι άλλο θα πρέπει να λάβουμε υπόψη μας;
Σκεφτείτε πραγματικά σενάρια όπου η αναξιοπιστία ενός μοντέλου είναι εμφανής στην κατασκευή και τη χρήση του. Τι άλλο πρέπει να λάβουμε υπόψη;
Σε αυτό το μάθημα, έχετε μάθει μερικά βασικά στοιχεία των εννοιών της δικαιοσύνης και αδικίας στη μηχανική μάθηση.
Σε αυτό το μάθημα, μάθατε κάποιες βασικές έννοιες της δικαιοσύνης και αδικίας στη μηχανική μάθηση.
Παρακολουθήστε αυτό το εργαστήριο γιανα εμβαθύνετε στα θέματα:
- Στην επιδίωξη της υπεύθυνης ΤΝ: Φέρνοντας τις αρχές στην πράξη από τις Besmira Nushi, Mehrnoosh Sameki και Amit Sharma
- Στην επιδίωξη της υπεύθυνης ΤΝ: Φέρνοντας τις αρχές στην πράξη από τους Besmira Nushi, Mehrnoosh Sameki και Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "Εργαλειοθήκη Υπεύθυνης Τεχνητής Νοημοσύνης: Ένα ανοιχτού κώδικα πλαίσιο για την κατασκευή υπεύθυνης ΤΝ")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο: RAI Toolbox: Ένα πλαίσιο ανοιχτού κώδικα για την κατασκευή υπεύθυνης ΤΝ από τις Besmira Nushi, Mehrnoosh Sameki και Amit Sharma
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο: Εργαλειοθήκη Υπεύθυνης Τεχνητής Νοημοσύνης: Ένα ανοιχτού κώδικα πλαίσιο για την κατασκευή υπεύθυνης ΤΝ από τη Besmira Nushi, Mehrnoosh Sameki και Amit Sharma
Επίσης, διαβάστε:
- κέντρο πόρων RAI της Microsoft: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Κέντρο πόρων Υπεύθυνης ΤΝ της Microsoft: [Πόροι Υπεύθυνης ΤΝ– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- η ερευνητική ομάδα FATE της Microsoft: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Ομάδα έρευνας FATE της Microsoft: [FATE: Ισότητα, Λογοδοσία, Διαφάνεια και Ηθική στην ΤΝ - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
Εργαλειοθήκη Υπεύθυνης ΤΝ:
- [Αποθετήριο GitHub του Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
- [Αποθετήριο GitHub της Εργαλειοθήκης Υπεύθυνης ΤΝ](https://github.com/microsoft/responsible-ai-toolbox)
Διαβάστε για τα εργαλεία του Azure Machine Learning που εξασφαλίζουν τη δικαιοσύνη:
Διαβάστε σχετικά με τα εργαλεία του Azure Machine Learning γιανα εξασφαλίσετε δικαιοσύνη:
> ### [Αυτό το μάθημα είναι διαθέσιμο και σε R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Αυτό το μάθημα είναι διαθέσιμο σε R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Εισαγωγή
Σε αυτά τα τέσσερα μαθήματα, θα ανακαλύψετε πώς ναδημιουργείτε μοντέλα παλινδρόμησης. Θα συζητήσουμε σε λίγο γι' αυτό το σκοπό. Αλλά πριν κάνετε οτιδήποτε, βεβαιωθείτε ότι έχετε τα σωστά εργαλεία στη θέση τους γιανα ξεκινήσετε τη διαδικασία!
Σε αυτά τα τέσσερα μαθήματα, θα ανακαλύψετε πώς νακατασκευάζετε μοντέλα παλινδρόμησης. Θα συζητήσουμε σύντομα ποιος είναι ο σκοπός τους. Αλλά πριν κάνετε οτιδήποτε, βεβαιωθείτε ότι έχετε τα σωστά εργαλεία στη θέση τους γιανα ξεκινήσετε!
Σε αυτό το μάθημα, θα μάθετε πώς να:
- Ρυθμίζετε τον υπολογιστή σας για τοπικές εργασίες μηχανικής μάθησης.
- Δουλεύετε με Jupyter Notebooks.
- Εργάζεστε με Jupyter Notebooks.
- Χρησιμοποιείτε το Scikit-learn, συμπεριλαμβανομένης της εγκατάστασης.
- Εξερευνάτε τη γραμμική παλινδρόμηση με μια πρακτική άσκηση.
## Εγκαταστάσεις και ρυθμίσεις
[](https://youtu.be/-DfeD2k2Kj0 "ML για αρχάριους - Ρύθμισε τα εργαλεία σουγια την κατασκευή μοντέλων Μηχανικής Μάθησης")
[](https://youtu.be/-DfeD2k2Kj0 "ML για αρχάριους - Ετοιμάστε τα εργαλεία σας γιανα δημιουργήσετε μοντέλα μηχανικής μάθησης")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει τη διαδικασία ρύθμισης του υπολογιστή σας γιαΜΜ.
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο με τη διαδικασία ρύθμισης του υπολογιστή σας για ML.
1. **Εγκαταστήστε Python**. Βεβαιωθείτε ότι η [Python](https://www.python.org/downloads/) είναι εγκατεστημένη στον υπολογιστή σας. Θα χρησιμοποιήσετε την Python για πολλές εργασίες επιστήμης δεδομένων και μηχανικής μάθησης. Τα περισσότερα συστήματα υπολογιστών έχουν ήδη εγκατεστημένη μια έκδοση Python. Υπάρχουν επίσης χρήσιμα [Πακέτα Κωδικοποίησης Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) διαθέσιμαγιανα απλοποιήσουν την εγκατάσταση για ορισμένους χρήστες.
1. **Εγκαταστήστε Python**. Βεβαιωθείτε ότι η [Python](https://www.python.org/downloads/) είναι εγκατεστημένη στον υπολογιστή σας. Θα χρησιμοποιήσετε την Python σε πολλές εργασίες επιστήμης δεδομένων και μηχανικής μάθησης. Τα περισσότερα συστήματα υπολογιστών περιλαμβάνουν ήδη εγκατάσταση Python. Υπάρχουν επίσης χρήσιμα [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) διαθέσιμα, γιανα διευκολύνουν την εγκατάσταση για κάποιους χρήστες.
Ωστόσο, κάποιες χρήσεις της Python απαιτούν μια έκδοση του λογισμικού, ενώ άλλες άλλη έκδοση. Γι' αυτό είναι χρήσιμο να δουλεύετε μέσα σε ένα [εικονικό περιβάλλον](https://docs.python.org/3/library/venv.html).
Ορισμένες χρήσεις της Python απαιτούν διαφορετικές εκδόσεις του λογισμικού. Για τον λόγο αυτό, είναι χρήσιμο να εργάζεστε σε ένα [εικονικό περιβάλλον](https://docs.python.org/3/library/venv.html).
2. **Εγκαταστήστε το Visual Studio Code**. Βεβαιωθείτε ότι έχετε εγκαταστήσει το Visual Studio Code στον υπολογιστή σας. Ακολουθήστε αυτές τις οδηγίες γιανα [εγκαταστήσετε το Visual Studio Code](https://code.visualstudio.com/) για την βασική εγκατάσταση. Θα χρησιμοποιήσετε Python στο Visual Studio Code σε αυτό το μάθημα, οπότε ίσως θέλετε να εξοικειωθείτε με το πώς να [ρυθμίσετε το Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) για ανάπτυξη Python.
2. **Εγκαταστήστε το Visual Studio Code**. Βεβαιωθείτε ότι έχετε εγκαταστήσει το Visual Studio Code στον υπολογιστή σας. Ακολουθήστε αυτές τις οδηγίες γιανα [εγκαταστήσετε το Visual Studio Code](https://code.visualstudio.com/) για την βασική εγκατάσταση. Θα χρησιμοποιήσετε Python στο Visual Studio Code σε αυτό το μάθημα, οπότε ίσως θελήσετε να εξοικειωθείτε με το πώς να [ρυθμίσετε το Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) για ανάπτυξη Python.
> Εξοικειωθείτε με την Python δουλεύοντας μέσα από αυτή τη συλλογή από [Μαθήματα](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Εξοικειωθείτε με την Python δουλεύοντας μέσα από αυτή τη συλλογή [μαθημάτων](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Ρύθμιση Python με Visual Studio Code")
>
> 🎥 Κάντε κλικ στην εικόνα παραπάνω γιαένα βίντεο: χρήση Python μέσα στο VS Code.
> 🎥 Κάντε κλικ στην εικόνα παραπάνω γιαβίντεο: Χρήση της Python μέσα στο VS Code.
3. **Εγκαταστήστε το Scikit-learn**, ακολουθώντας [αυτές τις οδηγίες](https://scikit-learn.org/stable/install.html). Επειδή πρέπει να βεβαιωθείτε ότι χρησιμοποιείτε Python 3, συνιστάται η χρήση ενός εικονικού περιβάλλοντος. Σημειώστε, αν εγκαθιστάτε αυτή τη βιβλιοθήκη σε Mac M1, υπάρχουν ειδικές οδηγίες στη σελίδα που συνδέεται παραπάνω.
3. **Εγκαταστήστε το Scikit-learn**, ακολουθώντας [αυτές τις οδηγίες](https://scikit-learn.org/stable/install.html). Δεδομένου ότι πρέπει να χρησιμοποιείτε Python 3, συνιστάται η χρήση εικονικού περιβάλλοντος. Σημειώστε ότι αν εγκαθιστάτε αυτή τη βιβλιοθήκη σε M1 Mac, υπάρχουν ειδικές οδηγίες στη σελίδα που συνδέεται παραπάνω.
1. **Εγκαταστήστε το Jupyter Notebook**. Θα χρειαστεί να [εγκαταστήσετε το πακέτο Jupyter](https://pypi.org/project/jupyter/).
## Το περιβάλλον συγγραφής ΜΜσας
## Το περιβάλλον γραφής σαςγια ML
Θα χρησιμοποιήσετε **notebooks**γιατην ανάπτυξη του κώδικα Python και τη δημιουργία μοντέλων μηχανικής μάθησης. Αυτός ο τύπος αρχείου είναι ένα κοινό εργαλείο για επιστήμονες δεδομένων και μπορούν να αναγνωριστούν από το επίθημα ή την επέκταση `.ipynb`.
Θα χρησιμοποιήσετε **notebooks**γιανα αναπτύξετε τον κώδικα Python και να δημιουργήσετε μοντέλα μηχανικής μάθησης. Αυτού του είδους τα αρχεία είναι κοινά εργαλεία για επιστήμονες δεδομένων και αναγνωρίζονται από την επέκταση `.ipynb`.
Τα notebooks είναι ένα διαδραστικό περιβάλλον που επιτρέπει στον προγραμματιστή να γράφει κώδικα και να προσθέτει σημειώσεις και τεκμηρίωση γύρω από τον κώδικα, κάτι που είναι πολύ χρήσιμο για πειραματικά ή ερευνητικά έργα.
Τα notebooks είναι ένα διαδραστικό περιβάλλον που επιτρέπει στον προγραμματιστή να γράφει κώδικα, να προσθέτει σχόλια και να γράφει τεκμηρίωση γύρω από τον κώδικα, κάτι που είναι πολύ χρήσιμο για πειραματικά ή ερευνητικά έργα.
[](https://youtu.be/7E-jC8FLA2E "ML για αρχάριους - Ρύθμισε τα Jupyter Notebooks γιανα ξεκινήσεις την κατασκευή μοντέλων παλινδρόμησης")
[](https://youtu.be/7E-jC8FLA2E "ML για αρχάριους - Ρύθμιση Jupyter Notebooks γιανα ξεκινήσετε να δημιουργείτε μοντέλα παλινδρόμησης")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει τη διαδικασία αυτής της άσκησης.
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει αυτή την άσκηση.
### Άσκηση - δουλέψτε με ένα notebook
### Άσκηση - εργασία με notebook
Σε αυτό το φάκελο, θα βρείτε το αρχείο _notebook.ipynb_.
Σε αυτόν το φάκελο, θα βρείτε το αρχείο _notebook.ipynb_.
1. Ανοίξτε το _notebook.ipynb_ στο Visual Studio Code.
Ένας Jupyter server θα ξεκινήσει με Python 3+ ενεργοποιημένη. Θα βρείτε περιοχές του notebook που μπορούν να`τρέξουν`, κομμάτια κώδικα. Μπορείτε να τρέξετε ένα μπλοκ κώδικα επιλέγοντας το εικονίδιο που μοιάζει με κουμπί play.
Ένας server του Jupyter θα ξεκινήσει με Python 3+. Θα βρείτε περιοχές του notebook που μπορούν να`εκτελεστούν`, κομμάτια κώδικα. Μπορείτε να εκτελέσετε ένα μπλοκ κώδικα, επιλέγοντας το εικονίδιο που μοιάζει με κουμπί αναπαραγωγής.
1. Επιλέξτε το εικονίδιο `md` και προσθέστε λίγο markdown, και το παρακάτω κείμενο **# Καλώς ήρθατε στο notebook σας**.
1. Επιλέξτε το εικονίδιο `md` και προσθέστε λίγο markdown, και το ακόλουθο κείμενο **# Καλώς ήρθατε στο notebook σας**.
Στη συνέχεια, προσθέστε λίγο κώδικα Python.
1. Πληκτρολογήστε **print('hello notebook')** στο μπλοκ κώδικα.
1. Επιλέξτε το βελάκι γιανα τρέξετε τον κώδικα.
1. Επιλέξτε το βέλος γιανα εκτελέσετε τον κώδικα.
Πρέπει να δείτε την εκτυπωμένη δήλωση:
Θα πρέπει να δείτε το εκτυπωμένο μήνυμα:
```output
hello notebook
@ -74,46 +74,46 @@
Μπορείτε να εναλλάσσετε τον κώδικά σας με σχόλια γιανα αυτο-τεκμηριώσετε το notebook.
Μπορείτε να ενσωματώσετε τον κώδικά σας με σχόλια γιανα αυτο-τεκμηριώσετε το notebook.
✅ Σκεφτείτε για ένα λεπτό πόσο διαφορετικό είναι το εργασιακό περιβάλλον ενός web developer σε σύγκριση με ενός επιστήμονα δεδομένων.
✅ Σκεφτείτε για ένα λεπτό πόσο διαφορετικό είναι το περιβάλλον εργασίας ενός web developer σε σύγκριση με αυτό ενός επιστήμονα δεδομένων.
## Έναρξη με το Scikit-learn
## Ολοκληρώνουμε με το Scikit-learn
Τώρα που η Python είναι ρυθμισμένη στο τοπικό σας περιβάλλον, και είστε άνετοι με τα Jupyter Notebooks, ας εξοικειωθούμε και με το Scikit-learn (προφέρεται `sci` όπως το `επιστήμη`). Το Scikit-learn παρέχει ένα [εκτεταμένο API](https://scikit-learn.org/stable/modules/classes.html#api-ref) γιανα σας βοηθήσει να εκτελέσετε εργασίες ΜΜ.
Τώρα που η Python έχει ρυθμιστεί στο τοπικό σας περιβάλλον και είστε εξοικειωμένοι με τα Jupyter Notebooks, ας εξοικειωθούμε εξίσου με το Scikit-learn (προφέρεται `σάι` όπως το `science`). Το Scikit-learn παρέχει ένα [εκτεταμένο API](https://scikit-learn.org/stable/modules/classes.html#api-ref) που σας βοηθά να εκτελέσετε εργασίες ML.
Σύμφωνα με την [ιστοσελίδα](https://scikit-learn.org/stable/getting_started.html), "Το Scikit-learn είναι μια ανοιχτού κώδικα βιβλιοθήκη μηχανικής μάθησης που υποστηρίζει επιβλεπόμενη και μη επιβλεπόμενη μάθηση. Παρέχει επίσης διάφορα εργαλεία για την προσαρμογή μοντέλων, προεπεξεργασία δεδομένων, επιλογή και αξιολόγηση μοντέλων, και πολλά άλλα βοηθητικά."
Σύμφωνα με τον [δικτυακό τους τόπο](https://scikit-learn.org/stable/getting_started.html), "Το Scikit-learn είναι μια βιβλιοθήκη μηχανικής μάθησης ανοικτού κώδικα που υποστηρίζει επιβλεπόμενη και μη επιβλεπόμενη μάθηση. Παρέχει επίσης διάφορα εργαλεία για την προσαρμογή μοντέλων, την προεπεξεργασία δεδομένων, την επιλογή και αξιολόγηση μοντέλων, και πολλές άλλες λειτουργίες."
Σε αυτό το μάθημα, θα χρησιμοποιήσετε το Scikit-learn και άλλα εργαλεία γιανακατασκευάσετε μοντέλα μηχανικής μάθησης γιανα πραγματοποιήσετε αυτά που ονομάζουμε 'παραδοσιακές εργασίες μηχανικής μάθησης'. Αποφύγαμε σκόπιμα τα νευρωνικά δίκτυα και τη βαθιά μάθηση, καθώς καλύπτονται καλύτερα στο αναμενόμενο πρόγραμμα σπουδών μας 'AI για Αρχάριους'.
Σε αυτό το μάθημα, θα χρησιμοποιήσετε το Scikit-learn και άλλα εργαλεία γιαναδημιουργήσετε μοντέλα μηχανικής μάθησης που εκτελούν αυτό που ονομάζουμε «παραδοσιακές εργασίες μηχανικής μάθησης». Έχουμε σκόπιμα αποφύγει τα νευρωνικά δίκτυα και τη βαθιά μάθηση, καθώς αυτά καλύπτονται καλύτερα στο επερχόμενο πρόγραμμα «AI for Beginners».
Το Scikit-learn καθιστά εύκολη τη δημιουργία μοντέλων και την αξιολόγησή τους για χρήση. Επικεντρώνεται κυρίως στη χρήση αριθμητικών δεδομένων και περιέχει αρκετά έτοιμα σύνολα δεδομένων για χρήση ως εργαλεία μάθησης. Επίσης περιλαμβάνει προεγκατεστημένα μοντέλα γιανα δοκιμάσουν οι μαθητές. Ας εξερευνήσουμε πρώτα τη διαδικασία φόρτωσης προ-πακεταρισμένων δεδομένων και τη χρήση ενός ενσωματωμένου εκτιμητή για το πρώτο μοντέλο ΜΜ με το Scikit-learn με μερικά βασικά δεδομένα.
Το Scikit-learn καθιστά εύκολο το χτίσιμο μοντέλων και την αξιολόγησή τους για χρήση. Επικεντρώνεται κυρίως στη χρήση αριθμητικών δεδομένων και περιέχει αρκετά έτοιμα σύνολα δεδομένων για χρήση ως εργαλεία μάθησης. Περιλαμβάνει επίσης προεγκατεστημένα μοντέλα γιανα δοκιμάσουν οι μαθητές. Ας εξερευνήσουμε τη διαδικασία φόρτωσης προπαρασκευασμένων δεδομένων και τη χρήση ενσωματωμένου εκτιμητή γιανα δημιουργήσουμε το πρώτο σας μοντέλο ML με το Scikit-learn με μερικά βασικά δεδομένα.
## Άσκηση - το πρώτο σας notebook Scikit-learn
## Άσκηση - το πρώτο σας notebook με Scikit-learn
> Αυτό το σεμινάριο εμπνεύστηκε από το [παράδειγμα γραμμικής παλινδρόμησης](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) στον ιστότοπο του Scikit-learn.
> Αυτό το tutorial εμπνεύστηκε από το [παράδειγμα γραμμικής παλινδρόμησης](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) στον ιστότοπο του Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML για αρχάριους - Το πρώτο σου έργο γραμμικής παλινδρόμησης σε Python")
[](https://youtu.be/2xkXL5EUpS0 "ML για αρχάριους - Το πρώτο σας έργο γραμμικής παλινδρόμησης σε Python")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει τη διαδικασία αυτής της άσκησης.
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει αυτή την άσκηση.
Στο αρχείο _notebook.ipynb_ που σχετίζεται με αυτό το μάθημα, καθαρίστε όλα τα κελιά πατώντας το εικονίδιο 'καλάθι απορριμμάτων'.
Στο αρχείο _notebook.ipynb_ που συνδέεται με αυτό το μάθημα, καθαρίστε όλα τα κελιά πατώντας το εικονίδιο 'κάδου απορριμμάτων'.
Σε αυτή την ενότητα, θα δουλέψετε με ένα μικρό σύνολο δεδομένων σχετικά με τον διαβήτη που είναι ενσωματωμένο στο Scikit-learn για σκοπούς μάθησης. Φανταστείτε ότι θέλετε να δοκιμάσετε μια θεραπεία για ασθενείς με διαβήτη. Τα μοντέλα μηχανικής μάθησης μπορεί νασας βοηθήσουν να καθορίσετε ποιοι ασθενείς θα ανταποκριθούν καλύτερα στη θεραπεία, βάσει συνδυασμών μεταβλητών. Ακόμα και ένα πολύ βασικό μοντέλο παλινδρόμησης, όταν οπτικοποιείται, μπορεί να δείξει πληροφορίες για μεταβλητές που θα σας βοηθήσουννα οργανώσετε τις θεωρητικές σας κλινικές δοκιμές.
Σε αυτή την ενότητα, θα εργαστείτε με ένα μικρό σύνολο δεδομένων για τον διαβήτη που είναι ενσωματωμένο στο Scikit-learn για μαθησιακούς σκοπούς. Φανταστείτε ότι θέλετε να δοκιμάσετε μια θεραπεία γιαδιαβητικούς ασθενείς. Τα μοντέλα μηχανικής μάθησης μπορεί ναβοηθήσουν να προσδιορίσετε ποιοι ασθενείς θα ανταποκριθούν καλύτερα στη θεραπεία, βάσει συνδυασμών μεταβλητών. Ακόμη και ένα πολύ βασικό μοντέλο παλινδρόμησης, όταν οπτικοποιηθεί, μπορεί να δείξει πληροφορίες για μεταβλητές που θα βοηθούσαννα οργανώσετε τις θεωρητικές κλινικές δοκιμές σας.
✅ Υπάρχουν πολλοί τύποι μεθόδων παλινδρόμησης, και ποια θα επιλέξετε εξαρτάται από την απάντηση που ψάχνετε. Αν θέλετε να προβλέψετε το πιθανό ύψος για ένα άτομο σε μια δεδομένη ηλικία, θα χρησιμοποιήσετε τη γραμμική παλινδρόμηση, αφού ψάχνετε για μια **αριθμητική τιμή**. Αν ενδιαφέρεστε να ανακαλύψετε αν ένας τύπος κουζίνας πρέπει να θεωρείται vegan ή όχι, ψάχνετε για**κατηγορική ανάθεση**, οπότε θα χρησιμοποιήσετε τη λογιστική παλινδρόμηση. Θα μάθετε περισσότερα για τη λογιστική παλινδρόμηση αργότερα. Σκεφτείτε λίγο μερικές ερωτήσεις που μπορείτε να κάνετε στα δεδομένα, και ποια από αυτές τις μεθόδους θα ήταν πιο κατάλληλη.
✅ Υπάρχουν πολλοί τύποι μεθόδων παλινδρόμησης, και ποια θα επιλέξετε εξαρτάται από την απάντηση που αναζητάτε. Αν θέλετε να προβλέψετε το πιθανό ύψος για ένα άτομο μιας δεδομένης ηλικίας, θα χρησιμοποιήσετε γραμμική παλινδρόμηση, καθώς αναζητάτε μια **αριθμητική τιμή**. Αν ενδιαφέρεστε να ανακαλύψετε αν ένας τύπος κουζίνας πρέπει να θεωρηθεί vegan ή όχι, αναζητάτε **κατηγορική ταξινόμηση**, οπότε θα χρησιμοποιήσετε λογιστική παλινδρόμηση. Θα μάθετε περισσότερα για τη λογιστική παλινδρόμηση αργότερα. Σκεφτείτε λίγο για κάποιες ερωτήσεις που μπορείτε να θέσετε στα δεδομένα και ποια από αυτές τις μεθόδους θα ήταν πιο κατάλληλη.
Ας ξεκινήσουμε αυτή την εργασία.
### Εισαγωγή βιβλιοθηκών
Για αυτή την εργασία, θα εισάγουμε μερικές βιβλιοθήκες:
Για αυτή την εργασία θα εισάγουμε μερικές βιβλιοθήκες:
- **matplotlib**. Είναι ένα χρήσιμο [εργαλείο γραφικών](https://matplotlib.org/) και θα το χρησιμοποιήσουμε γιανα δημιουργήσουμε ένα διάγραμμα γραμμής.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) είναι μια χρήσιμη βιβλιοθήκη γιαχειρισμό αριθμητικών δεδομένων σε Python.
- **matplotlib**. Είναι ένα χρήσιμο [εργαλείο γραφημάτων](https://matplotlib.org/) και θα το χρησιμοποιήσουμε γιανα δημιουργήσουμε ένα γράφημα γραμμής.
- **numpy**. Η[numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) είναι μια χρήσιμη βιβλιοθήκη γιατη διαχείριση αριθμητικών δεδομένων στην Python.
- **sklearn**. Αυτή είναι η βιβλιοθήκη [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Εισάγετε μερικές βιβλιοθήκες γιαναβοηθήσετε με τις εργασίες σας.
Εισάγετε μερικές βιβλιοθήκες γιανασας βοηθήσουν στις εργασίες σας.
1. Προσθέστε τις εισαγωγές πληκτρολογώντας τον ακόλουθο κώδικα:
@ -123,24 +123,24 @@
from sklearn import datasets, linear_model, model_selection
```
Πάνω εισάγετε το`matplotlib`, το `numpy` και εισάγετε το`datasets`, `linear_model` και `model_selection` από το `sklearn`. Το`model_selection` χρησιμοποιείται για τη διαίρεση δεδομένων σε σύνολα εκπαίδευσης και δοκιμής.
Πάνω εισάγετε τα`matplotlib`, `numpy` και εισάγετε τα`datasets`, `linear_model` και `model_selection` από το `sklearn`. Το`model_selection` χρησιμοποιείται για το διαχωρισμό των δεδομένων σε σύνολα εκπαίδευσης και δοκιμής.
### Το σύνολο δεδομένων διαβήτη
### Το σύνολο δεδομένων γιαδιαβήτη
Το ενσωματωμένο [σύνολο δεδομένων διαβήτη](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) περιλαμβάνει 442 δείγματα δεδομένων σχετικά με τον διαβήτη, με 10 χαρακτηριστικές μεταβλητές, μερικές από τις οποίες είναι:
Το ενσωματωμένο [σύνολο δεδομένων διαβήτη](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) περιλαμβάνει 442 δείγματα δεδομένων γύρω από τον διαβήτη, με 10 χαρακτηριστικές μεταβλητές, μερικές από τις οποίες είναι:
✅ Αυτό το σύνολο δεδομένων περιλαμβάνει την έννοια του 'φύλου' ως χαρακτηριστική μεταβλητή σημαντική για τις έρευνες γύρω από τον διαβήτη. Πολλά ιατρικά σύνολα δεδομένων περιλαμβάνουν τέτοιου τύπου δυαδική ταξινόμηση. Σκεφτείτε λίγο πώς τέτοιες κατηγοριοποιήσεις μπορεί να αποκλείουν ορισμένα μέρη του πληθυσμού από θεραπείες.
✅ Αυτό το σύνολο δεδομένων περιλαμβάνει την έννοια του 'φύλου' ως χαρακτηριστική μεταβλητή σημαντική για την έρευνα γύρω από τον διαβήτη. Πολλά ιατρικά σύνολα δεδομένων περιλαμβάνουν αυτού του είδους την δυαδική ταξινόμηση. Σκεφτείτε λίγο πώς τέτοιες κατηγοριοποιήσεις μπορεί να αποκλείουν μέρη ενός πληθυσμού από θεραπείες.
Τώρα, φορτώστε τα δεδομένα X και y.
> 🎓 Θυμηθείτε, αυτή είναι επιβλεπόμενη μάθηση, και χρειαζόμαστε έναν με το όνομα 'y' στόχο.
> 🎓 Θυμηθείτε, αυτή είναι επιβλεπόμενη μάθηση, και χρειαζόμαστε έναν ονομασμένο στόχο 'y'.
Σε ένα νέο κελί κώδικα, φορτώστε το σύνολο δεδομένων διαβήτη καλώντας `load_diabetes()`. Η είσοδος`return_X_y=True` σηματοδοτεί ότι το `X` θα είναι ένας πίνακας δεδομένων, και το `y` θα είναιο στόχος παλινδρόμησης.
Σε ένα νέο κελί κώδικα, φορτώστε το σύνολο δεδομένων διαβήτη καλώντας `load_diabetes()`. Το όρισμα`return_X_y=True` σηματοδοτεί ότι το `X` θα είναι ένας πίνακας δεδομένων και το `y`ο στόχος παλινδρόμησης.
1. Προσθέστε κάποιες εντολές εκτύπωσης γιανα δείξετε το σχήμα του πίνακα δεδομένων και το πρώτο του στοιχείο:
@ -150,9 +150,9 @@
print(X[0])
```
Αυτό που παίρνετε ως απόκριση, είναι μια πλειάδα (tuple). Αυτό που κάνετε είναι να αναθέσετε τις δύο πρώτες τιμές της πλειάδας σε`X` και `y` αντίστοιχα. Μάθετε περισσότερα [για τις πλειάδες (tuples)](https://wikipedia.org/wiki/Tuple).
Αυτό που λαμβάνετε ως απάντηση είναι ένας πλειάδα. Αυτό που κάνετε είναι να αναθέσετε τις δύο πρώτες τιμές της πλειάδας στα`X` και `y` αντίστοιχα. Μάθετε περισσότερα [για τις πλειάδες](https://wikipedia.org/wiki/Tuple).
Μπορείτε να δείτε ότι αυτά τα δεδομένα έχουν 442 αντικείμενα διαμορφωμένα σε πίνακες με 10 στοιχεία:
Μπορείτε να δείτε ότι αυτά τα δεδομένα έχουν 442 στοιχεία οργανωμένα σε πίνακες των 10 στοιχείων:
```text
(442, 10)
@ -160,39 +160,39 @@
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Σκεφτείτε λίγο τη σχέση μεταξύ των δεδομένων και του στόχου παλινδρόμησης. Η γραμμική παλινδρόμηση προβλέπει σχέσεις μεταξύ χαρακτηριστικού X και μεταβλητής στόχου y. Μπορείτε να βρείτε τον [στόχο](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) για το σύνολο δεδομένων διαβήτη στην τεκμηρίωση; Τιδείχνει αυτό το σύνολο δεδομένων, δεδομένου του στόχου;
✅ Σκεφτείτε λίγο τη σχέση μεταξύ των δεδομένων και του στόχου παλινδρόμησης. Η γραμμική παλινδρόμηση προβλέπει σχέσεις μεταξύ του χαρακτηριστικού X και της μεταβλητής στόχου y. Μπορείτε να βρείτε τον [στόχο](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) για το σύνολο δεδομένων διαβήτη στην τεκμηρίωση; Τιπαρουσιάζει αυτό το σύνολο δεδομένων, δεδομένου αυτού του στόχου;
2. Στη συνέχεια, επιλέξτε ένα τμήμα αυτού του συνόλου δεδομένων για την απεικόνιση διαλέγοντας την 3η στήλη του συνόλου. Μπορείτε να το κάνετε αυτό χρησιμοποιώντας τον τελεστή `:`γιανα επιλέξετε όλες τις γραμμές, και μετά επιλέγοντας την 3η στήλη με το δείκτη (2). Μπορείτε επίσης ναμετασχηματίσετε τα δεδομένα σε έναν 2D πίνακα - όπως απαιτείται για την απεικόνιση - χρησιμοποιώντας το `reshape(n_rows, n_columns)`. Αν μια από τις παραμέτρους είναι -1, η αντίστοιχη διάσταση υπολογίζεται αυτόματα.
2. Στη συνέχεια, επιλέξτε ένα μέρος αυτού του συνόλου δεδομένων γιανα το απεικονίσετε επιλέγοντας την 3η στήλη του συνόλου δεδομένων. Μπορείτε να το κάνετε χρησιμοποιώντας τον τελεστή `:`γιανα επιλέξετε όλες τις γραμμές, και μετά επιλέγοντας την 3η στήλη με τον δείκτη (2). Μπορείτε επίσης νααναδιαμορφώσετε τα δεδομένα σε 2D πίνακα - όπως απαιτείται για την απεικόνιση - χρησιμοποιώντας `reshape(n_rows, n_columns)`. Αν μία από τις παραμέτρους είναι -1, η αντίστοιχη διάσταση υπολογίζεται αυτόματα.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Οποιαδήποτε στιγμή εκτυπώστε τα δεδομένα γιανα ελέγξετε το σχήμα τους.
✅ Οποιαδήποτε στιγμή, εκτυπώστε τα δεδομένα γιανα ελέγξετε το σχήμα τους.
3. Τώρα που έχετε τα δεδομένα έτοιμα για απεικόνιση, μπορείτε ναδείτε αν μια μηχανή μπορεί να βοηθήσει νακαθοριστεί μια λογική διαχωριστική γραμμή μεταξύ των αριθμών σε αυτό το σύνολο. Για να το κάνετε αυτό, χρειάζεται να χωρίσετε τόσο τα δεδομένα (X) όσο και τον στόχο (y) σε σύνολα δοκιμής και εκπαίδευσης. Το Scikit-learn έχει έναν απλό τρόπο να το κάνει αυτό· μπορείτε να χωρίσετε τα δεδομένα δοκιμής σε ένα συγκεκριμένο σημείο.
3. Τώρα που έχετε τα δεδομένα έτοιμα για απεικόνιση, δείτε αν μια μηχανή μπορεί να βοηθήσει ναβρεθεί ένας λογικός διαχωρισμός ανάμεσα στους αριθμούς αυτού του συνόλου δεδομένων. Για να το κάνετε αυτό, πρέπει να χωρίσετε και τα δεδομένα (X) και τον στόχο (y) σε σύνολα δοκιμής και εκπαίδευσης. Το Scikit-learn έχει έναν απλό τρόπο να το κάνει αυτό, μπορείτε να χωρίσετε τα δεδομένα σας σε ένα δεδομένο σημείο.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Τώρα είστε έτοιμοι να εκπαιδεύσετε το μοντέλο σας! Φορτώστε το μοντέλο γραμμικής παλινδρόμησης και εκπαιδεύστε το με τα σύνολα εκπαίδευσής σας X και y χρησιμοποιώντας`model.fit()`:
4. Τώρα είστε έτοιμοι να εκπαιδεύσετε το μοντέλο σας! Φορτώστε το γραμμικό μοντέλο παλινδρόμησης και εκπαιδεύστε το με τα σύνολα εκπαίδευσης X και y χρησιμοποιώντας το`model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ Το`model.fit()` είναι μια συνάρτηση που θα δείτε σε πολλές βιβλιοθήκες ΜΜ όπως το TensorFlow
✅ Το`model.fit()` είναι μια συνάρτηση που θα δείτε σε πολλές βιβλιοθήκες ML όπως το TensorFlow
5. Στη συνέχεια, δημιουργήστε μια πρόβλεψη χρησιμοποιώντας δεδομένα δοκιμής, χρησιμοποιώντας τη συνάρτηση `predict()`. Αυτό θα χρησιμοποιηθεί γιανα σχεδιάσει τη γραμμή μεταξύ των ομάδων δεδομένων
5. Στη συνέχεια, δημιουργήστε μια πρόβλεψη χρησιμοποιώντας τα δεδομένα δοκιμής, με τη λειτουργία `predict()`. Αυτή θα χρησιμοποιηθεί γιανα σχεδιάσει τη γραμμή ανάμεσα στις ομάδες δεδομένων
```python
y_pred = model.predict(X_test)
```
6. Τώρα ήρθε η ώρα να εμφανίσουμε τα δεδομένα σε ένα διάγραμμα. Το Matplotlib είναι ένα πολύ χρήσιμο εργαλείο για αυτή την εργασία. Δημιουργήστε ένα διάγραμμα διασποράς όλων των δεδομένων X και y δοκιμής, και χρησιμοποιήστε την πρόβλεψη γιανα σχεδιάσετε μια γραμμή στο πιο κατάλληλο σημείο, ανάμεσα στις ομάδες δεδομένων του μοντέλου.
6. Τώρα είναι ώρα να εμφανίσουμε τα δεδομένα σε γράφημα. Το Matplotlib είναι ένα πολύ χρήσιμο εργαλείο για αυτή τη δουλειά. Δημιουργήστε ένα scatterplot όλων των X και y δεδομένων δοκιμής, και χρησιμοποιήστε την πρόβλεψη γιανα σχεδιάσετε μια γραμμή στο πιο κατάλληλο σημείο, ανάμεσα στις ομάδες δεδομένων του μοντέλου.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@
plt.show()
```
✅ Σκεφτείτε λίγο τι συμβαίνει εδώ. Μια ευθεία γραμμή περνά μέσα από πολλά μικρά σημεία δεδομένων, αλλά τι ακριβώς κάνει; Μπορείτε να δείτε πώς θα πρέπει να μπορείτε να χρησιμοποιήσετε αυτή τη γραμμή γιανα προβλέψετε πού θα πρέπει να ταιριάξει ένα νέο, αθέατο σημείο δεδομένων σε σχέση με τον άξονα y του γραφήματος; Προσπαθήστε να διατυπώσετε με λέξεις τη πρακτική χρήση αυτού του μοντέλου.
✅ Σκέψου λίγο τι συμβαίνει εδώ. Μια ευθεία γραμμή διασχίζει πολλά μικρά σημεία δεδομένων, αλλά τι κάνει ακριβώς; Μπορείς να δεις πώς θα πρέπει να μπορείς να χρησιμοποιήσεις αυτή τη γραμμή γιανα προβλέψεις πού θα έπρεπε να ταιριάζει ένα νέο, αθέατο σημείο δεδομένων σε σχέση με τον άξονα y του διαγράμματος; Προσπάθησε να εκφράσεις με λέξεις τη πρακτική χρήση αυτού του μοντέλου.
Συγχαρητήρια, κατασκεύασες το πρώτο σου μοντέλο γραμμικής παλινδρόμησης, δημιούργησες μια πρόβλεψη με αυτό και την εμφάνισες σε διάγραμμα!
Συγχαρητήρια, κατασκευάσατε το πρώτο σας γραμμικό μοντέλο παλινδρόμησης, δημιουργήσατε μια πρόβλεψη με αυτό και την εμφανίσατε σε γράφημα!
---
## 🚀Πρόκληση
Σχεδίασε μια διαφορετική μεταβλητή από αυτό το σύνολο δεδομένων. Υπόδειξη: επεξεργάσου αυτή τη γραμμή: `X = X[:,2]`. Δεδομένου του στόχου αυτού του συνόλου δεδομένων, τι μπορείς να ανακαλύψεις για την εξέλιξη του διαβήτη ως ασθένεια;
## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ml/)
Απεικονίστε μια διαφορετική μεταβλητή από αυτό το σύνολο δεδομένων. Υπόδειξη: επεξεργαστείτε αυτή τη γραμμή: `X = X[:,2]`. Δεδομένου του στόχου αυτού του συνόλου δεδομένων, τι είστε σε θέση να ανακαλύψετε για την εξέλιξη του διαβήτη ως νόσου;
Σε αυτό το σεμινάριο, εργάστηκες με απλή γραμμική παλινδρόμηση, αντί για μονομεταβλητή ή πολλαπλή γραμμική παλινδρόμηση. Διάβασε λίγο για τις διαφορές μεταξύ αυτών των μεθόδων ή ρίξε μια ματιά σε [αυτό το βίντεο](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Σε αυτό το tutorial, εργαστήκατε με απλή γραμμική παλινδρόμηση, αντί για μονομεταβλητή ή πολυμεταβλητή γραμμική παλινδρόμηση. Διαβάστε λίγο για τις διαφορές ανάμεσα σε αυτές τις μεθόδους ή δείτε [αυτό το βίντεο](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Διάβασε περισσότερα για την έννοια της παλινδρόμησης και σκέψου τι είδους ερωτήσεις μπορούν να απαντηθούν με αυτή την τεχνική. Πάρε αυτό το [σεμινάριο](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) γιανα εμβαθύνεις την κατανόησή σου.
Διαβάστε περισσότερα για την έννοια της παλινδρόμησης και σκεφτείτε τι είδους ερωτήσεις μπορούν να απαντηθούν με αυτήν την τεχνική. Ακολουθήστε αυτό το [μάθημα](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) γιανα εμβαθύνετε την κατανόησή σας.
## [Προ της διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ml/)
> ### [Αυτό το μάθημα είναι διαθέσιμο και σε R!](../../../../2-Regression/2-Data/solution/R/lesson_2.html)
## Εισαγωγή
Τώρα που έχετε εξοπλιστεί με τα εργαλεία που χρειάζεστε γιανα ξεκινήσετε τη δημιουργία μοντέλων μηχανικής μάθησης με το Scikit-learn, είστε έτοιμοι να αρχίσετε ναθέτετε ερωτήματα στα δεδομένα σας. Καθώς εργάζεστε με δεδομένα και εφαρμόζετε λύσεις ML, είναι πολύ σημαντικό να κατανοήσετε πώς ναθέσετε τη σωστή ερώτηση γιανα αξιοποιήσετε πλήρως τις δυνατότητες του συνόλου δεδομένων σας.
Τώρα που έχετε εξοπλιστεί με τα εργαλεία που χρειάζεστε γιανα ξεκινήσετε την κατασκευή μοντέλων μηχανικής μάθησης με το Scikit-learn, είστε έτοιμοι να αρχίσετε νακάνετε ερωτήσεις στα δεδομένα σας. Καθώς εργάζεστε με δεδομένα και εφαρμόζετε λύσεις ML, είναι πολύ σημαντικό να κατανοήσετε πώς νακάνετε τη σωστή ερώτηση γιανα ξεκλειδώσετε σωστά τις δυνατότητες του συνόλου δεδομένων σας.
Σε αυτό το μάθημα, θα μάθετε:
- Πώς να προετοιμάσετε τα δεδομένα σας για τη δημιουργία μοντέλων.
- Πώς να χρησιμοποιήσετε το Matplotlib για την οπτικοποίηση δεδομένων.
- Πώς να προετοιμάσετε τα δεδομένα σας για την κατασκευή μοντέλου.
- Πώς να χρησιμοποιήσετε το Matplotlib για οπτικοποίηση δεδομένων.
- Πώς να χρησιμοποιήσετε το Seaborn για πιο εκφραστική οπτικοποίηση δεδομένων.
## Θέτοντας τη σωστή ερώτηση στα δεδομένα σας
## Να κάνετε τη σωστή ερώτηση γιατα δεδομένα σας
Η ερώτηση που θέλετε να απαντήσετε θα καθορίσει τον τύπο των αλγορίθμων ML που θα χρησιμοποιήσετε. Και η ποιότητα της απάντησης που θα λάβετε θα εξαρτηθεί σε μεγάλο βαθμό από τη φύση των δεδομένων σας.
Η ερώτηση που χρειάζεστε να απαντηθεί θα καθορίσει τον τύπο των αλγορίθμων ML που θα χρησιμοποιήσετε. Και η ποιότητα της απάντησης που θα λάβετε θα εξαρτηθεί σε μεγάλο βαθμό από τη φύση των δεδομένων σας.
Ρίξτε μια ματιά στα [δεδομένα](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) που παρέχονται για αυτό το μάθημα. Μπορείτε να ανοίξετε αυτό το αρχείο .csv στο VS Code. Μια γρήγορη ματιά δείχνει αμέσως ότι υπάρχουν κενά και ένας συνδυασμός συμβολοσειρών και αριθμητικών δεδομένων. Υπάρχει επίσης μια περίεργη στήλη που ονομάζεται 'Package', όπου τα δεδομένα είναι ένας συνδυασμός μεταξύ 'sacks', 'bins' και άλλων τιμών. Τα δεδομένα, στην πραγματικότητα, είναι λίγο ακατάστατα.
Ρίξτε μια ματιά στα [δεδομένα](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) που παρέχονται για αυτό το μάθημα. Μπορείτε να ανοίξετε αυτό το αρχείο .csv στο VS Code. Μια γρήγορη ματιά δείχνει αμέσως ότι υπάρχουν κενά και ένας συνδυασμός χαρακτήρων και αριθμητικών δεδομένων. Υπάρχει επίσης μια παράξενη στήλη που ονομάζεται 'Package', όπου τα δεδομένα είναι ένας συνδυασμός μεταξύ 'sacks', 'bins' και άλλων τιμών. Τα δεδομένα, στην πραγματικότητα, είναι λίγο μπερδεμένα.
[](https://youtu.be/5qGjczWTrDQ "ML για αρχάριους - Πώς νααναλύσετε και να καθαρίσετε ένα σύνολο δεδομένων")
[](https://youtu.be/5qGjczWTrDQ "ML για αρχάριους - Πώς ναΑναλύσετε και να Καθαρίσετε ένα Σύνολο Δεδομένων")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει πώς να προετοιμάσετε τα δεδομέναγια αυτό το μάθημα.
> 🎥 Κάντε κλικ στην παραπάνω εικόναγια ένα σύντομο βίντεο που δείχνει την προετοιμασία των δεδομένωνγια αυτό το μάθημα.
Στην πραγματικότητα, δεν είναι πολύ συνηθισμένο να σας δοθεί ένα σύνολο δεδομένων που είναι πλήρως έτοιμο για χρήσηγια τη δημιουργία ενός μοντέλου ML από την αρχή. Σε αυτό το μάθημα, θα μάθετε πώς να προετοιμάσετε ένα ακατέργαστο σύνολο δεδομένων χρησιμοποιώντας τις τυπικές βιβλιοθήκες Python. Θα μάθετε επίσης διάφορες τεχνικές γιατην οπτικοποίηση των δεδομένων.
Στην πραγματικότητα, δεν είναι πολύ συνηθισμένο να σας δίνονται δεδομένα που είναι έτοιμα να χρησιμοποιηθούν κατευθείανγια τη δημιουργία ενός μοντέλου ML. Σε αυτό το μάθημα, θα μάθετε πώς να προετοιμάζετε ένα ακατέργαστο σύνολο δεδομένων χρησιμοποιώντας τυπικές βιβλιοθήκες Python. Θα μάθετε επίσης διάφορες τεχνικές γιανα οπτικοποιήσετε τα δεδομένα.
## Μελέτη περίπτωσης: 'η αγορά κολοκύθας'
Σε αυτόν τον φάκελο θα βρείτε ένα αρχείο .csv στον κύριο φάκελο `data` που ονομάζεται [US-pumpkins.csv](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv), το οποίο περιλαμβάνει 1757 γραμμές δεδομένων σχετικά με την αγορά κολοκύθας, ταξινομημένες σε ομάδες ανά πόλη. Αυτά είναι ακατέργαστα δεδομένα που εξάγονται από τις [Ειδικές Αναφορές Τερματικών Αγορών Καλλιεργειών](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) που διανέμονται από το Υπουργείο Γεωργίας των Ηνωμένων Πολιτειών.
Σε αυτόν τον φάκελο θα βρείτε ένα αρχείο .csv στο βασικό φάκελο `data` με το όνομα [US-pumpkins.csv](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) που περιλαμβάνει 1757 γραμμές δεδομένων για την αγορά κολοκύθας, ταξινομημένα ανά πόλη. Αυτά είναι ακατέργαστα δεδομένα που εξήχθησαν από τις [Ειδικές Αναφορές των Χονδρεμπόρων Αγροτικών Προϊόντων](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) που διανέμονται από το Υπουργείο Γεωργίας των Ηνωμένων Πολιτειών.
### Προετοιμασία δεδομένων
Αυτά τα δεδομένα είναι δημόσια διαθέσιμα. Μπορούν να ληφθούν σε πολλά ξεχωριστά αρχεία, ανά πόλη, από τον ιστότοπο του USDA. Για να αποφύγουμε πάρα πολλά ξεχωριστά αρχεία, έχουμε συνενώσει όλα τα δεδομένα των πόλεων σε ένα υπολογιστικό φύλλο, επομένως έχουμε ήδη _προετοιμάσει_ τα δεδομένα λίγο. Στη συνέχεια, ας ρίξουμε μια πιο προσεκτική ματιά στα δεδομένα.
Αυτά τα δεδομένα βρίσκονται στο δημόσιο τομέα. Μπορούν να ληφθούν σε πολλά ξεχωριστά αρχεία, ανά πόλη, από τον ιστότοπο του USDA. Για να αποφύγουμε πολλά ξεχωριστά αρχεία, έχουμε συγχωνεύσει όλα τα δεδομένα των πόλεων σε ένα υπολογιστικό φύλλο, έτσι έχουμε ήδη _προετοιμάσει_λίγο τα δεδομένα. Στη συνέχεια, ας ρίξουμε μια πιο προσεκτική ματιά στα δεδομένα.
### Τα δεδομένα κολοκύθας - πρώιμα συμπεράσματα
### Τα δεδομένα της κολοκύθας - πρώτα συμπεράσματα
Τι παρατηρείτε σχετικά με αυτά τα δεδομένα; Έχετε ήδη δει ότι υπάρχει ένας συνδυασμός συμβολοσειρών, αριθμών, κενών και περίεργων τιμών που πρέπει να κατανοήσετε.
Τι παρατηρείτε σχετικά με αυτά τα δεδομένα; Έχετε ήδη δει ότι υπάρχει ένας συνδυασμός χαρακτήρων, αριθμών, κενών και περίεργων τιμών που πρέπει να ερμηνεύσετε.
Ποια ερώτηση μπορείτε να θέσετε σε αυτά τα δεδομένα, χρησιμοποιώντας μια τεχνική παλινδρόμησης; Τι θα λέγατε για "Πρόβλεψη της τιμής μιας κολοκύθας προς πώληση κατά τη διάρκεια ενός συγκεκριμένου μήνα". Κοιτάζοντας ξανά τα δεδομένα, υπάρχουν κάποιες αλλαγές που πρέπει να κάνετε γιανα δημιουργήσετε τη δομή δεδομένων που είναι απαραίτητη για την εργασία.
Τι ερώτηση μπορείτε να κάνετε για αυτά τα δεδομένα, χρησιμοποιώντας τεχνική Παλινδρόμησης; Τι θα λέγατε για "Πρόβλεψη της τιμής μιας κολοκύθας προς πώληση κατά τη διάρκεια ενός συγκεκριμένου μήνα"; Κοιτώντας ξανά τα δεδομένα, υπάρχουν κάποιες αλλαγές που πρέπει να κάνετε ώστε να δημιουργήσετε τη δομή δεδομένων που απαιτείται για αυτήν την εργασία.
## Άσκηση - αναλύστε τα δεδομένα της κολοκύθας
## Άσκηση - ανάλυση των δεδομένων κολοκύθας
Ας χρησιμοποιήσουμε το [Pandas](https://pandas.pydata.org/) (το όνομα σημαίνει `Python Data Analysis`), ένα πολύ χρήσιμο εργαλείο για τη μορφοποίηση δεδομένων, γιανα αναλύσουμε και να προετοιμάσουμε αυτά τα δεδομένα κολοκύθας.
Ας χρησιμοποιήσουμε το [Pandas](https://pandas.pydata.org/), (το όνομα προέρχεται από το `Python Data Analysis`) ένα εργαλείο πολύ χρήσιμο για τη διαμόρφωση δεδομένων, γιανα αναλύσουμε και να προετοιμάσουμε αυτά τα δεδομένα κολοκύθας.
### Πρώτα, ελέγξτε για λείπουνες ημερομηνίες
### Πρώτα, ελέγξτε για ελλείπουσες ημερομηνίες
Πρώτα πρέπει να πάρετε μέτρα γιανα ελέγξετε αν λείπουν ημερομηνίες:
Πρώτα θα χρειαστεί να λάβετε μέτρα γιανα ελέγξετε για ελλείπουσες ημερομηνίες:
1. Μετατρέψτε τις ημερομηνίες σε μορφή μήνα (αυτές είναι ημερομηνίες των ΗΠΑ, επομένως η μορφή είναι `MM/DD/YYYY`).
1. Μετατρέψτε τις ημερομηνίες σε μορφή μήνα (οι ημερομηνίες είναι αμερικανικές, οπότε η μορφή είναι `MM/DD/YYYY`).
2. Εξαγάγετε τον μήνα σε μια νέα στήλη.
Ανοίξτε το αρχείο _notebook.ipynb_ στο Visual Studio Code και εισαγάγετε το υπολογιστικό φύλλο σε ένα νέο dataframe Pandas.
Ανοίξτε το αρχείο _notebook.ipynb_ στο Visual Studio Code και εισάγετε το υπολογιστικό φύλλο σε ένα νέο dataframe του Pandas.
1. Χρησιμοποιήστε τη συνάρτηση `head()`γιανα δείτε τις πρώτες πέντε γραμμές.
@ -66,15 +66,15 @@ Infographic από [Dasani Madipalli](https://twitter.com/dasani_decoded)
✅ Ποια συνάρτηση θα χρησιμοποιούσατε γιανα δείτε τις τελευταίες πέντε γραμμές;
1. Ελέγξτε αν υπάρχουν ελλείποντα δεδομένα στο τρέχον dataframe:
1. Ελέγξτε αν υπάρχουν κενά δεδομένα στο τρέχον dataframe:
```python
pumpkins.isnull().sum()
```
Υπάρχουν ελλείποντα δεδομένα, αλλά ίσως να μην έχουν σημασία για την εργασία που έχετε.
Υπάρχουν κενά δεδομένα, αλλά ίσως να μην έχουν σημασία για την εργασία αυτή.
1. Για να κάνετε το dataframe σας πιο εύχρηστο, επιλέξτε μόνο τις στήλες που χρειάζεστε, χρησιμοποιώντας τη συνάρτηση `loc`, η οποία εξάγει από το αρχικό dataframe μια ομάδα γραμμών (περνά ως πρώτο παράμετρο) και στηλών (περνά ως δεύτερο παράμετρο). Η έκφραση `:` στην περίπτωση αυτή σημαίνει "όλες οι γραμμές".
1. Για να κάνετε το dataframe πιο εύκολο στη χρήση, επιλέξτε μόνο τις στήλες που χρειάζεστε, χρησιμοποιώντας τη συνάρτηση `loc` η οποία εξάγει από το αρχικό dataframe μια ομάδα γραμμών (περασμένη ως πρώτη παράμετρος) και στηλών (περασμένη ως δεύτερη παράμετρος). Η έκφραση `:` στην παρακάτω περίπτωση σημαίνει "όλες οι γραμμές".
@ -83,11 +83,11 @@ Infographic από [Dasani Madipalli](https://twitter.com/dasani_decoded)
### Δεύτερον, προσδιορίστε τη μέση τιμή της κολοκύθας
Σκεφτείτε πώς να προσδιορίσετε τη μέση τιμή μιας κολοκύθας σε έναν δεδομένο μήνα. Ποιες στήλες θα επιλέγατε για αυτήν την εργασία; Υπόδειξη: θα χρειαστείτε 3 στήλες.
Σκεφτείτε πώς να προσδιορίσετε τη μέση τιμή μιας κολοκύθας σε έναν συγκεκριμένο μήνα. Ποιες στήλες θα επιλέγατε για αυτήν την εργασία; Υπόδειξη: θα χρειαστείτε 3 στήλες.
Λύση: πάρτε τον μέσο όρο των στηλών `Low Price` και `High Price`γιανα γεμίσετε τη νέα στήλη Price και μετατρέψτε τη στήλη Date ώστε να δείχνει μόνο τον μήνα. Ευτυχώς, σύμφωνα με τον παραπάνω έλεγχο, δεν υπάρχουν ελλείποντα δεδομένα για ημερομηνίες ή τιμές.
Λύση: πάρτε το μέσο όρο των στηλών `Low Price` και `High Price`γιανα γεμίσετε τη νέα στήλη Τιμή, και μετατρέψτε τη στήλη Ημερομηνία έτσι ώστε να δείχνει μόνο τον μήνα. Ευτυχώς, σύμφωνα με τον παραπάνω έλεγχο, δεν υπάρχουν κενά δεδομένα για τις ημερομηνίες ή τις τιμές.
1. Για να υπολογίσετε τον μέσο όρο, προσθέστε τον παρακάτω κώδικα:
1. Για να υπολογίσετε το μέσο όρο, προσθέστε τον ακόλουθο κώδικα:
Εκτυπώνοντας το dataframe σας θα δείτε ένα καθαρό, τακτοποιημένο σύνολο δεδομένων πάνω στο οποίο μπορείτε ναδημιουργήσετε το νέο σας μοντέλο παλινδρόμησης.
Η εκτύπωση του dataframe σας θα δείξει ένα καθαρό, τακτοποιημένο σύνολο δεδομένων πάνω στο οποίο μπορείτε ναχτίσετε το νέο σας μοντέλο παλινδρόμησης.
### Αλλά περιμένετε! Υπάρχει κάτι περίεργο εδώ
### Αλλά περιμένετε! Υπάρχει κάτι παράξενο εδώ
Αν κοιτάξετε τη στήλη `Package`, οι κολοκύθες πωλούνται σε πολλές διαφορετικές διαμορφώσεις. Κάποιες πωλούνται σε μέτρα '1 1/9 bushel', κάποιες σε '1/2 bushel', κάποιες ανά κολοκύθα, κάποιες ανά λίβρα και κάποιες σε μεγάλα κουτιά με διάφορα πλάτη.
Αν κοιτάξετε τη στήλη `Package`, οι κολοκύθες πωλούνται σε πολλές διαφορετικές διαμορφώσεις. Κάποιες πωλούνται σε μετρήσεις '1 1/9 bushel' και κάποιες σε '1/2 bushel', κάποιες ανά κολοκύθα, κάποιες ανά λίβρα και κάποιες σε μεγάλες κούτες με διαφορετικά πλάτη.
> Οι κολοκύθες φαίνεται να είναι πολύ δύσκολο να ζυγιστούν με συνέπεια
> Φαίνεται πολύ δύσκολο να ζυγίσεις τις κολοκύθες με συνέπεια
Εξετάζοντας τα αρχικά δεδομένα, είναι ενδιαφέρον ότι οτιδήποτε έχει`Unit of Sale` ίσο με 'EACH' ή 'PER BIN' έχει επίσης τον τύπο `Package` ανά ίντσα, ανά bin ή 'each'. Οι κολοκύθες φαίνεται να είναι πολύ δύσκολο να ζυγιστούν με συνέπεια, οπότε ας τις φιλτράρουμε επιλέγοντας μόνο κολοκύθες με τη συμβολοσειρά 'bushel' στη στήλη `Package`.
Βαθύτερη ανάλυση των αρχικών δεδομένων δείχνει ότι οτιδήποτε με`Unit of Sale` ίσο με 'EACH' ή 'PER BIN' έχει επίσης τον τύπο `Package` ανά ίντσα, ανά κουτί ή 'καθένα'. Φαίνεται ότι οι κολοκύθες είναι πολύ δύσκολο να ζυγιστούν ομοιόμορφα, οπότε φιλτράρουμε επιλέγοντας μόνο τις κολοκύθες με τη λέξη 'bushel' στη στήλη `Package`.
1. Προσθέστε ένα φίλτρο στην κορυφή του αρχείου, κάτω από την αρχική εισαγωγή .csv:
@ -122,11 +122,11 @@ Infographic από [Dasani Madipalli](https://twitter.com/dasani_decoded)
Αν εκτυπώσετε τα δεδομένα τώρα, μπορείτε να δείτε ότι λαμβάνετε μόνο τις περίπου 415 γραμμές δεδομένων που περιέχουν κολοκύθες ανά bushel.
### Αλλά περιμένετε! Υπάρχει ακόμα κάτι που πρέπεινα κάνετε
### Αλλά περιμένετε! Υπάρχει ακόμα ένα πράγμανα κάνετε
Παρατηρήσατε ότι η ποσότητα bushel ποικίλλει ανά γραμμή; Πρέπει να κανονικοποιήσετε την τιμολόγηση ώστε να δείξετε την τιμολόγηση ανά bushel, οπότε κάντε κάποιους υπολογισμούς γιανα την τυποποιήσετε.
Παρατηρήσατε ότι η ποσότητα του bushel διαφέρει ανά γραμμή; Πρέπει να ομαλοποιήσετε τις τιμές, ώστε να δείχνετε την τιμή ανά bushel, οπότε κάντε κάποιους υπολογισμούς γιανα το τυποποιήσετε.
1. Προσθέστε αυτές τις γραμμές μετά το μπλοκ που δημιουργεί το dataframe new_pumpkins:
1. Προσθέστε αυτές τις γραμμές μετά το μπλοκ που δημιουργεί το νέο dataframe new_pumpkins:
✅ Σύμφωνα με το [The Spruce Eats](https://www.thespruceeats.com/how-much-is-a-bushel-1389308), το βάρος ενός bushel εξαρτάται από τον τύπο του προϊόντος, καθώς είναι μέτρηση όγκου. "Ένα bushel ντομάτας, για παράδειγμα, υποτίθεται ότι ζυγίζει 56 λίβρες... Τα φύλλα και τα χόρτα καταλαμβάνουν περισσότερο χώρο με λιγότερο βάρος, οπότε ένα bushel σπανάκι είναι μόνο 20 λίβρες." Είναι όλα αρκετά περίπλοκα! Ας μην ασχοληθούμε με τη μετατροπή bushel σε λίβρες και αντίθετα ας τιμολογήσουμε ανά bushel. Όλη αυτή η μελέτη για bushels κολοκύθας, ωστόσο, δείχνει πόσο σημαντικό είναι να κατανοήσετε τη φύση των δεδομένων σας!
✅ Σύμφωνα με το [The Spruce Eats](https://www.thespruceeats.com/how-much-is-a-bushel-1389308), το βάρος ενός bushel εξαρτάται από τον τύπο του προϊόντος, καθώς είναι μέτρηση όγκου. "Ένα bushel ντομάτες, για παράδειγμα, υποτίθεται ότι ζυγίζει 56 λίβρες... Τα φύλλα και τα χόρτα καταλαμβάνουν περισσότερο χώρο με λιγότερο βάρος, οπότε ένα bushel σπανάκι ζυγίζει μόνο 20 λίβρες." Όλα αυτά είναι αρκετά περίπλοκα! Ας μην ασχοληθούμε με μετατροπή bushel-σε-λίβρα, αλλά ας τιμολογήσουμε ανά bushel. Όλη αυτή η μελέτη για τα bushels κολοκύθας, όμως, δείχνει πόσο σημαντικό είναι να κατανοήσετε τη φύση των δεδομένων σας!
Τώρα, μπορείτε να αναλύσετε την τιμολόγηση ανά μονάδα με βάση τη μέτρηση bushel τους. Αν εκτυπώσετε τα δεδομένα μία ακόμη φορά, μπορείτε να δείτε πώς έχουν τυποποιηθεί.
Τώρα, μπορείτε να αναλύσετε την τιμολόγηση ανά μονάδα βάσει του μέτρηματός τους σε bushel. Αν εκτυπώσετε ξανά τα δεδομένα, μπορείτε να δείτε πώς έχουν τυποποιηθεί.
✅ Παρατηρήσατε ότι οι κολοκύθες που πωλούνται ανά μισό bushel είναι πολύ ακριβές; Μπορείτε να καταλάβετε γιατί; Υπόδειξη: οι μικρές κολοκύθες είναι πολύ πιο ακριβές από τις μεγάλες, πιθανώς επειδή υπάρχουν πολύ περισσότερες από αυτές ανά bushel, δεδομένου του αχρησιμοποίητου χώρου που καταλαμβάνει μία μεγάλη κολοκύθαγιαπίτα.
✅ Παρατηρήσατε ότι οι κολοκύθες που πωλούνται ως μισό bushel είναι πολύ ακριβές; Μπορείτε να καταλάβετε γιατί; Υπόδειξη: οι μικρές κολοκύθες είναι πολύ πιο ακριβές από τις μεγάλες, πιθανώς επειδή υπάρχουν πολύ περισσότερες από αυτές ανά bushel, λόγω του αχρησιμοποίητου χώρου που καταλαμβάνει μία μεγάλη κολοκύθα-πίτα.
## Στρατηγικές Οπτικοποίησης
Μέρος του ρόλου του επιστήμονα δεδομένων είναι να δείξει την ποιότητα και τη φύση των δεδομένων με τα οποία εργάζεται. Για να το κάνει αυτό, συχνά δημιουργεί ενδιαφέρουσες οπτικοποιήσεις, όπως διαγράμματα, γραφήματα και πίνακες, που δείχνουν διαφορετικές πτυχές των δεδομένων. Με αυτόν τον τρόπο, μπορεί να δείξει οπτικά σχέσεις και κενά που είναι δύσκολο να αποκαλυφθούν με άλλους τρόπους.
Μέρος του ρόλου του επιστήμονα δεδομένων είναι νααποδείξει την ποιότητα και τη φύση των δεδομένων με τα οποία εργάζεται. Για να το κάνουν αυτό, συχνά δημιουργούν ενδιαφέρουσες οπτικοποιήσεις, ή γραφήματα, διαγράμματα και πίνακες, που δείχνουν διαφορετικές πλευρές των δεδομένων. Με αυτόν τον τρόπο, μπορούν να δείξουν οπτικά σχέσεις και κενά που αλλιώς είναι δύσκολο να ανακαλυφθούν.
[](https://youtu.be/SbUkxH6IJo0 "ML για αρχάριους - Πώς ναοπτικοποιήσετε δεδομένα με το Matplotlib")
[](https://youtu.be/SbUkxH6IJo0 "ML για αρχάριους - Πώς ναΟπτικοποιήσετε Δεδομένα με το Matplotlib")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που δείχνει πώς να οπτικοποιήσετε τα δεδομέναγια αυτό το μάθημα.
> 🎥 Κάντε κλικ στην παραπάνω εικόναγια ένα σύντομο βίντεο που δείχνει την οπτικοποίηση των δεδομένωνγια αυτό το μάθημα.
Οι οπτικοποιήσεις μπορούν επίσης να βοηθήσουν στον προσδιορισμό της τεχνικής μηχανικής μάθησης που είναι πιο κατάλληλη για τα δεδομένα. Ένα scatterplot που φαίνεται να ακολουθεί μια γραμμή, για παράδειγμα, υποδεικνύει ότι τα δεδομένα είναι καλός υποψήφιος για μια άσκηση γραμμικής παλινδρόμησης.
Οι οπτικοποιήσεις μπορούν επίσης να βοηθήσουν στον καθορισμό της πιο κατάλληλης τεχνικής μηχανικής μάθησης για τα δεδομένα. Ένα διάγραμμα διασποράς που φαίνεται να ακολουθεί μια γραμμή, για παράδειγμα, δείχνει ότι τα δεδομένα είναι καλός υποψήφιος για άσκηση γραμμικής παλινδρόμησης.
Μια βιβλιοθήκη οπτικοποίησης δεδομένων που λειτουργεί καλά σε Jupyter notebooks είναι το [Matplotlib](https://matplotlib.org/) (το οποίο είδατε επίσης στο προηγούμενο μάθημα).
Μια βιβλιοθήκη οπτικοποίησης δεδομένων που λειτουργεί καλά σε σημειωματάρια Jupyter είναι το [Matplotlib](https://matplotlib.org/) (το οποίο είδατε επίσης στο προηγούμενο μάθημα).
> Αποκτήστε περισσότερη εμπειρία με την οπτικοποίηση δεδομένων σε [αυτά τα tutorials](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-77952-leestott).
> Αποκτήστε περισσότερη εμπειρία με την οπτικοποίηση δεδομένων σε [αυτά τα tutorial](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-77952-leestott).
## Άσκηση - πειραματιστείτε με το Matplotlib
Προσπαθήστε να δημιουργήσετε μερικά βασικά διαγράμματα γιανα εμφανίσετε το νέο dataframe που μόλις δημιουργήσατε. Τι θα έδειχνε ένα βασικό γραμμικό διάγραμμα;
Προσπαθήστε να δημιουργήσετε μερικά βασικά διαγράμματα γιανα εμφανίσετε το νέο dataframe που μόλις δημιουργήσατε. Τι θα έδειχνε ένα βασικό διάγραμμα γραμμής;
1. Εισαγάγετε το Matplotlib στην κορυφή του αρχείου, κάτω από την εισαγωγή του Pandas:
1. Εισάγετε το Matplotlib στην κορυφή του αρχείου, κάτω από την εισαγωγή του Pandas:
```python
import matplotlib.pyplot as plt
```
1. Εκτελέστε ξανά ολόκληρο το notebook γιανα ανανεωθεί.
1. Στο κάτω μέρος του notebook, προσθέστε ένα κελί γιανα σχεδιάσετε τα δεδομένα ως κουτί:
1. Εκτελέστε ξανά ολόκληρο το σημειωματάριο για ανανέωση.
1. Στο κάτω μέρος του σημειωματάριου, προσθέστε ένα κελί γιανα σχεδιάσετε τα δεδομένα ως κουτί:
```python
price = new_pumpkins.Price
@ -174,44 +174,120 @@ Infographic από [Dasani Madipalli](https://twitter.com/dasani_decoded)
plt.show()
```
Είναι αυτό ένα χρήσιμο διάγραμμα; Σας εκπλήσσει κάτι σχετικά με αυτό;
Είναι αυτό ένα χρήσιμο διάγραμμα; Σας εκπλήσσει κάτι σε αυτό;
Δεν είναι ιδιαίτερα χρήσιμο καθώς το μόνο που κάνει είναι να εμφανίζει τα δεδομένα σας ως μια διασπορά σημείων σε έναν δεδομένο μήνα.
Δεν είναι ιδιαίτερα χρήσιμο καθώς απλά εμφανίζει τα δεδομένα σας ως μια διασπορά σημείων σε έναν συγκεκριμένο μήνα.
### Κάντε το χρήσιμο
Για να εμφανιστούν χρήσιμα δεδομένα στα διαγράμματα, συνήθως πρέπει να ομαδοποιήσετε τα δεδομένα με κάποιον τρόπο. Ας προσπαθήσουμε να δημιουργήσουμε ένα διάγραμμα όπου ο άξονας y δείχνει τους μήνες και τα δεδομένα δείχνουν τη διανομή των δεδομένων.
Για να εμφανίσετε χρήσιμα δεδομένα στα διαγράμματα, συνήθως πρέπει να ομαδοποιήσετε τα δεδομένα με κάποιο τρόπο. Ας δοκιμάσουμε να δημιουργήσουμε ένα διάγραμμα όπου ο άξονας y δείχνει τους μήνες και τα δεδομένα δείχνουν την κατανομή τους.
1. Προσθέστε ένα κελί γιανα δημιουργήσετε ένα ομαδοποιημένο διάγραμμα στηλών:
1. Προσθέστε ένα κελί γιανα δημιουργήσετε ένα ομαδοποιημένο ραβδόγραμμα:
Αυτή είναι μια πιο χρήσιμη οπτικοποίηση δεδομένων! Φαίνεται να δείχνει ότι η υψηλότερη τιμή για τις κολοκύθες εμφανίζεται τον Σεπτέμβριο και τον Οκτώβρη. Συμφωνεί με τις προσδοκίες σας; Γιατί ή γιατί όχι;
## Άσκηση - πειραματιστείτε με το Seaborn
Το Matplotlib είναι ισχυρό, αλλά μπορεί να χρειαστεί αρκετός κώδικας γιανα παραχθεί ένα ολοκληρωμένο διάγραμμα. Το [Seaborn](https://seaborn.pydata.org/) είναι μια βιβλιοθήκη που έχει φτιαχτεί _πάνω από_ το Matplotlib και είναι σχεδιασμένη για στατιστική οπτικοποίηση δεδομένων. Λειτουργεί άμεσα με dataframes του Pandas, εφαρμόζει ελκυστικά προεπιλεγμένα στυλ και σας επιτρέπει να δημιουργήσετε ενημερωτικά διαγράμματα με πολύ λιγότερο κώδικα. Επειδή το Seaborn επιστρέφει αντικείμενα του Matplotlib, μπορείτε ακόμα να χρησιμοποιήσετε όσα ήδη γνωρίζετε για το Matplotlib γιανα βελτιώσετε το αποτέλεσμα.
> Αν δεν έχετε ήδη εγκαταστήσει το Seaborn, εγκαταστήστε το με `pip install seaborn`.
1. Εισάγετε το Seaborn στην κορυφή του σημειωματάριου, κάτω από τις άλλες εισαγωγές. Συμβατικά εισάγεται ως `sns`:
```python
import seaborn as sns
```
### Διαγράμματα διασποράς γιανα δείξετε σχέσεις
Ένα μεγάλο μέρος της εξερεύνησης των δεδομένων πριν από την κατασκευή μοντέλου είναι η αναζήτηση _σχέσεων_ μεταξύ μεταβλητών. Ένα [διάγραμμα διασποράς](https://en.wikipedia.org/wiki/Scatter_plot) είναι ένα από τα καλύτερα εργαλεία γι’ αυτό: αν τα σημεία φαίνονται να ακολουθούν μια γραμμή, οι δύο μεταβλητές μπορεί να είναι συσχετισμένες, κάτι που είναι σημάδι ότι ένα μοντέλο γραμμικής παλινδρόμησης μπορεί να λειτουργήσει.
1. Αναδημιουργήστε το διάγραμμα διασποράς τιμής προς μήνα από πριν, αυτή τη φορά χρησιμοποιώντας το [`relplot()`](https://seaborn.pydata.org/generated/seaborn.relplot.html) του Seaborn (διάγραμμα συσχέτισης), που λειτουργεί απευθείας με τις στήλες του dataframe σας:
Παρατηρήστε πώς περνάτε τα _ονόματα των στηλών_ και το dataframe, και το Seaborn φροντίζει για τις ετικέτες των αξόνων για εσάς.
2. Μπορείτε να αλλάξετε σε διάγραμμα γραμμής περνώντας `kind="line"`. Το Seaborn σχεδιάζει ακόμη και μια σκιασμένη ζώνη που δείχνει το διάστημα εμπιστοσύνης γύρω από τη γραμμή:
Αυτά τα συγκεκριμένα δεδομένα είναι αρκετά θορυβώδη, οπότε ένα διάγραμμα γραμμής δεν είναι η πιο καθαρή επιλογή εδώ — αλλά δείχνει πόσο εύκολα μπορείτε να αλλάξετε τύπους διαγραμμάτων στο Seaborn.
### Ραβδόγραμμα γιανα δείξετε κατανομές
Νωρίτερα ομαδοποιήσατε τα δεδομένα χειροκίνητα γιανα δημιουργήσετε ένα ραβδόγραμμα με το Matplotlib. Το [`catplot()`](https://seaborn.pydata.org/generated/seaborn.catplot.html) του Seaborn (κατηγοριοποιημένο διάγραμμα) μπορεί να κάνει την ομαδοποίηση και τη συσσωμάτωση για εσάς. Από προεπιλογή, `kind="bar"` δείχνει τον μέσο όρο κάθε κατηγορίας μαζί με μια μαύρη γραμμή που υποδεικνύει το διάστημα εμπιστοσύνης.
1. Δημιουργήστε ένα ραβδόγραμμα μέσης τιμής ανά μήνα:
Αυτό επιβεβαιώνει όσα είδατε με το Matplotlib — οι τιμές κορυφώνονται γύρω στους μήνες Σεπτέμβριο και Οκτώβριο — αλλά το Seaborn απεικονίζει επίσης πόσο _διαφέρει_ η τιμή μέσα σε κάθε μήνα.
### Θερμικοί χάρτες γιανα δείξουν συσχετίσεις
Τα διαγράμματα διασποράς συγκρίνουν δύο μεταβλητές κάθε φορά. Όταν έχετε αρκετές αριθμητικές στήλες, ένας [θερμικός χάρτης](https://en.wikipedia.org/wiki/Heat_map) σας επιτρέπει να δείτε τη δύναμη της σχέσης μεταξύ _κάθε_ ζεύγους στηλών ταυτόχρονα. Αυτός είναι ένας κοινός τρόπος να εντοπίσετε ποιες ιδιότητες είναι πιο συσχετισμένες πριν επιλέξετε τι θα δώσετε σε ένα μοντέλο (και ο ίδιος τύπος διαγράμματος χρησιμοποιείται αργότερα γιανα εμφανίσει πίνακες σύγχυσης στην ταξινόμηση).
1. Δημιουργήστε έναν πίνακα συσχέτισης με Pandas και μετά σχεδιάστε τον με το [`heatmap()`](https://seaborn.pydata.org/generated/seaborn.heatmap.html) του Seaborn. Η επιλογή `annot=True` εκτυπώνει τις τιμές συσχέτισης σε κάθε κελί:
Τιμές κοντά στο `1` (ή το `-1`) σημαίνουν ότι οι στήλες είναι ισχυρά _γραμμικά_ συσχετισμένες. Παρατηρήστε πώς οι`Χαμηλή Τιμή` και `Υψηλή Τιμή` σχετίζονται σχεδόν τέλεια. Από την άλλη πλευρά, ο`Μήνας` δείχνει μόνο ασθενή γραμμική συσχέτιση με την τιμή — παρόλο που το ραβδόγραμμα πιο πάνω αποκάλυψε μια σαφή εποχιακή κορύφωση τον Σεπτέμβριο και τον Οκτώβριο. Αυτό είναι ένα σημαντικό μάθημα: ο συντελεστής συσχέτισης μετρά μόνο _ευθείες_ σχέσεις, οπότε μπορεί να παραβλέψει εποχιακά ή άλλου τύπου μη γραμμικά μοτίβα. ✅ Γιατί είναι χρήσιμο να κοιτάμε τόσο έναν θερμικό χάρτη *όσο* και διαγράμματα όπως το ραβδόγραμμα πριν αποφασίσουμε ποιες στήλες θα χρησιμοποιήσουμε;
### Matplotlib ή Seaborn;
Καιοι δύο βιβλιοθήκες αξίζουν να τις γνωρίζετε:
- **Matplotlib** σας δίνει λεπτομερή έλεγχο σε κάθε στοιχείο ενός διαγράμματος και είναι η βάση πάνω στην οποία στηρίζεται σχεδόν κάθε άλλη βιβλιοθήκη γραφικών Python.
- **Seaborn** παρέχει λειτουργίες υψηλότερου επιπέδου και ελκυστικές προεπιλογές για στατιστικά διαγράμματα, δουλεύει απευθείας με dataframes και είναι συχνά πιο γρήγορο για εξερευνητική ανάλυση δεδομένων.
Αυτό είναι μια πιο χρήσιμη οπτικοποίηση δεδομένων! Φαίνεται να δείχνει ότι η υψηλότερη τιμή για τις κολοκύθες εμφανίζεται τον Σεπτέμβριο και τον Οκτώβριο. Ανταποκρίνεται αυτό στις προσδοκίες σας; Γιατί ή γιατί όχι;
Μια κοινή ροή εργασίας είναι να χρησιμοποιείτε το Seaborn γιανα εξερευνήσετε γρήγορα τα δεδομένα σας και μετά να περάσετε στο Matplotlib όταν χρειάζεται να προσαρμόσετε τις λεπτομέρειες.
---
## 🚀Πρόκληση
Εξερευνήστε τους διαφορετικούς τύπους οπτικοποίησης που προσφέρει το Matplotlib. Ποιοι τύποι είναι πιο κατάλληλοι για προβλήματα παλινδρόμησης;
Εξερευνήστε τους διάφορους τύπους οπτικοποίησης που προσφέρουν το Matplotlib και το Seaborn. Ποιοι τύποι είναι πιο κατάλληλοι για προβλήματα παλινδρόμησης;
## [Μετά το μάθημα quiz](https://ff-quizzes.netlify.app/en/ml/)
## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ml/)
## Ανασκόπηση & Αυτομελέτη
## Επανεξέταση & Αυτοδιδασκαλία
Ρίξτε μια ματιά στους πολλούς τρόπους οπτικοποίησης δεδομένων. Δημιουργήστε μια λίστα με τις διάφορες διαθέσιμες βιβλιοθήκες και σημειώστε ποιες είναι καλύτερες για συγκεκριμένους τύπους εργασιών, για παράδειγμα 2D οπτικοποιήσεις έναντι 3D οπτικοποιήσεων. Τι ανακαλύπτετε;
Ρίξτε μια ματιά στους πολλούς τρόπους οπτικοποίησης δεδομένων. Φτιάξτε μια λίστα με τις διάφορες διαθέσιμες βιβλιοθήκες και σημειώστε ποιες είναιοι καλύτερες για συγκεκριμένους τύπους εργασιών, για παράδειγμα 2D έναντι 3D οπτικοποιήσεων. Τι ανακαλύπτετε;
## Εργασία
[Εξερεύνηση οπ
[Εξερεύνηση της οπτικοποίησης](assignment.md)
---
**Αποποίηση ευθύνης**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
Η ομαδοποίηση είναι μια εργασία μηχανικής μάθησης που στοχεύει να βρει αντικείμενα που μοιάζουν μεταξύ τους και να τα ομαδοποιήσει σε ομάδες που ονομάζονται συστάδες. Αυτό που διαφοροποιεί την ομαδοποίηση από άλλες προσεγγίσεις στη μηχανική μάθηση είναι ότι όλα γίνονται αυτόματα. Στην πραγματικότητα, είναι δίκαιο να πούμε ότι είναι το αντίθετο της εποπτευόμενης μάθησης.
Η ομαδοποίηση είναι μια εργασία μηχανικής μάθησης όπου επιδιώκει να βρει αντικείμενα που μοιάζουν μεταξύ τους και να τα ομαδοποιήσει σε ομάδες που ονομάζονται συστάδες. Αυτό που διαφοροποιεί την ομαδοποίηση από άλλες προσεγγίσεις στη μηχανική μάθηση, είναι ότι τα πράγματα συμβαίνουν αυτόματα, στην πραγματικότητα, είναι δίκαιο να πούμε ότι είναι το αντίθετο της εποπτευόμενης μάθησης.
## Τοπικό θέμα: μοντέλα ομαδοποίησης για τις μουσικές προτιμήσεις του κοινού της Νιγηρίας 🎧
## Περιφερειακό θέμα: μοντέλα ομαδοποίησης για τη μουσική γεύση του νιγηριανού κοινού 🎧
Τοποικιλόμορφο κοινό της Νιγηρίας έχει ποικιλόμορφες μουσικές προτιμήσεις. Χρησιμοποιώντας δεδομένα που συλλέχθηκαν από το Spotify (εμπνευσμένα από [αυτό το άρθρο](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ας εξετάσουμε μερικά δημοφιλή τραγούδια στη Νιγηρία. Αυτό το σύνολο δεδομένων περιλαμβάνει πληροφορίες για διάφορα τραγούδια, όπως το σκορ 'danceability', την 'acousticness', την ένταση, την 'speechiness', τη δημοτικότητα και την ενέργεια. Θα είναι ενδιαφέρον να ανακαλύψουμε μοτίβα σε αυτά τα δεδομένα!
Τοδιαπολιτισμικό κοινό της Νιγηρίας έχει διαφορετικές μουσικές προτιμήσεις. Χρησιμοποιώντας δεδομένα που συλλέχθηκαν από το Spotify (ενέπνευσης [από αυτό το άρθρο](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421), ας δούμε μερικά δημοφιλή τραγούδια στη Νιγηρία. Αυτό το σύνολο δεδομένων περιλαμβάνει στοιχεία για τη «χορευτικότητα» (danceability), την «ακουστικότητα» (acousticness), την ένταση, την «ομιλητικότητα» (speechiness), τη δημοφιλία και την ενέργεια των διάφορων τραγουδιών. Θα είναι ενδιαφέρον να ανακαλύψουμε μοτίβα σε αυτά τα δεδομένα!
> Φωτογραφία από <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> στο <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Σε αυτή τη σειρά μαθημάτων, θα ανακαλύψετε νέους τρόπους ανάλυσης δεδομένων χρησιμοποιώντας τεχνικές ομαδοποίησης. Η ομαδοποίηση είναι ιδιαίτερα χρήσιμη όταν το σύνολο δεδομένων σας δεν έχει ετικέτες. Εάν έχει ετικέτες, τότε οι τεχνικές ταξινόμησης, όπως αυτές που μάθατε σε προηγούμενα μαθήματα, μπορεί να είναι πιο χρήσιμες. Αλλά σε περιπτώσεις όπου θέλετε να ομαδοποιήσετε δεδομένα χωρίς ετικέτες, η ομαδοποίηση είναι ένας εξαιρετικός τρόπος γιανα ανακαλύψετε μοτίβα.
Σε αυτή τη σειρά μαθημάτων, θα ανακαλύψετε νέους τρόπους ανάλυσης δεδομένων χρησιμοποιώντας τεχνικές ομαδοποίησης. Η ομαδοποίηση είναι ιδιαίτερα χρήσιμη όταν το σύνολο δεδομένων σας δεν έχει ετικέτες. Αν έχει ετικέτες, τότε τεχνικές ταξινόμησης όπως αυτές που μάθατε σε προηγούμενα μαθήματα μπορεί να είναι πιο χρήσιμες. Αλλά σε περιπτώσεις όπου θέλετε να ομαδοποιήσετε χωρίς ετικέτες δεδομένα, η ομαδοποίηση είναι ένας εξαιρετικός τρόπος γιανα ανακαλύψετε μοτίβα.
> Υπάρχουν χρήσιμα εργαλεία χαμηλού κώδικα που μπορούν να σας βοηθήσουν να μάθετε πώς να εργάζεστε με μοντέλα ομαδοποίησης. Δοκιμάστε [Azure ML για αυτήν την εργασία](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Υπάρχουν χρήσιμα εργαλεία με χαμηλό κώδικα που μπορούν να σας βοηθήσουν να μάθετε να εργάζεστε με μοντέλα ομαδοποίησης. Δοκιμάστε το [Azure ML για αυτή την εργασία](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Μαθήματα
1. [Εισαγωγή στην ομαδοποίηση](1-Visualize/README.md)
2. [Ομαδοποίηση K-Means](2-K-Means/README.md)
2. [Ομαδοποίηση με K-Means](2-K-Means/README.md)
## Πιστώσεις
## Πηγή
Αυτά τα μαθήματα γράφτηκαν με 🎶 από την [Jen Looper](https://www.twitter.com/jenlooper) με χρήσιμες κριτικές από τον [Rishit Dagli](https://rishit_dagli) και τον [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Αυτά τα μαθήματα γράφτηκαν με 🎶 από τη [Jen Looper](https://www.twitter.com/jenlooper) με χρήσιμες κριτικές από τους [Rishit Dagli](https://rishit_dagli/) και [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Το σύνολο δεδομένων [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) προήλθε από το Kaggle και συλλέχθηκε από το Spotify.
Το σύνολο δεδομένων [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) προέρχεται από το Kaggle και συλλέχθηκε από το Spotify.
Χρήσιμα παραδείγματα K-Means που βοήθησαν στη δημιουργία αυτού του μαθήματος περιλαμβάνουν αυτήν την [εξερεύνηση του iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), αυτό το [εισαγωγικό notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) και αυτό το [υποθετικό παράδειγμα ΜΚΟ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Χρήσιμα παραδείγματα K-Means που βοήθησαν στη δημιουργία αυτού του μαθήματος περιλαμβάνουν αυτή την [εξερεύνηση iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), αυτό το [εισαγωγικό σημειωματάριο](https://www.kaggle.com/prashant111/k-means-clustering-with-python) και αυτό το [υποθετικό παράδειγμα ΜΚΟ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Αποποίηση ευθύνης**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
Τώρα που έχετε εξερευνήσει το σύνολο δεδομένων λεπτομερώς, είναι ώρα να φιλτράρετε τις στήλες και να χρησιμοποιήσετε τεχνικές NLP στο σύνολο δεδομένων γιανα αποκτήσετε νέες πληροφορίες σχετικά με τα ξενοδοχεία.
Τώρα που έχετε εξερευνήσει το σύνολο δεδομένων λεπτομερώς, ήρθε η ώρα να φιλτράρετε τις στήλες και στη συνέχεια να χρησιμοποιήσετε τεχνικές NLP στο σύνολο δεδομένων γιανα αποκομίσετε νέες γνώσεις σχετικά με τα ξενοδοχεία.
Όπως πιθανώς έχετε παρατηρήσει, το σύνολο δεδομένων έχει κάποια προβλήματα. Ορισμένες στήλες είναι γεμάτες με άχρηστες πληροφορίες, ενώ άλλες φαίνονται λανθασμένες. Ακόμα κι αν είναι σωστές, δεν είναι σαφές πώς υπολογίστηκαν, και οι απαντήσεις δεν μπορούν να επαληθευτούν ανεξάρτητα μέσω των δικών σας υπολογισμών.
Όπως πιθανώς έχετε παρατηρήσει, το σύνολο δεδομένων έχει μερικά ζητήματα. Κάποιες στήλες είναι γεμάτες με άχρηστες πληροφορίες, άλλες φαίνονται λανθασμένες. Αν είναι σωστές, δεν είναι σαφές πώς υπολογίστηκαν, και οι απαντήσεις δεν μπορούν να επαληθευτούν ανεξάρτητα από τους δικούς σας υπολογισμούς.
## Άσκηση: Λίγη περισσότερη επεξεργασία δεδομένων
## Άσκηση: λίγη περισσότερη επεξεργασία δεδομένων
Καθαρίστε τα δεδομένα λίγο περισσότερο. Προσθέστε στήλες που θα είναι χρήσιμες αργότερα, αλλάξτε τις τιμές σε άλλες στήλες και διαγράψτε ορισμένες στήλες εντελώς.
Καθαρίστε τα δεδομένα λίγο περισσότερο. Προσθέστε στήλες που θα είναι χρήσιμες αργότερα, αλλάξτε τις τιμές σε άλλες στήλες και απορρίψτε εντελώς κάποιες στήλες.
1. Αρχική επεξεργασία στηλών
1. Διαγράψτε τις `lat` και `lng`
1. Απορρίψτε τις `lat` και `lng`
2. Αντικαταστήστε τις τιμές της `Hotel_Address` με τις εξής τιμές (αν η διεύθυνση περιέχει το όνομα της πόλης και της χώρας, αλλάξτε την ώστε να περιέχει μόνο την πόλη και τη χώρα).
2. Αντικαταστήστε τις τιμές της `Hotel_Address` με τις ακόλουθες τιμές (αν η διεύθυνση περιέχει το όνομα της πόλης και της χώρας, αλλάξτε την να είναι μόνο πόλη και χώρα).
Αυτές είναι οι μοναδικές πόλεις και χώρες στο σύνολο δεδομένων:
Αυτές είναι οι μόνες πόλεις και χώρες στο σύνολο δεδομένων:
Άμστερνταμ, Ολλανδία
@ -47,13 +47,13 @@
elif "Vienna" in row["Hotel_Address"]:
return "Vienna, Austria"
# Replace all the addresses with a shortened, more useful form
# Αντικαταστήστε όλες τις διευθύνσεις με μια συντομευμένη, πιο χρήσιμη μορφή
1. Απορρίψτε τη στήλη`Additional_Number_of_Scoring`
1. Αντικαταστήστε την `Total_Number_of_Reviews` με τον συνολικό αριθμό κριτικών για το συγκεκριμένο ξενοδοχείο που βρίσκονται πραγματικά στο σύνολο δεδομένων
1. Αντικαταστήστε το`Total_Number_of_Reviews` με το συνολικό αριθμό κριτικών για αυτό το ξενοδοχείο που υπάρχουν πραγματικά στο σύνολο δεδομένων
1. Αντικαταστήστε την `Average_Score` με τη δική μας υπολογισμένη βαθμολογία
1. Αντικαταστήστε το`Average_Score` με το δικό μας υπολογισμένο σκορ
1. Απορρίψτε τη στήλη`Total_Number_of_Reviews_Reviewer_Has_Given`
2. Κρατήστε την`Reviewer_Nationality`
2. Κρατήστε τη στήλη`Reviewer_Nationality`
### Στήλη Ετικετών
### Στήλες ετικετών
Η στήλη `Tag` είναι προβληματική καθώς είναι μια λίστα (σε μορφή κειμένου) αποθηκευμένη στη στήλη. Δυστυχώς, η σειρά και ο αριθμός των υποτμημάτων σε αυτή τη στήλη δεν είναι πάντα τα ίδια. Είναι δύσκολο για έναν άνθρωπο να εντοπίσει τις σωστές φράσεις που πρέπει να ενδιαφερθεί, επειδή υπάρχουν 515.000 γραμμές και 1427 ξενοδοχεία, και κάθε ένα έχει ελαφρώς διαφορετικές επιλογές που θα μπορούσε να επιλέξει ένας κριτικός. Εδώ είναι που το NLP διαπρέπει. Μπορείτε να σαρώσετε το κείμενο και να βρείτε τις πιο κοινές φράσεις και να τις μετρήσετε.
Η στήλη `Tag` είναι προβληματική καθώς είναι μια λίστα (σε μορφή κειμένου) αποθηκευμένη στη στήλη. Δυστυχώς η σειρά και ο αριθμός των υποτμημάτων σε αυτή τη στήλη δεν είναι πάντα ο ίδιος. Είναι δύσκολο για έναν άνθρωπο να εντοπίσει τις σωστές φράσεις που τον ενδιαφέρουν, επειδή υπάρχουν 515.000 σειρές, και 1427 ξενοδοχεία, και το καθένα έχει ελαφρώς διαφορετικές επιλογές που μπορεί να επιλέξει ένας αξιολογητής. Εδώ λάμπει το NLP. Μπορείτε να σαρώσετε το κείμενο και να βρείτε τις πιο κοινές φράσεις, και να τις μετρήσετε.
Δυστυχώς, δεν μας ενδιαφέρουν οι μεμονωμένες λέξεις, αλλά οι φράσεις πολλών λέξεων (π.χ. *Επαγγελματικό ταξίδι*). Η εκτέλεση ενός αλγορίθμου κατανομής συχνότητας φράσεων πολλών λέξεων σε τόσα δεδομένα (6762646 λέξεις) θα μπορούσε να πάρει εξαιρετικά πολύ χρόνο, αλλά χωρίς να κοιτάξετε τα δεδομένα, φαίνεται ότι είναι απαραίτητη δαπάνη. Εδώ είναι που η εξερευνητική ανάλυση δεδομένων είναι χρήσιμη, επειδή έχετε δει ένα δείγμα των ετικετών όπως `[' Επαγγελματικό ταξίδι ', ' Μοναχικός ταξιδιώτης ', ' Μονόκλινο δωμάτιο ', ' Έμεινε 5 νύχτες ', ' Υποβλήθηκε από κινητή συσκευή ']`, μπορείτε να αρχίσετε να ρωτάτε αν είναι δυνατόν να μειώσετε σημαντικά την επεξεργασία που πρέπει να κάνετε. Ευτυχώς, είναι - αλλά πρώτα πρέπει να ακολουθήσετε μερικά βήματα γιαναδιαπιστώσετε τις ετικέτες ενδιαφέροντος.
Δυστυχώς, δεν μας ενδιαφέρουν μονές λέξεις, αλλά πολύ-λέξεις φράσεις (π.χ. *Επαγγελματικό ταξίδι*). Η εκτέλεση ενός αλγορίθμου κατανομής συχνότητας πολύ-λέξεων σε τόσα δεδομένα (6762646 λέξεις) θα μπορούσε να πάρει πολύ χρόνο, αλλά χωρίς να δούμε τα δεδομένα, θα φαινόταν ότι αυτό είναι αναγκαία δαπάνη. Εδώ είναι χρήσιμη η εξερευνητική ανάλυση δεδομένων, γιατί έχετε δει ένα δείγμα από τις ετικέτες όπως `[' Business trip ', ' Solo traveler ', ' Single Room ', ' Stayed 5 nights ', ' Submitted from a mobile device ']`, μπορείτε να αρχίσετε να ρωτάτε αν είναι δυνατό να μειώσετε πολύ την επεξεργασία που πρέπει να κάνετε. Ευτυχώς, αυτό είναι δυνατό - αλλά πρώτα πρέπει να ακολουθήσετε μερικά βήματα γιαναπροσδιορίσετε τις ετικέτες που σας ενδιαφέρουν.
### Φιλτράρισμα ετικετών
Θυμηθείτε ότι ο στόχος του συνόλου δεδομένων είναι να προσθέσετε συναισθήματα και στήλες που θα σας βοηθήσουν να επιλέξετε το καλύτερο ξενοδοχείο (για εσάς ή ίσως για έναν πελάτη που σας αναθέτει να δημιουργήσετε ένα bot σύστασης ξενοδοχείου). Πρέπει να αναρωτηθείτε ανοι ετικέτες είναι χρήσιμες ή όχι στο τελικό σύνολο δεδομένων. Εδώ είναι μια ερμηνεία (αν χρειαζόσασταν το σύνολο δεδομένων για άλλους λόγους, διαφορετικές ετικέτες μπορεί να παραμείνουν/αφαιρεθούν από την επιλογή):
Θυμηθείτε ότι ο στόχος του συνόλου δεδομένων είναι να προσθέσει συναισθηματικές πληροφορίες και στήλες που θα σας βοηθήσουν να επιλέξετε το καλύτερο ξενοδοχείο (για εσάς ή ίσως για έναν πελάτη που σας ζητάει να δημιουργήσετε ένα bot σύστασης ξενοδοχείου). Πρέπει να αναρωτηθείτε ανοι ετικέτες είναι χρήσιμες ή όχι στο τελικό σύνολο δεδομένων. Εδώ είναι μια ερμηνεία (αν χρειάζεστε το σύνολο δεδομένων για άλλους λόγους, διαφορετικές ετικέτες μπορεί να παραμείνουν ή όχι στην επιλογή):
1. Ο τύπος ταξιδιού είναι σχετικός και πρέπει να παραμείνει
2. Ο τύπος της ομάδας επισκεπτών είναι σημαντικός και πρέπει να παραμείνει
3. Ο τύπος δωματίου, σουίτας ή στούντιο που έμεινε ο επισκέπτης είναι άσχετος (όλα τα ξενοδοχεία έχουν βασικά τα ίδια δωμάτια)
4. Η συσκευή από την οποία υποβλήθηκε η κριτική είναι άσχετη
5. Ο αριθμός των νυχτών που έμεινε ο κριτικός *θα μπορούσε*να είναι σχετικός αν αποδίδατε μεγαλύτερες διαμονές με το να τους αρέσει περισσότερο το ξενοδοχείο, αλλά είναι αμφίβολο και πιθανώς άσχετο
1. Ο τύπος ταξιδιού είναι σημαντικός και πρέπει να παραμείνει
2. Ο τύπος της ομάδας των καλεσμένων είναι σημαντικός και πρέπει να παραμείνει
3. Ο τύπος δωματίου, σουίτας ή στούντιο που διέμεινε ο καλεσμένος δεν είναι σχετικός (όλα τα ξενοδοχεία έχουν βασικά τα ίδια δωμάτια)
4. Η συσκευή από την οποία υποβλήθηκε η κριτική δεν είναι σχετική
5. Ο αριθμός των διανυκτερεύσεων που διέμεινε ο αξιολογητής *θα μπορούσε*να είναι σημαντικός αν συσχετίσετε μεγαλύτερες διαμονές με τη μεγαλύτερη αρέσκεια στο ξενοδοχείο, αλλά είναι απίθανο, και πιθανώς άσχετο
Συνοπτικά, **κρατήστε 2 είδη ετικετών και αφαιρέστε τις υπόλοιπες**.
Συνοψίζοντας, **κρατήστε 2 είδη ετικετών και αφαιρέστε τις υπόλοιπες**.
Πρώτα, δεν θέλετε να μετρήσετε τις ετικέτες μέχρι να είναι σε καλύτερη μορφή, οπότε αυτό σημαίνει να αφαιρέσετε τα τετράγωνα αγκύλες και τα εισαγωγικά. Μπορείτε να το κάνετε αυτό με διάφορους τρόπους, αλλά θέλετε τον πιο γρήγορο καθώς θα μπορούσε να πάρει πολύ χρόνο να επεξεργαστείτε πολλά δεδομένα. Ευτυχώς, το pandas έχει έναν εύκολο τρόπο να κάνετε κάθε ένα από αυτά τα βήματα.
Πρώτα, δεν θέλετε να μετρήσετε τις ετικέτες έως ότου είναι σε καλύτερη μορφή, που σημαίνει αφαίρεση των αγκύλων και των εισαγωγικών. Μπορείτε να το κάνετε με πολλούς τρόπους, αλλά θέλετε τον ταχύτερο γιατί θα μπορούσε να πάρει πολύ χρόνο επεξεργασίας πολλών δεδομένων. Ευτυχώς, το pandas έχει έναν εύκολο τρόπο να κάνετε κάθε ένα από αυτά τα βήματα.
Κάθε ετικέτα γίνεται κάτι σαν: `Επαγγελματικό ταξίδι, Μοναχικός ταξιδιώτης, Μονόκλινο δωμάτιο, Έμεινε 5 νύχτες, Υποβλήθηκε από κινητή συσκευή`.
Στη συνέχεια βρίσκουμε ένα πρόβλημα. Ορισμένες κριτικές ή γραμμές έχουν 5 στήλες, άλλες 3, άλλες 6. Αυτό είναι αποτέλεσμα του πώς δημιουργήθηκε το σύνολο δεδομένων και δύσκολο να διορθωθεί. Θέλετε να πάρετε μια καταμέτρηση συχνότητας κάθε φράσης, αλλά είναι σε διαφορετική σειρά σε κάθε κριτική, οπότε η καταμέτρηση μπορεί να είναι λανθασμένη και ένα ξενοδοχείο μπορεί να μην πάρει μια ετικέτα που του άξιζε.
Αντίνα το διορθώσετε, θα χρησιμοποιήσετε τη διαφορετική σειρά προς όφελός μας, επειδή κάθε ετικέτα είναι πολλών λέξεων αλλά επίσης χωρίζεται με κόμμα! Ο απλούστερος τρόπος να το κάνετε αυτό είναι να δημιουργήσετε 6 προσωρινές στήλες με κάθε ετικέτα να εισάγεται στη στήλη που αντιστοιχεί στη σειρά της ετικέτας. Στη συνέχεια μπορείτενα συγχωνεύσετε τις 6 στήλες σε μία μεγάλη στήλη και να εκτελέσετε τη μέθοδο `value_counts()` στη resulting στήλη. Εκτυπώνοντας αυτό, θα δείτε ότι υπήρχαν 2428 μοναδικές ετικέτες. Εδώ είναι ένα μικρό δείγμα:
| Ετικέτα | Καταμέτρηση |
| ------------------------------ | ----------- |
| Ταξίδι αναψυχής | 417778 |
| Υποβλήθηκε από κινητή συσκευή | 307640 |
| Ζευγάρι | 252294 |
| Έμεινε 1 νύχτα | 193645 |
| Έμεινε 2 νύχτες | 133937 |
| Μοναχικός ταξιδιώτης | 108545 |
| Έμεινε 3 νύχτες | 95821 |
| Επαγγελματικό ταξίδι | 82939 |
| Ομάδα | 65392 |
| Οικογένεια με μικρά παιδιά | 61015 |
| Έμεινε 4 νύχτες | 47817 |
| Δίκλινο δωμάτιο | 35207 |
| Standard Δίκλινο δωμάτιο | 32248 |
| Superior Δίκλινο δωμάτιο | 31393 |
| Οικογένεια με μεγαλύτερα παιδιά | 26349 |
| Deluxe Δίκλινο δωμάτιο | 24823 |
| Δίκλινο ή Twin δωμάτιο | 22393 |
| Έμεινε 5 νύχτες | 20845 |
| Standard Δίκλινο ή Twin δωμάτιο | 17483 |
| Classic Δίκλινο δωμάτιο | 16989 |
| Superior Δίκλινο ή Twin δωμάτιο | 13570 |
| 2 δωμάτια | 12393 |
Ορισμένες από τις κοινές ετικέτες όπως `Υποβλήθηκε από κινητή συσκευή` δεν μας είναι χρήσιμες, οπότε ίσως είναι έξυπνο να τις αφαιρέσουμε πριν μετρήσουμε την εμφάνιση φράσεων, αλλά είναι τόσο γρήγορη λειτουργία που μπορείτε να τις αφήσετε και να τις αγνοήσετε.
### Αφαίρεση ετικετών διάρκειας διαμονής
Η αφαίρεση αυτών των ετικετών είναι το πρώτο βήμα, μειώνει τον συνολικό αριθμό ετικετών που πρέπει να ληφθούν υπόψη ελαφρώς. Σημειώστε ότι δεν τις αφαιρείτε από το σύνολο δεδομένων, απλώς επιλέγετε να τις αφαιρέσετε από την εξέταση ως τιμές γιακαταμέτρηση/διατήρηση στο σύνολο δεδομένων κριτικών.
| Διάρκεια διαμονής | Καταμέτρηση |
| ----------------- | ----------- |
| Έμεινε 1 νύχτα | 193645 |
| Έμεινε 2 νύχτες | 133937 |
| Έμεινε 3 νύχτες | 95821 |
| Έμεινε 4 νύχτες | 47817 |
| Έμεινε 5 νύχτες | 20845 |
| Έμεινε 6 νύχτες | 9776 |
| Έμεινε 7 νύχτες | 7399 |
| Έμεινε 8 νύχτες | 2502 |
| Έμεινε 9 νύχτες | 1293 |
| ... | ... |
Υπάρχει μια τεράστια ποικιλία δωματίων, σουιτών, στούντιο, διαμερισμάτων και ούτω καθεξής. Όλα σημαίνουν περίπου το ίδιο πράγμα και δεν είναι σχετικά για εσάς, οπότε αφαιρέστε τα από την εξέταση.
| Τύπος δωματίου | Καταμέτρηση |
| ---------------------------- | ----------- |
| Δίκλινο δωμάτιο | 35207 |
| Standard Δίκλινο δωμάτιο | 32248 |
| Superior Δίκλινο δωμάτιο | 31393 |
| Deluxe Δίκλινο δωμάτιο | 24823 |
| Δίκλινο ή Twin δωμάτιο | 22393 |
| Standard Δίκλινο ή Twin δωμάτιο | 17483 |
| Classic Δίκλινο δωμάτιο | 16989 |
| Superior Δίκλινο ή Twin δωμάτιο | 13570 |
Τέλος, και αυτό είναι ευχάριστο (επειδή δεν χρειάστηκε πολλή επεξεργασία), θα μείνετε με τις εξής *χρήσιμες* ετικέτες:
| Ομάδα (συνδυασμένο με Ταξιδιώτες με φίλους) | 67535 |
| Οικογένεια με μικρά παιδιά | 61015 |
| Οικογένεια με μεγαλύτερα παιδιά | 26349 |
| Με κατοικίδιο | 1405 |
Θα μπορούσατε ναυποστηρίξετε ότι το `Ταξιδιώτες με φίλους` είναι το ίδιο με το `Ομάδα` λίγο πολύ, και θα ήταν δίκαιο να τα συνδυάσετε όπως παραπάνω. Ο κώδικας για την αναγνώριση των σωστών ετικετών βρίσκεται στο [notebook Ετικετών](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb).
Το τελικό βήμα είναι να δημιουργήσετε νέες στήλες για κάθε μία από αυτές τις ετικέτες. Στη συνέχεια, για κάθε γραμμή κριτικής, αν η στήλη `Tag` ταιριάζει με μία από τις νέες στήλες, προσθέστε 1, αν όχι, προσθέστε 0. Το τελικό αποτέλεσμα θα είναι μια καταμέτρηση του πόσοι κριτικοί επέλεξαν αυτό το ξενοδοχείο (συνολικά) για, π.χ., επαγγελματικό ταξίδι έναντι ταξιδιού αναψυχής ή γιανα φέρουν κατοικίδιο, και αυτές είναι χρήσιμες πληροφορίες όταν προτείνετε ένα ξενοδοχείο.
Κάθε ετικέτα γίνεται κάτι σαν: `Business trip, Solo traveler, Single Room, Stayed 5 nights, Submitted from a mobile device`.
Στη συνέχεια βρίσκουμε ένα πρόβλημα. Κάποιες κριτικές ή σειρές έχουν 5 στήλες, άλλες 3, άλλες 6. Αυτό είναι αποτέλεσμα του πώς δημιουργήθηκε το σύνολο δεδομένων, και είναι δύσκολο να διορθωθεί. Θέλετε να πάρετε μια καταμέτρηση συχνότητας κάθε φράσης, αλλά είναι σε διαφορετική σειρά σε κάθε κριτική, οπότε η καταμέτρηση μπορεί να είναι λάθος, και ένα ξενοδοχείο μπορεί να μην πάρει μια ετικέτα που δικαιούται.
Αντίθετα, θα χρησιμοποιήσετε τη διαφορετική σειρά προς όφελός μας, γιατί κάθε ετικέτα είναι πολυλεκτική αλλά επίσης διαχωρίζεται με κόμμα! Ο πιο απλός τρόπος να το κάνετε είναι να δημιουργήσετε 6 προσωρινές στήλες με κάθε ετικέτα να εισάγεται στη στήλη που αντιστοιχεί στη θέση της στην ετικέτα. Μπορείτε έπειτανα συγχωνεύσετε τις 6 στήλες σε μία μεγάλη στήλη και να εκτελέσετε τη μέθοδο `value_counts()` στη στήλη αυτή. Τυπώνοντας αυτό, θα δείτε ότι υπήρχαν 2428 μοναδικές ετικέτες. Εδώ είναι ένα μικρό δείγμα:
| Ετικέτα | Αριθμός |
| ---------------------------- | -------- |
| Leisure trip | 417778 |
| Submitted from a mobile device | 307640 |
| Couple | 252294 |
| Stayed 1 night | 193645 |
| Stayed 2 nights | 133937 |
| Solo traveler | 108545 |
| Stayed 3 nights | 95821 |
| Business trip | 82939 |
| Group | 65392 |
| Family with young children | 61015 |
| Stayed 4 nights | 47817 |
| Double Room | 35207 |
| Standard Double Room | 32248 |
| Superior Double Room | 31393 |
| Family with older children | 26349 |
| Deluxe Double Room | 24823 |
| Double or Twin Room | 22393 |
| Stayed 5 nights | 20845 |
| Standard Double or Twin Room | 17483 |
| Classic Double Room | 16989 |
| Superior Double or Twin Room | 13570 |
| 2 rooms | 12393 |
Κάποιες από τις κοινές ετικέτες όπως το `Submitted from a mobile device` δεν μας είναι χρήσιμες, γι' αυτό ίσως είναι σοφό να αφαιρεθούν πριν μετρηθεί η εμφάνιση φράσεων, αλλά είναι τόσο γρήγορη λειτουργία που μπορείτε να τις κρατήσετε και να τις αγνοήσετε.
### Αφαίρεση ετικετών με διάρκεια διαμονής
Η αφαίρεση αυτών των ετικετών είναι το πρώτο βήμα, μειώνει ελαφρώς το συνολικό αριθμό των ετικετών που θα εξεταστούν. Σημειώστε ότι δεν τις αφαιρείτε από το σύνολο δεδομένων, απλώς επιλέγετε να τις αφαιρέσετε από την εξέταση ως τιμές γιαμέτρηση/συντήρηση στο σύνολο δεδομένων των κριτικών.
| Διάρκεια διαμονής | Αριθμός |
| ------------------ | -------- |
| Stayed 1 night | 193645 |
| Stayed 2 nights | 133937 |
| Stayed 3 nights | 95821 |
| Stayed 4 nights | 47817 |
| Stayed 5 nights | 20845 |
| Stayed 6 nights | 9776 |
| Stayed 7 nights | 7399 |
| Stayed 8 nights | 2502 |
| Stayed 9 nights | 1293 |
| ... | ... |
Υπάρχει μεγάλη ποικιλία δωματίων, σουιτών, στούντιο, διαμερισμάτων κτλ. Όλα σημαίνουν περίπου το ίδιο και δεν είναι σημαντικά για εσάς, οπότε αφαιρέστε τα από την εξέταση.
| Τύπος δωματίου | Αριθμός |
| -------------------------- | ------- |
| Double Room | 35207 |
| Standard Double Room | 32248 |
| Superior Double Room | 31393 |
| Deluxe Double Room | 24823 |
| Double or Twin Room | 22393 |
| Standard Double or Twin Room | 17483 |
| Classic Double Room | 16989 |
| Superior Double or Twin Room | 13570 |
Τέλος, και αυτό είναι ευχάριστο (επειδή δεν πήρε σχεδόν καθόλου επεξεργασία), θα μείνετε με τις ακόλουθες *χρήσιμες* ετικέτες:
| Group (συνδυασμένο με Travellers with friends) | 67535 |
| Family with young children | 61015 |
| Family with older children | 26349 |
| With a pet | 1405 |
Θα μπορούσατε ναπείτε ότι το `Travellers with friends` είναι το ίδιο με το `Group` κατά προσέγγιση, και θα ήταν δίκαιο να συνδυάσετε τα δύο όπως παραπάνω. Ο κώδικας για τον εντοπισμό των σωστών ετικετών βρίσκεται [στο σημειωματάριο Tags](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb).
Το τελευταίο βήμα είναι να δημιουργήσετε νέες στήλες για κάθε μία από αυτές τις ετικέτες. Στη συνέχεια, για κάθε σειρά κριτικής, αν η στήλη `Tag` ταιριάζει με μία από τις νέες στήλες, προσθέστε 1, αν όχι, προσθέστε 0. Το τελικό αποτέλεσμα θα είναι ένας αριθμός που δείχνει πόσοι αξιολογητές επέλεξαν αυτό το ξενοδοχείο (συνολικά) για, π.χ., επαγγελματικό ταξίδι έναντι αναψυχής, ή γιανα φέρουν ένα κατοικίδιο, και αυτή είναι χρήσιμη πληροφορία κατά την πρόταση ξενοδοχείου.
```python
# Process the Tags into new columns
# The file Hotel_Reviews_Tags.py, identifies the most important tags
# Leisure trip, Couple, Solo traveler, Business trip, Group combined with Travelers with friends,
# Family with young children, Family with older children, With a pet
# Επεξεργασία των Ετικετών σε νέες στήλες
# Το αρχείο Hotel_Reviews_Tags.py, εντοπίζει τις πιο σημαντικές ετικέτες
# Ταξίδι αναψυχής, Ζευγάρι, Μόνος ταξιδιώτης, Επαγγελματικό ταξίδι, Ομάδα σε συνδυασμό με Ταξιδιώτες με φίλους,
# Οικογένεια με μικρά παιδιά, Οικογένεια με μεγαλύτερα παιδιά, Με κατοικίδιο
df["Leisure_trip"] = df.Tags.apply(lambda tag: 1 if "Leisure trip" in tag else 0)
df["Couple"] = df.Tags.apply(lambda tag: 1 if "Couple" in tag else 0)
df["Solo_traveler"] = df.Tags.apply(lambda tag: 1 if "Solo traveler" in tag else 0)
@ -230,16 +230,16 @@ df["With_a_pet"] = df.Tags.apply(lambda tag: 1 if "With a pet" in tag else 0)
# Finally remember to save the hotel reviews with new NLP data added
# Τελικά θυμηθείτε να αποθηκεύσετε τις κριτικές ξενοδοχείων με τα νέα δεδομένα NLP που προστέθηκαν
print("Saving results to Hotel_Reviews_NLP.csv")
df.to_csv(r'../data/Hotel_Reviews_NLP.csv', index = False)
```
### Αφαίρεση λέξεων-σταματημάτων
### Αφαίρεση στοπ λέξεων
Αν εκτελούσατε ανάλυση συναισθημάτων στις στήλες αρνητικής και θετικής κριτικής, θα μπορούσε να πάρει πολύ χρόνο. Δοκιμασμένο σε ένα ισχυρό laptop με γρήγορη CPU
Το NLTK παρέχει διάφορους αναλυτές συναισθημάτων γιανα μάθετε, και μπορείτε να τους αντικαταστήσετε και να δείτε αν η ανάλυση συναισθημάτων είναι πιο ή λιγότερο ακριβής. Εδώ χρησιμοποιείται η ανάλυση συναισθημάτων VADER.
Αν εκτελούσατε ανάλυση συναισθήματος στις αρνητικές και θετικές στήλες κριτικής, θα μπορούσε να πάρει πολύ χρόνο. Δοκιμασμένο σε ισχυρό φορητό με γρήγορο CPU, πήρε 12 - 14 λεπτά ανάλογα με τη βιβλιοθήκη συναισθήματος που χρησιμοποιήθηκε. Αυτός είναι (σχετικά) μεγάλος χρόνος, οπότε αξίζει να εξεταστεί αν μπορεί να επιταχυνθεί.
> Hutto, C.J. & Gilbert, E.E. (2014). VADER: Ένα Οικονομικό Μοντέλο Βασισμένο σε Κανόνες για Ανάλυση Συναισθημάτων Κειμένου Κοινωνικών Μέσων. Όγδοο Διεθνές Συνέδριο για Weblogs και Κοινωνικά Μέσα (ICWSM-14). Ann Arbor, MI, Ιούνιος 2014.
Η αφαίρεση στοπ λέξεων, ή κοινών αγγλικών λέξεων που δεν αλλάζουν το συναίσθημα μιας πρότασης, είναι το πρώτο βήμα. Αφαιρώντας τις, η ανάλυση συναισθήματος πρέπει να εκτελεστεί πιο γρήγορα, χωρίς όμως να γίνει λιγότερο ακριβής (καθώς οι στοπ λέξεις δεν επηρεάζουν το συναίσθημα, αλλά επιβραδύνουν την ανάλυση).
Η μεγαλύτερη αρνητική κριτική ήταν 395 λέξεις, αλλά μετά την αφαίρεση των στοπ λέξεων, έχει 195 λέξεις.
Η αφαίρεση των στοπ λέξεων είναι επίσης μια γρήγορη λειτουργία, η αφαίρεση τους από 2 στήλες κριτικών σε 515.000 σειρές πήρε 3.3 δευτερόλεπτα στη συσκευή δοκιμών. Θα μπορούσε να πάρει λίγο περισσότερο ή λιγότερο χρόνο αναλόγως τη CPU, τη μνήμη RAM, αν έχετε SSD ή όχι, και άλλους παράγοντες. Η σχετικά μικρή διάρκεια της λειτουργίας σημαίνει ότι αν βελτιώσει τον χρόνο ανάλυσης συναισθήματος, αξίζει να γίνει.
```python
from nltk.corpus import stopwords
# Φόρτωση των αξιολογήσεων του ξενοδοχείου από CSV
Τώρα πρέπει να υπολογίσετε την ανάλυση συναισθήματος και για τις δύο στήλες αρνητικών και θετικών κριτικών, και να αποθηκεύσετε το αποτέλεσμα σε 2 νέες στήλες. Η δοκιμή του συναισθήματος θα είναι να το συγκρίνετε με το σκορ του αξιολογητή για την ίδια κριτική. Για παράδειγμα, αν η ανάλυση σκέφτεται ότι η αρνητική κριτική είχε συναίσθημα 1 (εξαιρετικά θετικό συναίσθημα) και η θετική κριτική επίσης 1, αλλά ο αξιολογητής έδωσε το χαμηλότερο σκορ στο ξενοδοχείο, τότε είτε το κείμενο της κριτικής δεν ταιριάζει με το σκορ, είτε ο αναλυτής συναισθήματος δεν αναγνώρισε σωστά το συναίσθημα. Πρέπει να περιμένετε κάποιους λανθασμένους βαθμούς συναισθήματος, και συχνά αυτό θα μπορεί να εξηγηθεί, π.χ. η κριτική μπορεί να είναι εξαιρετικά σαρκαστική "Φυσικά ΑΓΑΠΗΣΑ να κοιμάμαι σε δωμάτιο χωρίς θέρμανση" και ο αναλυτής συναισθήματος να θεωρεί ότι αυτό είναι θετικό συναίσθημα, ενώ ένας άνθρωπος διαβάζοντάς το θα καταλάβαινε ότι είναι σαρκασμός.
Η NLTK παρέχει διάφορους αναλυτές συναισθήματος για εκμάθηση, και μπορείτε να τους αντικαταστήσετε και να δείτε αν το συναίσθημα είναι πιο ή λιγότερο ακριβές. Εδώ χρησιμοποιείται η ανάλυση συναισθήματος VADER.
> Hutto, C.J. & Gilbert, E.E. (2014). VADER: Ένα Λιτό Μοντέλο Βασισμένο σε Κανόνες για Ανάλυση Συναισθήματος Κειμένων Κοινωνικών Μέσων. Όγδοο Διεθνές Συνέδριο για Ιστότοπους και Κοινωνικά Μέσα (ICWSM-14). Ann Arbor, MI, Ιούνιος 2014.
```python
from nltk.sentiment.vader import SentimentIntensityAnalyzer
# Create the vader sentiment analyser (there are others in NLTK you can try too)
# Δημιουργήστε τον αναλυτή συναισθημάτων vader (υπάρχουν και άλλοι στο NLTK που μπορείτε να δοκιμάσετε επίσης)
vader_sentiment = SentimentIntensityAnalyzer()
# Hutto, C.J. & Gilbert, E.E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. Eighth International Conference on Weblogs and Social Media (ICWSM-14). Ann Arbor, MI, June 2014.
# Hutto, C.J. & Gilbert, E.E. (2014). VADER: Ένα λιτό μοντέλο βασισμένο σε κανόνες για την ανάλυση συναισθημάτων κειμένου στα μέσα κοινωνικής δικτύωσης. Όγδοο Διεθνές Συνέδριο για τα Ιστολόγια και τα Μέσα Κοινωνικής Δικτύωσης (ICWSM-14). Αν Άρμπορ, MI, Ιούνιος 2014.
# There are 3 possibilities of input for a review:
# It could be "No Negative", in which case, return 0
# It could be "No Positive", in which case, return 0
# It could be a review, in which case calculate the sentiment
# Υπάρχουν 3 πιθανότητες εισόδου για μια αξιολόγηση:
# Μπορεί να είναι "Καμία Αρνητική", οπότε επιστρέψτε 0
# Μπορεί να είναι "Καμία Θετική", οπότε επιστρέψτε 0
# Μπορεί να είναι μια αξιολόγηση, οπότε υπολογίστε το συναίσθημα
def calc_sentiment(review):
if review == "No Negative" or review == "No Positive":
Αυτό διαρκεί περίπου 120 δευτερόλεπτα στον υπολογιστή μου, αλλά θα διαφέρει σε κάθε υπολογιστή. Εάν θέλετε να εκτυπώσετε τα αποτελέσματα και να δείτε αν τα συναισθήματα ταιριάζουν με την κριτική:
Αυτό διαρκεί περίπου 120 δευτερόλεπτα στον υπολογιστή μου, αλλά θα διαφέρει σε κάθε υπολογιστή. Αν θέλετε να εκτυπώσετε τα αποτελέσματα και να δείτε αν το συναίσθημα ταιριάζει με την κριτική:
Το τελευταίο πράγμα που πρέπει να κάνετε με το αρχείο πριν το χρησιμοποιήσετε στην πρόκληση, είναι να το αποθηκεύσετε! Θα πρέπει επίσης να σκεφτείτε να αναδιατάξετε όλες τις νέες στήλες σας ώστε να είναι εύκολες στη χρήση (για έναν άνθρωπο, είναι μια αισθητική αλλαγή).
```python
# Reorder the columns (This is cosmetic, but to make it easier to explore the data later)
# Αναδιάταξη των στηλών (Αυτό είναι απλώς αισθητικό, αλλά γιανα διευκολυνθεί η εξερεύνηση των δεδομένων αργότερα)
df.to_csv(r"../data/Hotel_Reviews_NLP.csv", index = False)
```
Θα πρέπει να εκτελέσετε ολόκληρο τον κώδικα για [το σημειωματάριο ανάλυσης](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) (αφού έχετε εκτελέσει [το σημειωματάριο φιλτραρίσματος](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) γιανα δημιουργήσετε το αρχείο Hotel_Reviews_Filtered.csv).
Πρέπει να εκτελέσετε ολόκληρο τον κώδικα για [το σημειωματάριο ανάλυσης](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) (αφού έχετε εκτελέσει [το σημειωματάριο φιλτραρίσματος](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) γιανα δημιουργήσετε το αρχείο Hotel_Reviews_Filtered.csv).
Για ναανακεφαλαιώσουμε, τα βήματα είναι:
Για ναεπανεξετάσουμε, τα βήματα είναι:
1. Το αρχικό αρχείο δεδομένων **Hotel_Reviews.csv** εξετάζεται στο προηγούμενο μάθημα με [το σημειωματάριο εξερεύνησης](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/4-Hotel-Reviews-1/solution/notebook.ipynb)
2. Το Hotel_Reviews.csv φιλτράρεται από [το σημειωματάριο φιλτραρίσματος](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) και προκύπτει το **Hotel_Reviews_Filtered.csv**
3. Το Hotel_Reviews_Filtered.csv επεξεργάζεται από [το σημειωματάριο ανάλυσης συναισθημάτων](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) και προκύπτει το **Hotel_Reviews_NLP.csv**
4. Χρησιμοποιήστε το Hotel_Reviews_NLP.csv στην πρόκληση NLP παρακάτω
1. Το αρχείο γνήσιου συνόλου δεδομένων **Hotel_Reviews.csv** εξετάζεται στο προηγούμενο μάθημα με [το σημειωματάριο εξερεύνησης](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/4-Hotel-Reviews-1/solution/notebook.ipynb)
2. Το Hotel_Reviews.csv φιλτράρεται με [το σημειωματάριο φιλτραρίσματος](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) με αποτέλεσμα το **Hotel_Reviews_Filtered.csv**
3. Το Hotel_Reviews_Filtered.csv επεξεργάζεται με [το σημειωματάριο ανάλυσης συναισθήματος](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) με αποτέλεσμα το **Hotel_Reviews_NLP.csv**
4. Χρησιμοποιήστε το Hotel_Reviews_NLP.csv στην παρακάτω NLP Πρόκληση
### Συμπέρασμα
Όταν ξεκινήσατε, είχατε ένα σύνολο δεδομένων με στήλες και δεδομένα, αλλά δεν μπορούσαν όλα να επαληθευτούν ή να χρησιμοποιηθούν. Εξερευνήσατε τα δεδομένα, φιλτράρατε ό,τι δεν χρειαζόταν, μετατρέψατε ετικέτες σε κάτι χρήσιμο, υπολογίσατε τους δικούς σας μέσους όρους, προσθέσατε κάποιες στήλες συναισθημάτων και, ελπίζουμε, μάθατε ενδιαφέροντα πράγματα για την επεξεργασία φυσικού κειμένου.
Όταν ξεκινήσατε, είχατε ένα σύνολο δεδομένων με στήλες και δεδομένα αλλά δεν ήταν όλα επαληθεύσιμα ή χρήσιμα. Εξερευνήσατε τα δεδομένα, φιλτράρατε ό,τι δεν χρειάζεστε, μετατρέψατε τις ετικέτες σε κάτι χρήσιμο, υπολογίσατε τους δικούς σας μέσους όρους, προσθέσατε μερικές στήλες συναισθήματος και ελπίζουμε, μάθατε μερικά ενδιαφέροντα πράγματα για την επεξεργασία φυσικού κειμένου.
## [Κουίζ μετά το μάθημα](https://ff-quizzes.netlify.app/en/ml/)
## [Εξέταση μετά το μάθημα](https://ff-quizzes.netlify.app/en/ml/)
## Πρόκληση
Τώρα που έχετε αναλύσει το σύνολο δεδομένων σας για συναισθήματα, δείτε αν μπορείτε να χρησιμοποιήσετε στρατηγικές που έχετε μάθει σε αυτό το πρόγραμμα σπουδών (ίσως clustering;) γιανα προσδιορίσετε μοτίβα γύρω από τα συναισθήματα.
## Ανασκόπηση & Αυτομελέτη
Τώρα που έχετε αναλύσει το σύνολο δεδομένων σας για συναίσθημα, δοκιμάστε αν μπορείτε να χρησιμοποιήσετε στρατηγικές που έχετε μάθει σε αυτό το πρόγραμμα σπουδών (ίσως ομαδοποίηση;) γιανα εντοπίσετε πρότυπα γύρω από το συναίσθημα.
Πάρτε [αυτό το Learn module](https://docs.microsoft.com/en-us/learn/modules/classify-user-feedback-with-the-text-analytics-api/?WT.mc_id=academic-77952-leestott) γιανα μάθετε περισσότερα και να χρησιμοποιήσετε διαφορετικά εργαλεία γιανα εξερευνήσετε τα συναισθήματα στο κείμενο.
## Ανασκόπηση & Αυτοεκπαίδευση
## Εργασία
Πάρτε [αυτό το μάθημα του Learn](https://docs.microsoft.com/en-us/learn/modules/classify-user-feedback-with-the-text-analytics-api/?WT.mc_id=academic-77952-leestott) γιανα μάθετε περισσότερα και να χρησιμοποιήσετε διάφορα εργαλεία γιανα εξερευνήσετε το συναίσθημα στο κείμενο.
## Αποστολή
[Δοκιμάστε ένα διαφορετικό σύνολο δεδομένων](assignment.md)
---
**Αποποίηση ευθύνης**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
Τι είναι η πρόβλεψη χρονοσειρών; Πρόκειται για την πρόβλεψη μελλοντικών γεγονότων μέσω της ανάλυσης των τάσεων του παρελθόντος.
## Περιφερειακό θέμα: παγκόσμια χρήση ηλεκτρικής ενέργειας ✨
## Περιφερειακό θέμα: παγκόσμια χρήση ηλεκτρισμού ✨
Σε αυτά τα δύο μαθήματα, θα εισαχθείτε στην πρόβλεψη χρονοσειρών, μια σχετικά λιγότερο γνωστή περιοχή της μηχανικής μάθησης που είναι ωστόσο εξαιρετικά πολύτιμηγια βιομηχανικές και επιχειρηματικές εφαρμογές, μεταξύ άλλων πεδίων. Παρόλο που τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν για την ενίσχυση της χρησιμότητας αυτών των μοντέλων, θα τα μελετήσουμε στο πλαίσιο της κλασικής μηχανικής μάθησης, καθώς τα μοντέλα βοηθούν στην πρόβλεψη της μελλοντικής απόδοσης βάσει του παρελθόντος.
Σε αυτά τα δύο μαθήματα, θα εισαχθείτε στην πρόβλεψη χρονοσειρών, έναν σχετικά άγνωστο τομέα της μηχανικής μάθησης που ωστόσο είναι εξαιρετικά πολύτιμοςγια βιομηχανικές και επιχειρηματικές εφαρμογές, μεταξύ άλλων πεδίων. Ενώ τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν για την ενίσχυση της χρησιμότητας αυτών των μοντέλων, θα τα μελετήσουμε στο πλαίσιο της κλασικής μηχανικής μάθησης καθώς τα μοντέλα βοηθούν στην πρόβλεψη της μελλοντικής απόδοσης με βάση το παρελθόν.
Η περιφερειακή μας εστίαση είναι η χρήση ηλεκτρικής ενέργειας στον κόσμο, ένα ενδιαφέρον σύνολο δεδομένων γιανα μάθετε πώς να προβλέπετε τη μελλοντική κατανάλωση ενέργειας βάσει των μοτίβων του παρελθόντος φορτίου. Μπορείτε να δείτε πώς αυτό το είδος πρόβλεψης μπορεί να είναι εξαιρετικά χρήσιμο σε ένα επιχειρηματικό περιβάλλον.
Η περιφερειακή μας εστίαση είναι η χρήση ηλεκτρικής ενέργειας στον κόσμο, ένα ενδιαφέρον σύνολο δεδομένων γιανα μάθουμε πώς να προβλέπουμε τη μελλοντική κατανάλωση ηλεκτρικής ενέργειας βασιζόμενοι σε μοτίβα του παρελθόντος φορτίου. Μπορείτε να δείτε πόσο χρήσιμη μπορεί να είναι αυτή η μορφή πρόβλεψης σε ένα επιχειρηματικό περιβάλλον.
Φωτογραφία από [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) με ηλεκτρικούς πύργους σε έναν δρόμο στο Rajasthan στο [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Φωτογραφία από [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) με ηλεκτρικούς πυλώνες σε δρόμο στο Rajasthan στο [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Μαθήματα
1. [Εισαγωγή στην πρόβλεψη χρονοσειρών](1-Introduction/README.md)
3. [Κατασκευή Support Vector Regressor για πρόβλεψη χρονοσειρών](3-SVR/README.md)
## Πιστώσεις
Η "Εισαγωγή στην πρόβλεψη χρονοσειρών" γράφτηκε με ⚡️ από [Francesca Lazzeri](https://twitter.com/frlazzeri) και [Jen Looper](https://twitter.com/jenlooper). Ταnotebooks εμφανίστηκαν για πρώτη φορά online στο [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) που αρχικά γράφτηκε από τη Francesca Lazzeri. Το μάθημα SVR γράφτηκε από τον [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
Η "Εισαγωγή στην πρόβλεψη χρονοσειρών" γράφτηκε με ⚡️ από τη [Francesca Lazzeri](https://twitter.com/frlazzeri) και τη [Jen Looper](https://twitter.com/jenlooper). Τασημειωματάρια εμφανίστηκαν πρώτα online στο [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) που αρχικά γράφτηκε από τη Francesca Lazzeri. Το μάθημα SVR γράφτηκε από τον [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**Αποποίηση ευθύνης**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
> Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για κλωνοποίηση χωρίς μεταφράσεις, χρησιμοποιήστε sparse checkout:
> Αυτό το αποθετήριο περιλαμβάνει περισσότερες από 50 μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς μεταφράσεις, χρησιμοποιήστε την αραίωση (sparse) κατά το checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Αυτό σας παρέχει όλα όσα χρειάζεστε γιανα ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
> Αυτό σας δίνει όλα όσα χρειάζεστε γιανα ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
Έχουμε μια σειρά στο Discord γιανα μάθετε με AI σε εξέλιξη, μάθετε περισσότερα και ενταχθείτε μαζί μας στο [Learn with AI Series](https://aka.ms/learnwithai/discord) από 18 έως 30 Σεπτεμβρίου, 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.
Έχουμε μια σειρά Discord "μάθε με AI" σε εξέλιξη, μάθετε περισσότερα και ενταχθείτε σε εμάς στο [Learn with AI Series](https://aka.ms/learnwithai/discord) από 18 έως 30 Σεπτεμβρίου 2025. Θα πάρετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.
# Μηχανική Μάθηση για Αρχάριους - Μία Εκπαιδευτική Ακολουθία
# Μηχανική Μάθηση για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα
> 🌍 Ταξιδέψτε γύρω από τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των παγκόσμιων πολιτισμών 🌍
> 🌍 Ταξιδέψτε σε όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍
ΟιCloud Advocates της Microsoft χαίρονται να προσφέρουν μια 12-εβδομάδων, 26-μαθημάτων εκπαιδευτική ακολουθία που αφορά τη **Μηχανική Μάθηση**. Σε αυτήν την ακολουθία, θα μάθετε για αυτό που συχνά ονομάζεται**κλασική μηχανική μάθηση**, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας το deep learning, το οποίο καλύπτεται στην [εκπαιδευτική ακολουθία AI για Αρχάριους](https://aka.ms/ai4beginners). Συνδυάστε αυτά τα μαθήματα με την ακολουθία μας ['Data Science για Αρχάριους'](https://aka.ms/ds4beginners), επίσης!
Οιεκπρόσωποι Cloud στην Microsoft προσφέρουν ένα 12-εβδομάδων, 26-μαθημάτων πρόγραμμα ειδικά για τη **Μηχανική Μάθηση**. Σε αυτό το πρόγραμμα θα μάθετε για την λεγόμενη**κλασική μηχανική μάθηση**, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Συνδυάστε αυτά τα μαθήματα με το ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), επίσης!
Ταξιδέψτε μαζί μας στον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση και πολλά άλλα. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενώ χτίζετε, ένας αποδεδειγμένος τρόπος γιανα "κολλήσουν" οι νέες δεξιότητες.
Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές. Κάθε μάθημα περιλαμβάνει προ- και μετα-μαθήματος κουίζ, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μια λύση, μια εργασία και άλλα. Η παιδαγωγική μας που βασίζεται σε έργα σάς επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος για την εμπέδωση νέων δεξιοτήτων.
**✍️ Θερμές ευχαριστίες στους συγγραφείς μας** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd
**✍️ Ειλικρινές ευχαριστώ στους συγγραφείς μας** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd
**🎨 Ευχαριστίες επίσης στους εικονογράφους μας** Tomomi Imura, Dasani Madipalli και Jen Looper
**🎨 Ευχαριστίες επίσης στους εικονογράφους μας** Tomomi Imura, Dasani Madipalli, και Jen Looper
**🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, αξιολογητές και συνεισφέροντες περιεχομένου**, κυρίως Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal
**🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, αξιολογητές και συντελεστές περιεχομένου μας**, ιδιαίτερα Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal
**🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi και Vidushi Gupta για τα μαθήματα R!**
**🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, και Vidushi Gupta για τα μαθήματα R μας!**
# Ξεκινώντας
Ακολουθήστε τα βήματα:
1. **Κάντε Fork το Αποθετήριο**: Πατήστε το κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
2. **Κλωνοποιήστε το Αποθετήριο**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
Ακολουθήστε αυτά τα βήματα:
1. **Δημιουργήστε Fork το Αποθετήριο**: Κάντε κλικ στο κουμπί "Fork" στην επάνω δεξιά γωνία αυτής της σελίδας.
2. **Κλωνοποιήστε το Αποθετήριο**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [βρείτε όλα τα πρόσθετα υλικά για αυτό το μάθημα στη συλλογή μας Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Quick Start Tip:** Θέλετε να ξεκινήσετε σε έναν περιηγητή χωρίς να ρυθμίσετε το Python τοπικά; Χρησιμοποιήστε [GitHub Codespaces](https://github.com/features/codespaces) γιανα δημιουργήσετε ένα περιβάλλον ανάπτυξης στο νέφος για το fork σας. Ανοίξτε το πράσινο μενού **Code**, επιλέξτε **Codespaces**, και δημιουργήστε ένα codespace· εγκαταστήστε κάθε απαραίτητη εξάρτηση του μαθήματος μέσα σε αυτό, εφόσον χρειάζεται.
> 🔧 **Χρειάζεστε βοήθεια;** Ελέγξτε τον [Οδηγό Αντιμετώπισης Προβλημάτων](TROUBLESHOOTING.md) για λύσεις σε κοινά προβλήματα εγκατάστασης, ρύθμισης και εκτέλεσης μαθημάτων.
> [βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Χρειάζεστε βοήθεια;** Ελέγξτε τον [Οδηγό Επίλυσης Προβλημάτων](TROUBLESHOOTING.md) για λύσεις σε κοινά θέματα με την εγκατάσταση, ρύθμιση, και εκτέλεση μαθημάτων.
**[Φοιτητές](https://aka.ms/student-page)**, γιανα χρησιμοποιήσετε αυτήν την εκπαιδευτική ακολουθία, κάντε fork ολόκληρο το αποθετήριο στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με μια ομάδα:
- Ξεκινήστε με ένα κουίζ προ-διάλεξης.
- Διαβάστε τη διάλεξη και ολοκληρώστε τις δραστηριότητες, κάνοντας παύσεις και σκεπτόμενοι σε κάθε έλεγχο γνώσης.
- Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να τρέχετε τον κώδικα λύσης· ο κώδικας αυτός είναι διαθέσιμος στους φακέλους `/solution` σε κάθε μάθημα προσανατολισμένο σε έργο.
- Κάντε το κουίζ μετά τη διάλεξη.
**[Φοιτητές](https://aka.ms/student-page)**, γιανα χρησιμοποιήσετε αυτό το πρόγραμμα, δημιουργήστε fork ολόκληρου του αποθετηρίου στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με ομάδα:
- Ξεκινήστε με ένα προ-μάθημα κουίζ.
- Διαβάστε το μάθημα και ολοκληρώστε τις δραστηριότητες, σταματώντας και αναλογιζόμενοι στην κάθε διαδικασία ελέγχου γνώσεων.
- Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί απλά να τρέχετε τον κώδικα λύσης. Ωστόσο, ο κώδικας αυτός είναι διαθέσιμος στους φακέλους `/solution` σε κάθε μάθημα που σχετίζεται με έργο.
- Πάρτε το μετα-μάθημα κουίζ.
- Ολοκληρώστε την πρόκληση.
- Ολοκληρώστε την ανάθεση.
- Μετά την ολοκλήρωση ενός συνόλου μαθημάτων, επισκεφτείτε το [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) και "μάθετε δυνατά" συμπληρώνοντας το αντίστοιχο PAT rubric. Το 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου, που συμπληρώνετε γιανα προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PATs γιανα μαθαίνουμε μαζί.
- Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφτείτε το [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) και "μάθετε δυνατά" συμπληρώνοντας το κατάλληλο PAT rubric. Ένα 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου που συμπληρώνετε γιανα εμβαθύνετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλες PAT ώστε να μάθουμε μαζί.
> Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτές τις [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ενότητες και διαδρομές μάθησης.
> Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) μαθήματα και διαδρομές μάθησης.
**Καθηγητές**, έχουμε [συμπεριλάβει κάποιες προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτήν την εκπαιδευτική ακολουθία.
**Καθηγητές**, έχουμε [συμπεριλάβει μερικές προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα.
---
## Βίντεο περιηγήσεις
## Βίντεο Περιήγησης
Μερικά από τα μαθήματα είναι διαθέσιμα ως σύντομα βίντεο. Μπορείτε να τα βρείτε όλα ενσωματωμένα στα μαθήματα, ή στη [playlist ML for Beginners στο κανάλι Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) κάνοντας κλικ στην εικόνα παρακάτω.
Μερικά από τα μαθήματα είναι διαθέσιμα σε σύντομο βίντεο. Μπορείτε να τα βρείτε σε όλο το μάθημα ή στη [λίστα αναπαραγωγής ML for Beginners στο κανάλι Microsoft Developer στο YouTube](https://aka.ms/ml-beginners-videos) κάνοντας κλικ στην εικόνα παρακάτω.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Κάντε κλικ στην παραπάνω εικόναγια ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
---
## Παιδαγωγική
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτής της ακολουθίας: να είναι πρακτική **βασισμένη σε έργα** και να περιλαμβάνει **συχνά κουίζ**. Επιπλέον, αυτή η ακολουθία έχει ένα κοινό **θέμα** γιανα της δώσει συνοχή.
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος: να είναι πρακτικό και **βασισμένο σε έργα** και να περιλαμβάνει **συχνά κουίζ**. Επιπλέον, το πρόγραμμα διαθέτει ένα κοινό **θέμα** γιανα δώσει συνοχή.
Εξασφαλίζοντας ότι το περιεχόμενο ευθυγραμμίζεται με έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και η διατήρηση των εννοιών θα ενισχυθεί. Επιπλέον, ένα κουίζ χαμηλού ρίσκου πριν από το μάθημα θέτει την πρόθεση του μαθητή προς τη μάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Αυτή η ακολουθία σχεδιάστηκε γιανα είναι ευέλικτη και διασκεδαστική και μπορεί να παρακολουθηθεί ολόκληρη ή εν μέρει. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο σύνθετα μέχρι το τέλος του 12-εβδομάδων κύκλου. Αυτή η ακολουθία περιλαμβάνει επίσης ένα επίμετρο σχετικά με πραγματικές εφαρμογές της ML, που μπορεί να χρησιμοποιηθεί ως επιπλέον μόρια ή ως βάση για συζήτηση.
Με την εξασφάλιση ότι το περιεχόμενο συνδέεται με έργα, η όλη διαδικασία γίνεται πιο ελκυστική για τους φοιτητές και η διατήρηση των εννοιών ενισχύεται. Επιπλέον, ένα κουίζ χαμηλού κινδύνου πριν από το μάθημα θέτει την πρόθεση του φοιτητή να μάθει ένα θέμα, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Το πρόγραμμα σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ακολουθηθεί ολόκληρο ή μέρη του. Τα έργα ξεκινούν μικρά και γίνονται σταδιακά πιο πολύπλοκα στο τέλος του δωδεκαετούς κύκλου. Το πρόγραμμα περιλαμβάνει επίσης ένα επίμετρο σχετικά με πραγματικές εφαρμογές της ML, που μπορεί να χρησιμοποιηθεί ως επιπλέον βαθμός ή ως βάση για συζήτηση.
> Βρείτε τους [Κανόνες Συμπεριφοράς](CODE_OF_CONDUCT.md), [Συμβολή](CONTRIBUTING.md), [Μεταφράσεις](..) και [Οδηγό Αντιμετώπισης Προβλημάτων](TROUBLESHOOTING.md). Καλωσορίζουμε τις εποικοδομητικές σας προτάσεις!
> Βρείτε τον [Κώδικα Συμπεριφοράς μας](CODE_OF_CONDUCT.md), τις οδηγίες [Συμβολής](CONTRIBUTING.md), τις [Μεταφράσεις](..), και τις οδηγίες [Επίλυσης Προβλημάτων](TROUBLESHOOTING.md). Εκτιμούμε την εποικοδομητική σας ανατροφοδότηση!
## Κάθε μάθημα περιλαμβάνει
- προαιρετικό σκίτσο
- προαιρετικό συμπληρωματικό βίντεο
- βίντεο περιήγησης (μόνο σε μερικά μαθήματα)
- [προ-διαλέξεως ζέσταμα με κουίζ](https://ff-quizzes.netlify.app/en/ml/)
> **Μια σημείωση για τις γλώσσες**: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα σε R, πηγαίνετε στον φάκελο `/solution` και αναζητήστε μαθήματα R. Περιλαμβάνουν κατάληξη .rmd που αντιπροσωπεύει ένα **R Markdown** αρχείο το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση `κομματιών κώδικα` (σε R ή άλλες γλώσσες) και μια `κεφαλίδα YAML` (που καθοδηγεί πώς να μορφοποιηθούν τα αποτελέσματα όπως PDF) σε ένα `έγγραφο Markdown`. Ως τέτοιο, χρησιμεύει ως ένα επιδεικτικό πλαίσιο συγγραφής για την επιστήμη δεδομένων καθώς σας επιτρέπει να συνδυάσετε τον κώδικα σας, τα αποτελέσματά του και τις σκέψεις σας επιτρέποντάς σας να τα καταγράψετε σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.
> **Μια σημείωση για τα κουίζ**: Όλα τα κουίζ περιέχονται στο φάκελο [Quiz App folder](../../quiz-app), με συνολικά 52 κουίζ, το καθένα με τρεις ερωτήσεις. Συνδέονται από τα μαθήματα αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά· ακολουθήστε τις οδηγίες στο φάκελο `quiz-app`γιανα το φιλοξενήσετε τοπικά ή να το αναπτύξετε στο Azure.
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
| 01 | Εισαγωγή στη μηχανική μάθηση | [Εισαγωγή](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση | [Μάθημα](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Η ιστορία της μηχανικής μάθησης | [Εισαγωγή](1-Introduction/README.md) | Μάθετε την ιστορία που υποστηρίζει αυτόν τον τομέα | [Μάθημα](1-Introduction/2-history-of-ML/README.md) | Jen και Amy |
| 03 | Δικαιοσύνη και μηχανική μάθηση | [Εισαγωγή](1-Introduction/README.md) | Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ΜΜ; | [Μάθημα](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Τεχνικές μηχανικής μάθησης | [Εισαγωγή](1-Introduction/README.md) | Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ΜΜγιανα δημιουργήσουν μοντέλα ΜΜ; | [Μάθημα](1-Introduction/4-techniques-of-ML/README.md) | Chris και Jen |
| 05 | Εισαγωγή στην παλινδρόμηση | [Παλινδρόμηση](2-Regression/README.md) | Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Τιμές κολοκύθας Βόρειας Αμερικής 🎃 | [Παλινδρόμηση](2-Regression/README.md) | Οπτικοποιήστε και καθαρίστε δεδομένα σε προετοιμασία γιαΜΜ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Τιμές κολοκύθας Βόρειας Αμερικής 🎃 | [Παλινδρόμηση](2-Regression/README.md) | Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen και Dmitry • Eric Wanjau |
| 08 | Τιμές κολοκύθας Βόρειας Αμερικής 🎃 | [Παλινδρόμηση](2-Regression/README.md) | Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Μια Web Εφαρμογή 🔌 | [Web App](3-Web-App/README.md) | Δημιουργήστε μια εφαρμογή web γιανα χρησιμοποιήσετε το εκπαιδευμένο μοντέλο σας | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Εισαγωγή στην ταξινόμηση | [Ταξινόμηση](4-Classification/README.md) | Καθαρισμός, προετοιμασία και οπτικοποίηση των δεδομένων σας· εισαγωγή στην ταξινόμηση | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen και Cassie • Eric Wanjau |
| 11 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | [Ταξινόμηση](4-Classification/README.md) | Εισαγωγή στους ταξινομητές | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen και Cassie • Eric Wanjau |
| 12 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | [Ταξινόμηση](4-Classification/README.md) | Περισσότεροι ταξινομητές | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen και Cassie • Eric Wanjau |
| 13 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | [Ταξινόμηση](4-Classification/README.md) | Δημιουργήστε μια εφαρμογή σύστασης web χρησιμοποιώντας το μοντέλο σας | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Εισαγωγή στις ομαδοποιήσεις | [Ομαδοποίηση](5-Clustering/README.md) | Καθαρισμός, προετοιμασία και οπτικοποίηση δεδομένων· Εισαγωγή στις ομαδοποιήσεις | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Εξερεύνηση Νιγηριανών Μουσικών Γούστων 🎧 | [Ομαδοποίηση](5-Clustering/README.md) | Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️ | [Επεξεργασία φυσικής γλώσσας](6-NLP/README.md) | Μάθετε τα βασικά της ΕΦΓ δημιουργώντας ένα απλό bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Κοινές εργασίες NLP ☕️ | [Επεξεργασία φυσικής γλώσσας](6-NLP/README.md) | Εμβαθύνετε τις γνώσεις σας στην ΕΦΓ κατανοώντας κοινές εργασίες που απαιτούνται όταν χειρίζεστε δομές γλώσσας | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Μετάφραση και ανάλυση συναισθήματος ♥️ | [Επεξεργασία φυσικής γλώσσας](6-NLP/README.md) | Μετάφραση και ανάλυση συναισθήματος με την Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Ρομαντικά ξενοδοχεία της Ευρώπης ♥️ | [Επεξεργασία φυσικής γλώσσας](6-NLP/README.md) | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Ρομαντικά ξενοδοχεία της Ευρώπης ♥️ | [Επεξεργασία φυσικής γλώσσας](6-NLP/README.md) | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονικών σειρών με ARIMA | [Χρονικές σειρές](7-TimeSeries/README.md) | Πρόβλεψη χρονικών σειρών με ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονικών σειρών με SVR | [Χρονικές σειρές](7-TimeSeries/README.md) | Πρόβλεψη χρονικών σειρών με Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Εισαγωγή στην ενισχυτική μάθηση | [Ενισχυτική μάθηση](8-Reinforcement/README.md) | Εισαγωγή στην ενισχυτική μάθηση με Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Βοηθήστε τον Peter να αποφύγει τον λύκο! 🐺 | [Ενισχυτική μάθηση](8-Reinforcement/README.md) | Gym ενισχυτικής μάθησης | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Υστερόγραφο | Πραγματικά σενάρια και εφαρμογές ΜΜ | [ΜΜ στην πράξη](9-Real-World/README.md) | Ενδιαφέρουσες και αποκαλυπτικές πραγματικές εφαρμογές της κλασικής ΜΜ | [Μάθημα](9-Real-World/1-Applications/README.md) | Ομάδα |
| Υστερόγραφο | Αποσφαλμάτωση μοντέλων ΜΜ με το RAI dashboard | [ΜΜ στην πράξη](9-Real-World/README.md) | Αποσφαλμάτωση μοντέλων Μηχανικής Μάθησης με συστατικά πίνακα ελέγχου Responsible AI | [Μάθημα](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [βρείτε όλα τα επιπρόσθετα υλικά για αυτό το μάθημα στη συλλογή μας του Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **Μια σημείωση για τις γλώσσες**: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι διαθέσιμα και σε R. Για να ολοκληρώσετε ένα μάθημα σε R, πηγαίνετε στο φάκελο `/solution` και αναζητήστε μαθήματα R. Περιλαμβάνουν μία επέκταση .rmd που αντιπροσωπεύει ένα αρχείο **R Markdown**, το οποίο μπορεί να οριστεί ως ενσωμάτωση `κομματιών κώδικα` (σε R ή άλλες γλώσσες) και μια `κεφαλίδα YAML` (που καθοδηγεί το πώς να μορφοποιήσει εξόδους όπως PDF) σε ένα `έγγραφο Markdown`. Ως τέτοιο, λειτουργεί ως υπόδειγμα πλαισίου συγγραφής για την επιστήμη δεδομένων, αφού σας επιτρέπει να συνδυάσετε τον κώδικα σας, την έξοδό του και τις σκέψεις σας γράφοντάς τις σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.
> **Μια σημείωση για τα κουίζ**: Όλα τα κουίζ βρίσκονται στο φάκελο [Quiz App](../../quiz-app), με συνολικά 52 κουίζ των τριών ερωτήσεων το καθένα. Αυτά συνδέονται μέσα στα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`γιανα φιλοξενήσετε τοπικά ή να αναπτύξετε στο Azure.
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
| 01 | Εισαγωγή στη μηχανική μάθηση | [Introduction](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Η ιστορία της μηχανικής μάθησης | [Introduction](1-Introduction/README.md) | Μάθετε την ιστορία που διέπει αυτόν τον τομέα | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Δικαιοσύνη και μηχανική μάθηση | [Introduction](1-Introduction/README.md) | Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να εξετάζουν οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ΜΜ; | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Τεχνικές για μηχανική μάθηση | [Introduction](1-Introduction/README.md) | Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ΜΜγιανα δημιουργήσουν μοντέλα ΜΜ; | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Εισαγωγή στην παλινδρόμηση | [Regression](2-Regression/README.md) | Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | [Regression](2-Regression/README.md) | Οπτικοποίηση και καθαρισμός δεδομένων για προετοιμασία της ΜΜ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | [Regression](2-Regression/README.md) | Δημιουργία γραμμικών και πολυωνυμικών μοντέλων παλινδρόμησης | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | [Regression](2-Regression/README.md) | Δημιουργία μοντέλου λογιστικής παλινδρόμησης | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Μια διαδικτυακή εφαρμογή 🔌 | [Web App](3-Web-App/README.md) | Δημιουργήστε μια διαδικτυακή εφαρμογή γιανα χρησιμοποιήσετε το εκπαιδευμένο σας μοντέλο | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Εισαγωγή στην ταξινόμηση | [Classification](4-Classification/README.md) | Καθαρισμός, προετοιμασία και οπτικοποίηση των δεδομένων σας· εισαγωγή στην ταξινόμηση | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Γευστικές Ασιατικές και Ινδικές κουζίνες 🍜 | [Classification](4-Classification/README.md) | Εισαγωγή στους ταξινομητές | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Γευστικές Ασιατικές και Ινδικές κουζίνες 🍜 | [Classification](4-Classification/README.md) | Περισσότεροι ταξινομητές | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Γευστικές Ασιατικές και Ινδικές κουζίνες 🍜 | [Classification](4-Classification/README.md) | Δημιουργήστε μια διαδικτυακή εφαρμογή προτάσεων χρησιμοποιώντας το μοντέλο σας | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Εισαγωγή στην ομαδοποίηση | [Clustering](5-Clustering/README.md) | Καθαρισμός, προετοιμασία και οπτικοποίηση των δεδομένων σας· εισαγωγή στην ομαδοποίηση | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Εξερεύνηση μουσικών προτιμήσεων Νιγηρίας 🎧 | [Clustering](5-Clustering/README.md) | Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️ | [Natural language processing](6-NLP/README.md) | Μάθετε τις βασικές αρχές της ΕΦΓ δημιουργώντας ένα απλό bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Κοινές εργασίες ΕΦΓ ☕️ | [Natural language processing](6-NLP/README.md) | Εμβαθύνετε τις γνώσεις σας στην ΕΦΓ κατανοώντας κοινές εργασίες που απαιτούνται όταν ασχολείστε με δομές γλώσσας | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Μετάφραση και ανάλυση συναισθήματος ♥️ | [Natural language processing](6-NLP/README.md) | Μετάφραση και ανάλυση συναισθήματος με την Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Ρομαντικά ξενοδοχεία της Ευρώπης ♥️ | [Natural language processing](6-NLP/README.md) | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Ρομαντικά ξενοδοχεία της Ευρώπης ♥️ | [Natural language processing](6-NLP/README.md) | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 24 | Εισαγωγή στην ενισχυτική μάθηση | [Reinforcement learning](8-Reinforcement/README.md) | Εισαγωγή στην ενισχυτική μάθηση με Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Βοηθήστε τον Πέτρο να αποφύγει το λύκο! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Ενισχυτική μάθηση Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Σενάρια και εφαρμογές μηχανικής μάθησης στον πραγματικό κόσμο | [ML in the Wild](9-Real-World/README.md) | Ενδιαφέρουσες και αποκαλυπτικές πραγματικές εφαρμογές της κλασικής ΜΜ | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Εντοπισμός σφαλμάτων μοντέλων στη ΜΜ με το RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Εντοπισμός σφαλμάτων μοντέλων στη μηχανική μάθηση χρησιμοποιώντας τη μονάδα ελέγχου Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας στο Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Πρόσβαση εκτός σύνδεσης
Μπορείτε νατρέξετε αυτή τη τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το [Docsify](https://docsify.js.org/#/). Κάντε fork σε αυτό το αποθετήριο, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στον τοπικό σας υπολογιστή, και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε `docsify serve`. Η ιστοσελίδα θα σερβιριστεί στη θύρα 3000 στο localhost σας: `localhost:3000`.
Μπορείτε ναεκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το [Docsify](https://docsify.js.org/#/). Κλωνοποιήστε αυτό το αποθετήριο, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στο τοπικό σας μηχάνημα, και στη ρίζα αυτού του αποθετηρίου πληκτρολογήστε `docsify serve`. Ο ιστότοπος θα σερβιριστεί στην πόρτα 3000 στο localhost σας: `localhost:3000`.
## PDF
## Αρχεία PDF
Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους [εδώ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Άλλα Μαθήματα
Η ομάδα μας παράγει και άλλα μαθήματα! Ρίξτε μια ματιά:
Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,13 +188,13 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Σειρά Γεννητικής Τεχνητής Νοημοσύνης
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Σειρά Generative AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
@ -199,51 +202,51 @@
---
### Βασική Μάθηση
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Σειρά Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Εάν κολλήσετε ή έχετε ερωτήσεις ενώ μαθαίνετε Μηχανική Μάθηση ή δημιουργείτε εφαρμογές Τεχνητής Νοημοσύνης, μην ανησυχείτε — η βοήθεια είναι διαθέσιμη.
Αν κολλήσετε ή έχετε ερωτήσεις κατά τη διάρκεια της μάθησης της Μηχανικής Μάθησης ή της δημιουργίας εφαρμογών AI, μην ανησυχείτε — η βοήθεια είναι διαθέσιμη.
Μπορείτε να συμμετάσχετε σε συζητήσεις με άλλους μαθητές και προγραμματιστές, να κάνετε ερωτήσεις και να μοιραστείτε τις ιδέες σας με την κοινότητα.
Μπορείτε να συμμετέχετε σε συζητήσεις με άλλους μαθητές και προγραμματιστές, να κάνετε ερωτήσεις και να μοιραστείτε τις ιδέες σας με την κοινότητα.
- Συμμετέχετε στην κοινότηταγιανα κάνετε ερωτήσεις και να μάθετε με άλλους
- Συζητήστε έννοιες Μηχανικής Μάθησης και ιδέες έργων
- Γίνετε μέρος της κοινότηταςγιανα κάνετε ερωτήσεις και να μάθετε μαζί με άλλους
- Συζητήστε έννοιες και ιδέες έργων μηχανικής μάθησης
- Λάβετε καθοδήγηση από έμπειρους προγραμματιστές
Μια υποστηρικτική κοινότητα είναι ένας εξαιρετικός τρόπος να αναπτύξετε τις δεξιότητές σας και να λύσετε προβλήματα πιο γρήγορα.
Εάν συναντήσετε σφάλματα, λάθη ή έχετε προτάσεις για βελτιώσεις, μπορείτε επίσης να ανοίξετε ένα **Issue** σε αυτό το αποθετήριο γιανα αναφέρετε το πρόβλημα.
Αν αντιμετωπίσετε σφάλματα, λάθη ή έχετε προτάσεις για βελτιώσεις, μπορείτε επίσης να ανοίξετε ένα **Issue** σε αυτό το αποθετήριο γιανα αναφέρετε το πρόβλημα.
Για σχόλια προϊόντος ή γιανα αναζητήσετε υπάρχουσες αναρτήσεις της κοινότητας, επισκεφθείτε το Φόρουμ Προγραμματιστών:
Για ανατροφοδότηση προϊόντος ή γιανα αναζητήσετε υπάρχουσες δημοσιεύσεις της κοινότητας, επισκεφθείτε το Developer Forum:
- Επανεξετάστε τα σημειωματάρια μετά από κάθε μάθημα για καλύτερη κατανόηση.
- Επανεξετάστε τα τετράδια μετά από κάθε μάθημα για καλύτερη κατανόηση.
- Εξασκηθείτε στην υλοποίηση αλγορίθμων μόνοι σας.
- Εξερευνήστε πραγματικά σύνολα δεδομένων χρησιμοποιώντας τις εννοιές που μάθατε.
- Εξερευνήστε πραγματικά σύνολα δεδομένων χρησιμοποιώντας τις μάθειες έννοιες.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ προσπαθούμε για ακρίβεια, παρακαλούμε να είστε ενήμεροι ότι οι αυτόματες μεταφράσεις μπορείνα περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν ευθυνόμαστε για τυχόν παρανοήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεταινα περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
Θα θέλατε να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών στην τάξη σας; Μη διστάσετε!
Στην πραγματικότητα, μπορείτε να το χρησιμοποιήσετε απευθείας μέσα στο GitHub, χρησιμοποιώντας το GitHub Classroom.
Στην πραγματικότητα, μπορείτε να το χρησιμοποιήσετε μέσα στο ίδιο το GitHub χρησιμοποιώντας το GitHub Classroom.
Για να το κάνετε αυτό, κάντε fork αυτό το repo. Θα χρειαστεί να δημιουργήσετε ένα repo για κάθε μάθημα, οπότε θα χρειαστεί να εξαγάγετε κάθε φάκελο σε ξεχωριστό repo. Με αυτόν τον τρόπο, [GitHub Classroom](https://classroom.github.com/classrooms) μπορεί νααναγνωρίσει κάθε μάθημα ξεχωριστά.
Για να το κάνετε αυτό, κάντε fork αυτό το αποθετήριο. Θα χρειαστεί να δημιουργήσετε ένα αποθετήριο για κάθε μάθημα, οπότε πρέπει να εξάγετε κάθε φάκελο σε ξεχωριστό αποθετήριο. Με αυτόν τον τρόπο, το [GitHub Classroom](https://classroom.github.com/classrooms) μπορεί νααναλάβει κάθε μάθημα ξεχωριστά.
Αυτές οι [πλήρεις οδηγίες](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) θα σας δώσουν μια ιδέα για το πώς να οργανώσετε την τάξη σας.
Αυτές οι [πλήρεις οδηγίες](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) θα σας δώσουν μια ιδέα πώς να οργανώσετε την τάξη σας.
## Χρήση του repo όπως είναι
## Χρήση του αποθετηρίου ως έχει
Αν θέλετε να χρησιμοποιήσετε αυτό το repo όπως είναι, χωρίς να χρησιμοποιήσετε το GitHub Classroom, αυτό είναι επίσης εφικτό. Θα χρειαστεί να επικοινωνήσετε με τους μαθητές σας γιανα τους καθοδηγήσετε σχετικά με το ποιο μάθημα να δουλέψουν μαζί.
Αν θέλετε να χρησιμοποιήσετε το αποθετήριο όπως είναι τώρα, χωρίς να χρησιμοποιήσετε το GitHub Classroom, αυτό μπορεί επίσης να γίνει. Θα χρειαστεί να επικοινωνήσετε με τους μαθητές σας ποιο μάθημα θα δουλέψετε μαζί.
Σε μια διαδικτυακή μορφή (Zoom, Teams ή άλλο), μπορείτε να δημιουργήσετε ομάδες εργασίας για τα κουίζ και να καθοδηγήσετε τους μαθητές ώστε να είναι έτοιμοι να μάθουν. Στη συνέχεια, προσκαλέστε τους μαθητές να συμμετάσχουν στα κουίζ και να υποβάλουν τις απαντήσεις τους ως 'issues' σε συγκεκριμένη ώρα. Μπορείτε να κάνετε το ίδιο και με τις εργασίες, αν θέλετε οι μαθητές να συνεργαστούν δημόσια.
Σε διαδικτυακή μορφή (Zoom, Teams ή άλλη), ίσως δημιουργήσετε ξεχωριστές αίθουσες για τα quiz, και να καθοδηγήσετε τους μαθητές γιανα τους βοηθήσετε να ετοιμαστούν για μάθηση. Στη συνέχεια, προσκαλέστε τους μαθητές να κάνουν τα quiz και να υποβάλουν τις απαντήσεις τους ως 'θέματα' σε συγκεκριμένη ώρα. Μπορείτε να κάνετε το ίδιο και με τις εργασίες, αν θέλετε οι μαθητές να συνεργάζονται ανοιχτά.
Αν προτιμάτε μια πιο ιδιωτική μορφή, ζητήστε από τους μαθητές σας να κάνουν fork το πρόγραμμα σπουδών, μάθημα προς μάθημα, στα δικά τους ιδιωτικά repos στο GitHub και να σας δώσουν πρόσβαση. Έπειτα, μπορούν να ολοκληρώσουν τα κουίζ και τις εργασίες ιδιωτικά και να σας τα υποβάλουν μέσω issues στο repo της τάξης σας.
Αν προτιμάτε μια πιο ιδιωτική μορφή, ζητήστε από τους μαθητές να κάνουν fork το πρόγραμμα σπουδών, μάθημα-μάθημα, στα δικά τους αποθετήρια GitHub ως ιδιωτικά, και να σας δώσουν πρόσβαση. Έτσι μπορούν να ολοκληρώσουν τα quiz και τις εργασίες ιδιωτικά και να σας τα υποβάλουν μέσω θεμάτων στο αποθετήριο της τάξης σας.
Υπάρχουν πολλοί τρόποι γιανα κάνετε αυτό να λειτουργήσει σε μια διαδικτυακή τάξη. Παρακαλούμε ενημερώστε μας για το τι λειτουργεί καλύτερα για εσάς!
Υπάρχουν πολλοί τρόποι να λειτουργήσει αυτό σε διαδικτυακή τάξη. Παρακαλώ ενημερώστε μας τι δουλεύει καλύτερα για εσάς!
## Παρακαλούμε δώστε μας τις σκέψεις σας!
## Παρακαλώ δώστε μας τις σκέψεις σας!
Θέλουμε να κάνουμε αυτό το πρόγραμμα σπουδών ναλειτουργεί για εσάς και τους μαθητές σας. Παρακαλούμε δώστε μας [σχόλια](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Θέλουμε να κάνουμε αυτό το πρόγραμμα σπουδών ναδουλέψει για εσάς και τους μαθητές σας. Παρακαλώ δώστε μας [ανταπόκριση](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Αποποίηση ευθύνης**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
> Sketchnote av [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ml/)
@ -11,118 +11,118 @@
> 🎥 Klicka på bilden ovan för en kort video som går igenom denna lektion.
I denna lektion kommer vi att gå igenom de viktigaste milstolparna i historien om maskininlärning och artificiell intelligens.
I denna lektion går vi igenom de stora milstolparna i maskininlärningens och artificiell intelligens historia.
Historien om artificiell intelligens (AI) som forskningsområde är nära sammanflätad med historien om maskininlärning, eftersom de algoritmer och tekniska framsteg som ligger till grund för ML bidrog till utvecklingen av AI. Det är bra att komma ihåg att även om dessa områden som separata forskningsfält började ta form på 1950-talet, föregicks och överlappades denna era av viktiga [algoritmiska, statistiska, matematiska, beräkningsmässiga och tekniska upptäckter](https://wikipedia.org/wiki/Timeline_of_machine_learning). Faktum är att människor har funderat på dessa frågor i [hundratals år](https://wikipedia.org/wiki/History_of_artificial_intelligence): denna artikel diskuterar de historiska intellektuella grunderna för idén om en "tänkande maskin."
Historien om artificiell intelligens (AI) som ett fält är sammanflätad med maskininlärningens historia, eftersom de algoritmer och beräkningsframsteg som ligger till grund för ML bidrog till utvecklingen av AI. Det är bra att komma ihåg att även om dessa områden som särskilda forskningsfält började kristalliseras på 1950-talet, fanns viktiga [algoritmiska, statistiska, matematiska, beräknings- och tekniska upptäckter](https://wikipedia.org/wiki/Timeline_of_machine_learning) redan innan och överlappade denna era. Faktum är att människor har funderat över dessa frågor i [hundratals år](https://wikipedia.org/wiki/History_of_artificial_intelligence): denna artikel diskuterar de historiska intellektuella grunderna för idén om en ”tänkande maskin.”
---
## Viktiga upptäckter
## Noterbara upptäckter
- 1763, 1812 [Bayes sats](https://wikipedia.org/wiki/Bayes%27_theorem) och dess föregångare. Denna sats och dess tillämpningar ligger till grund för inferens och beskriver sannolikheten för att en händelse inträffar baserat på tidigare kunskap.
- 1805 [Minsta kvadratmetoden](https://wikipedia.org/wiki/Least_squares) av den franske matematikern Adrien-Marie Legendre. Denna teori, som du kommer att lära dig om i vår Regression-enhet, hjälper till med dataanpassning.
- 1913 [Markovkedjor](https://wikipedia.org/wiki/Markov_chain), uppkallad efter den ryske matematikern Andrey Markov, används för att beskriva en sekvens av möjliga händelser baserat på ett tidigare tillstånd.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) är en typ av linjär klassificerare uppfunnen av den amerikanske psykologen Frank Rosenblatt som ligger till grund för framsteg inom djupinlärning.
- 1763, 1812 [Bayes sats](https://wikipedia.org/wiki/Bayes%27_theorem) och dess föregångare. Denna sats och dess tillämpningar utgör grunden för inferens och beskriver sannolikheten för att en händelse inträffar baserat på tidigare kunskap.
- 1805 [Minsta kvadratmetoden](https://wikipedia.org/wiki/Least_squares) av den franske matematikern Adrien-Marie Legendre. Denna teori, som du kommer att lära dig om i vår avsnitt om Regression, hjälper till med datatanpassning.
- 1913 [Markovkedjor](https://wikipedia.org/wiki/Markov_chain), uppkallade efter den ryske matematikern Andrey Markov, används för att beskriva en följd av möjliga händelser baserat på ett tidigare tillstånd.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) är en typ av linjär klassificerare uppfunnen av den amerikanske psykologen Frank Rosenblatt, som ligger till grund för framsteg inom djupinlärning.
---
- 1967 [Närmaste granne](https://wikipedia.org/wiki/Nearest_neighbor) är en algoritm som ursprungligen designades för att kartlägga rutter. Inom ML används den för att upptäcka mönster.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) används för att träna [feedforward-nätverk](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) är artificiella neurala nätverk som härstammar från feedforward-nätverk och skapar temporala grafer.
- 1967 [Närmaste granne](https://wikipedia.org/wiki/Nearest_neighbor) är en algoritm ursprungligen utformad för att kartlägga rutter. Inom ML används den för att upptäcka mönster.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) används för att träna [feedforward neurala nätverk](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Recurrent Neural Networks (återkommande neurala nätverk)](https://wikipedia.org/wiki/Recurrent_neural_network) är artificiella neurala nätverk härledda från feedforward-neurala nätverk som skapar temporala grafer.
✅ Gör lite research. Vilka andra datum sticker ut som avgörande i historien om ML och AI?
✅ Gör lite egen research. Vilka andra datum är viktiga i ML:s och AI:s historia?
---
## 1950: Maskiner som tänker
Alan Turing, en verkligen enastående person som [av allmänheten 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) röstades fram som 1900-talets största vetenskapsman, anses ha hjälpt till att lägga grunden för konceptet "en maskin som kan tänka." Han brottades med skeptiker och sitt eget behov av empiriska bevis för detta koncept, bland annat genom att skapa [Turingtestet](https://www.bbc.com/news/technology-18475646), som du kommer att utforska i våra NLP-lektioner.
Alan Turing, en verkligt anmärkningsvärd person som [av allmänheten 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) röstades fram som 1900-talets största vetenskapsman, tillskrivs äran att ha hjälpt till att lägga grunden för konceptet en 'maskin som kan tänka.' Han kämpade med tvivlare och sin egen behov av empiriska bevis för detta koncept delvis genom att skapa [Turing-testet](https://www.bbc.com/news/technology-18475646), som du kommer att utforska i våra NLP-lektioner.
---
## 1956: Dartmouth Summer Research Project
"Dartmouth Summer Research Project on artificial intelligence var en avgörande händelse för artificiell intelligens som forskningsområde," och det var här termen "artificiell intelligens" myntades ([källa](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
”Dartmouth Summer Research Project on artificial intelligence var en banbrytande händelse för artificiell intelligens som forskningsfält,” och det var här termen ”artificiell intelligens” myntades ([källa](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Varje aspekt av lärande eller någon annan egenskap hos intelligens kan i princip beskrivas så exakt att en maskin kan göras för att simulera den.
> Varje aspekt av lärande eller någon annan funktion av intelligens kan i princip beskrivas så precist att en maskin kan skapas för att simulera det.
---
Huvudforskaren, matematikprofessorn John McCarthy, hoppades "att gå vidare på grundval av hypotesen att varje aspekt av lärande eller någon annan egenskap hos intelligens i princip kan beskrivas så exakt att en maskin kan göras för att simulera den." Deltagarna inkluderade en annan framstående person inom området, Marvin Minsky.
Den ledande forskaren, matematikprofessorn John McCarthy, hoppades ”att fortsätta med antagandet att varje aspekt av lärande eller annan funktion av intelligens i princip kan beskrivas så precist att en maskin kan skapas för att simulera detta.” Deltagarna inkluderade en annan framstående person inom området, Marvin Minsky.
Workshoppen anses ha initierat och uppmuntrat flera diskussioner, inklusive "framväxten av symboliska metoder, system fokuserade på begränsade domäner (tidiga expertsystem) och deduktiva system kontra induktiva system." ([källa](https://wikipedia.org/wiki/Dartmouth_workshop)).
Workshoppen anses ha initierat och uppmuntrat flera diskussioner inklusive ”uppkomsten av symboliska metoder, system fokuserade på begränsade domäner (tidiga expertsystem) och deduktiva system kontra induktiva system.” ([källa](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "De gyllene åren"
## 1956 - 1974: ”De gyllene åren”
Från 1950-talet till mitten av 70-talet var optimismen hög kring hoppet att AI kunde lösa många problem. 1967 uttalade Marvin Minsky självsäkert att "Inom en generation ... kommer problemet med att skapa 'artificiell intelligens' i stort sett att vara löst." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Från 1950-talet fram till mitten av 70-talet var optimismen hög med hopp om att AI kunde lösa många problem. 1967 uttalade Marvin Minsky sig självsäkert att ”Inom en generation ... kommer problemet att skapa ’artificiell intelligens’ i stort sett att vara löst.” (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Forskning inom naturlig språkbehandling blomstrade, sökning förfinades och blev mer kraftfull, och konceptet "mikrovärldar" skapades, där enkla uppgifter utfördes med hjälp av instruktioner på vanligt språk.
Forskningen inom naturlig språkbehandling blomstrade, sökmetoder förfinades och gjordes kraftfullare, och konceptet ’mikrovärldar’ skapades där enkla uppgifter kunde lösas med rena språkinstruktioner.
---
Forskningen finansierades väl av statliga organ, framsteg gjordes inom beräkning och algoritmer, och prototyper av intelligenta maskiner byggdes. Några av dessa maskiner inkluderar:
Forskningen finansierades väl av statliga myndigheter, framsteg gjordes inom beräkningar och algoritmer och prototyper av intelligenta maskiner byggdes. Några av dessa maskiner inkluderar:
* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), som kunde manövrera och besluta hur uppgifter skulle utföras "intelligent".
* [Shakey roboten](https://wikipedia.org/wiki/Shakey_the_robot), som kunde manövrera och själv avgöra hur uppgifter skulle utföras ’intelligent’.
> Shakey år 1972
---
* Eliza, en tidig "chatterbot", kunde samtala med människor och fungera som en primitiv "terapeut". Du kommer att lära dig mer om Eliza i NLP-lektionerna.
* Eliza, en tidig ’chatterbot’, kunde samtala med människor och fungera som en primitiv ’terapeut’. Du kommer att lära dig mer om Eliza i NLP-lektionerna.
> En version av Eliza, en chatbot
---
* "Blocks world" var ett exempel på en mikrovärld där block kunde staplas och sorteras, och experiment i att lära maskiner att fatta beslut kunde testas. Framsteg byggda med bibliotek som [SHRDLU](https://wikipedia.org/wiki/SHRDLU) hjälpte till att driva språkbehandling framåt.
* ”Blockvärlden” var ett exempel på en mikrovärld där block kunde staplas och sorteras och experiment i att lära maskiner fatta beslut kunde testas. Framsteg med bibliotek som [SHRDLU](https://wikipedia.org/wiki/SHRDLU) hjälpte till att driva språkbehandling framåt.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world med SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blockvärlden med SHRDLU")
> 🎥 Klicka på bilden ovan för en video: Blocks world med SHRDLU
> 🎥 Klicka på bilden ovan för en video: Blockvärlden med SHRDLU
---
## 1974 - 1980: "AI-vintern"
## 1974 - 1980: ”AI Vinter”
I mitten av 1970-talet blev det uppenbart att komplexiteten i att skapa "intelligenta maskiner" hade underskattats och att dess löften, givet den tillgängliga beräkningskraften, hade överdrivits. Finansieringen torkade upp och förtroendet för området minskade. Några problem som påverkade förtroendet inkluderade:
I mitten av 1970-talet blev det tydligt att komplexiteten i att skapa ’intelligenta maskiner’ hade underskattats och att löftet, med den tillgängliga beräkningskraften, hade överskattats. Finansieringen sinade och förtroendet för området avtog. Några problem som påverkade förtroendet inkluderade:
---
- **Begränsningar**. Beräkningskraften var för begränsad.
- **Kombinatorisk explosion**. Antalet parametrar som behövde tränas växte exponentiellt när mer krävdes av datorer, utan en parallell utveckling av beräkningskraft och kapacitet.
- **Brist på data**. Det fanns en brist på data som hindrade processen att testa, utveckla och förfina algoritmer.
- **Ställer vi rätt frågor?**. Själva frågorna som ställdes började ifrågasättas. Forskare började möta kritik kring sina tillvägagångssätt:
- Turingtestet ifrågasattes bland annat genom teorin om "den kinesiska rummet", som hävdade att "programmering av en digital dator kan få den att verka förstå språk men kan inte producera verklig förståelse." ([källa](https://plato.stanford.edu/entries/chinese-room/))
- Etiken kring att introducera artificiella intelligenser som "terapeuten" ELIZA i samhället utmanades.
- **Kombinatorisk explosion**. Antalet parametrar som behövde tränas ökade exponentiellt när mer krävdes av datorerna, utan en parallell utveckling av beräkningskraft och kapacitet.
- **Brist på data**. Det fanns en brist på data som hindrade processen att testa, utveckla och förbättra algoritmerna.
- **Ställer vi rätt frågor?**. De frågor som ställdes började ifrågasättas. Forskare fick kritik för sina angreppssätt:
- Turing-testet ifrågasattes, bland annat genom ’kinesiska rummet-teorin’ som hävdade att ”programmering av en digital dator kan få det att verka som att datorn förstår språk men kan inte producera verklig förståelse.” ([källa](https://plato.stanford.edu/entries/chinese-room/))
- Etiken kring att introducera artificiella intelligenser som ”terapeuten” ELIZA i samhället utmanades.
---
Samtidigt började olika AI-skolor bildas. En dikotomi etablerades mellan ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) metoder. _Scruffy_-labb justerade program i timmar tills de fick önskade resultat. _Neat_-labb "fokuserade på logik och formell problemlösning". ELIZA och SHRDLU var välkända _scruffy_-system. På 1980-talet, när efterfrågan på att göra ML-system reproducerbara ökade, tog _neat_-metoden gradvis ledningen eftersom dess resultat är mer förklarbara.
Samtidigt började olika AI-skolor bildas. En dikotomi skapades mellan ["otämjd" och "prydlig AI"](https://wikipedia.org/wiki/Neats_and_scruffies). _Otämjda_ laboratorier tweekade program i timmar tills önskat resultat uppnåddes. _Prydlig_ laboratorier ”fokuserade på logik och formellt problemlösande”. ELIZA och SHRDLU var kända _otämjda_ system. Under 1980-talet, när kravet blev att göra ML-system reproducerbara, tog _prydlig_ metoden successivt ledningen eftersom dess resultat är mer förklarliga.
---
## 1980-talets expertsystem
När området växte blev dess nytta för företag tydligare, och på 1980-talet ökade också spridningen av "expertsystem". "Expertsystem var bland de första verkligt framgångsrika formerna av artificiell intelligens (AI)-programvara." ([källa](https://wikipedia.org/wiki/Expert_system)).
När området växte blev dess nytta för affärslivet tydligare, och på 1980-talet ökade även spridningen av ’expertsystem’. ”Expertsystem var bland de första verkliga framgångsrika formerna av mjukvara för artificiell intelligens (AI).” ([källa](https://wikipedia.org/wiki/Expert_system)).
Denna typ av system är faktiskt _hybrid_, bestående delvis av en regelmotor som definierar affärskrav och en inferensmotor som utnyttjar regelsystemet för att härleda nya fakta.
Denna typ av system är faktiskt _hybrid_, bestående delvis av en regelmotor som definierar affärskrav och en inferensmotor som använder regelsystemet för att härleda nya fakta.
Denna era såg också ökat fokus på neurala nätverk.
---
## 1987 - 1993: AI "kyla"
## 1987 - 1993: AI 'Chill'
Spridningen av specialiserad hårdvara för expertsystem hade den olyckliga effekten att bli för specialiserad. Framväxten av persondatorer konkurrerade också med dessa stora, specialiserade, centraliserade system. Demokratiseringen av databehandling hade börjat, och den banade så småningom väg för den moderna explosionen av big data.
Spridningen av specialiserad expertsystem-hårdvara hade den olyckliga effekten att den blev för specialiserad. Uppkomsten av persondatorer konkurrerade också med dessa stora, specialiserade, centraliserade system. Demokratiseringen av databehandling hade börjat och banade slutligen väg för den moderna explosionen av big data.
---
## 1993 - 2011
Denna epok såg en ny era för ML och AI att kunna lösa några av de problem som tidigare orsakats av bristen på data och beräkningskraft. Mängden data började snabbt öka och bli mer tillgänglig, på gott och ont, särskilt med framväxten av smarttelefonen runt 2007. Beräkningskraften expanderade exponentiellt, och algoritmer utvecklades parallellt. Fältet började mogna när de fria dagarna från det förflutna började kristalliseras till en verklig disciplin.
Denna epok innebar en ny era för ML och AI att kunna lösa vissa av de problem som tidigare orsakats av brist på data och beräkningskraft. Mängden data började snabbt öka och bli mer tillgänglig, till det bättre och sämre, särskilt med smarttelefonens framväxt omkring 2007. Beräkningskraften expanderade exponentiellt och algoritmer utvecklades parallellt. Fältet började mogna när de fria dagarna förflöt till en verklig disciplin.
---
## Nu
Idag berör maskininlärning och AI nästan alla delar av våra liv. Denna era kräver noggrann förståelse för riskerna och de potentiella effekterna av dessa algoritmer på människors liv. Som Microsofts Brad Smith har sagt, "Informationsteknologi väcker frågor som går till kärnan av grundläggande mänskliga rättigheter som integritet och yttrandefrihet. Dessa frågor ökar ansvaret för teknikföretag som skapar dessa produkter. Enligt vår uppfattning kräver de också genomtänkt statlig reglering och utveckling av normer kring acceptabla användningar" ([källa](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Idag berör maskininlärning och AI nästan varje del av våra liv. Denna era kräver noggrann förståelse av risker och potentiella effekter av dessa algoritmer på människors liv. Som Microsofts Brad Smith sagt: ”Informationsteknologi väcker frågor som går till kärnan i grundläggande mänskliga rättighetsskydd som integritet och yttrandefrihet. Dessa frågor ökar ansvaret för teknikföretag som skapar dessa produkter. Enligt vår mening kräver de också genomtänkt statlig reglering och utveckling av normer för acceptabla användningar” ([källa](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Det återstår att se vad framtiden har att erbjuda, men det är viktigt att förstå dessa datorsystem och den programvara och de algoritmer de kör. Vi hoppas att denna kursplan hjälper dig att få en bättre förståelse så att du kan bestämma själv.
Det återstår att se vad framtiden har att erbjuda, men det är viktigt att förstå dessa datasystem och den mjukvara och de algoritmer de kör. Vi hoppas att detta kursmaterial hjälper dig att få en bättre förståelse så att du själv kan ta ställning.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Historien om djupinlärning")
> 🎥 Klicka på bilden ovan för en video: Yann LeCun diskuterar historien om djupinlärning i denna föreläsning
@ -130,14 +130,14 @@ Det återstår att se vad framtiden har att erbjuda, men det är viktigt att fö
---
## 🚀Utmaning
Gräv djupare i ett av dessa historiska ögonblick och lär dig mer om personerna bakom dem. Det finns fascinerande karaktärer, och ingen vetenskaplig upptäckt har någonsin skapats i ett kulturellt vakuum. Vad upptäcker du?
Fördjupa dig i ett av dessa historiska ögonblick och lär dig mer om personerna bakom dem. Det finns fascinerande karaktärer och ingen vetenskaplig upptäckt skapas någonsin i ett kulturellt vakuum. Vad upptäcker du?
## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ml/)
---
## Granskning& Självstudier
## Repetition& Självstudier
Här är saker att titta på och lyssna på:
Här är saker att titta på och lyssna till:
[Denna podcast där Amy Boyd diskuterar AI:s utveckling](http://runasradio.com/Shows/Show/739)
@ -151,5 +151,7 @@ Här är saker att titta på och lyssna på:
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör det noteras att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, var vänlig notera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.
I denna kursplan kommer du att börja upptäcka hur maskininlärning kan och påverkar våra vardagsliv. Redan nu är system och modeller involverade i dagliga beslutsuppgifter, såsom vårddiagnoer, låneansökningar eller bedrägeridetektering. Så det är viktigt att dessa modeller fungerar bra för att leverera resultat som är pålitliga. Precis som vilken programvara som helst kommer AI-system att missa förväntningar eller ha oönskade resultat. Därför är det avgörande att kunna förstå och förklara beteendet hos en AI-modell.
I denna kursplan kommer du att börja upptäcka hur maskininlärning kan påverka och påverkar våra dagliga liv. Redan nu är system och modeller involverade i dagliga beslutsuppgifter, såsom vårddiagnoser, låneansökningar eller bedrägeribekämpning. Därför är det viktigt att dessa modeller fungerar bra för att ge resultat som går att lita på. Precis som vilken mjukvaruapplikation som helst kommer AI-system att kunna missa förväntningar eller ge oönskade utfall. Därför är det avgörande att kunna förstå och förklara beteendet hos en AI-modell.
Föreställ dig vad som kan hända när de data du använder för att bygga dessa modeller saknar vissa demografiska grupper, såsom ras, kön, politisk åsikt, religion, eller oproportionerligt representerar sådana grupper. Vad händer när modellens resultat tolkas för att gynna någon demografisk grupp? Vad är konsekvensen för applikationen? Dessutom, vad händer när modellen ger ett negativt resultat som skadar människor? Vem är ansvarig för AI-systemets beteende? Det är några frågor vi kommer att utforska i denna kursplan.
Föreställ dig vad som kan hända när datan du använder för att bygga dessa modeller saknar vissa demografiska grupper, såsom ras, kön, politisk åskådning, religion, eller oproportionerligt representerar sådana grupper. Vad händer när modellens output tolkas som att favorisera vissa demografier? Vad blir konsekvensen för applikationen? Dessutom, vad händer när modellen ger ett skadligt utfall som är skadligt för människor? Vem är ansvarig för AI-systemets beteende? Detta är några frågor vi kommer att utforska i denna kursplan.
I denna lektion kommer du att:
- Öka din medvetenhet om vikten av rättvisa i maskininlärning och skador relaterade till rättvisa.
- Bli bekant med övningen att utforska avvikare och ovanliga scenarier för att säkerställa tillförlitlighet och säkerhet
- Få förståelse för behovet att ge alla kraft genom att designa inkluderande system
- Utforska hur viktigt det är att skydda integritet och säkerhet för data och människor
- Se vikten av att ha en glaslåda-ansats för att förklara beteendet hos AI-modeller
- Vara medveten om hur ansvar är avgörande för att bygga förtroende för AI-system
- Bli bekant med praktiken att utforska avvikare och ovanliga scenarier för att säkerställa pålitlighet och säkerhet.
- Få förståelse för behovet att stärka alla genom att designa inkluderande system.
- Utforska hur viktigt det är att skydda integritet och säkerhet för data och människor.
- Se vikten av att ha en "glaslåda"-metod för att förklara AI-modellernas beteende.
- Vara medveten om hur ansvarstagande är avgörande för att bygga förtroende i AI-system.
## Förkunskaper
Som förkunskap, vänligen genomför "Principerna för ansvarsfull AI"-lärvägen och titta på videon nedan om ämnet:
Som förkunskap, ta gärna "Principer för ansvarsfull AI" lärvägen och se videon nedan om ämnet:
Lär dig mer om ansvarfull AI genom att följa denna [Lärväg](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Lär dig mer om ansvarsfull AI genom att följa denna [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsofts ansats till ansvarsfull AI")
[](https://youtu.be/dnC8-uUZXSc "Microsofts tillvägagångssätt för ansvarsfull AI")
> 🎥 Klicka på bilden ovan för en video: Microsofts ansats till ansvarsfull AI
> 🎥 Klicka på bilden ovan för en video: Microsofts tillvägagångssätt för ansvarsfull AI
## Rättvisa
AI-system bör behandla alla rättvist och undvika att påverka liknande grupper av människor på olika sätt. Till exempel, när AI-system ger vägledning om medicinsk behandling, låneansökningar eller anställning bör de ge samma rekommendationer till alla med liknande symtom, ekonomiska omständigheter eller yrkesmässiga kvalifikationer. Var och en av oss människor bär på ärvda fördomar som påverkar våra beslut och handlingar. Dessa fördomar kan vara uppenbara i de data som vi använder för att träna AI-system. Sådana manipulationer kan ibland ske omedvetet. Det är ofta svårt att medvetet veta när man introducerar bias i data.
AI-system bör behandla alla rättvist och undvika att påverka liknande grupper av människor på olika sätt. Till exempel när AI-system ger vägledning om medicinsk behandling, låneansökningar eller anställning, bör de göra samma rekommendationer till alla med liknande symptom, ekonomiska förhållanden eller yrkeskvalifikationer. Var och en av oss bär påvärkande förutfattade meningar som påverkar våra beslut och handlingar. Dessa bias kan synas i den data som används för att träna AI-system. Sådana manipulationer kan ibland ske oavsiktligt. Det är ofta svårt att medvetet veta när man introducerar bias i data.
**"Orättvisa"** omfattar negativa effekter eller "skador" för en grupp människor, såsom de definierade utifrån ras, kön, ålder eller funktionshinder. De huvudsakliga rättviserelaterade skadorna kan klassificeras som:
**"Orättvisa"** inkluderar negativa effekter, eller "skador", för en grupp människor, såsom de definierade utifrån ras, kön, ålder eller funktionshindringssstatus. De huvudsakliga rättvise-relaterade skadorna kan klassificeras som:
- **Tilldelning**, om ett kön eller en etnicitet till exempel gynnas över en annan.
- **Tjänstekvalitet**. Om du tränar data för ett specifikt scenario men verkligheten är mycket mer komplex, leder det till en dålig fungerande tjänst. Till exempel en handtvålsdispenser som inte tycktes kunna känna av människor med mörk hud. [Referens](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Nedsättning**. Att orättvist kritisera och etikettera något eller någon. Till exempel felmärkning av bilder på mörkhyade personer som gorillor av en bildmärkningsteknik.
- **Över- eller underrepresentation**. Idén är att en viss grupp inte syns inom ett visst yrke, och varje tjänst eller funktion som fortsätter att främja detta bidrar till skada.
- **Stereotypisering**. Att koppla en given grupp med förutbestämda attribut. Till exempel kan ett språköversättningssystem mellan engelska och turkiska ha felaktigheter på grund av ord med stereotypa könsassociationer.
- **Tilldelning**, om till exempel ett kön eller en etnicitet favoriseras över en annan.
- **Tjänstekvalitet**. Om du tränar data för ett specifikt scenario men verkligheten är mycket mer komplex, leder det till en dåligt fungerande tjänst. Till exempel en handtvålsdispenser som inte kunde känna av personer med mörk hud. [Referens](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Nedsmakning**. Att orättvist kritisera och märka något eller någon negativt. Till exempel, en bildigenkänningsteknologi som ökända felmärkte bilder på mörkhyade personer som gorillor.
- **Över- eller undersrepresentation**. Idén är att en viss grupp inte ses i ett visst yrke, och någon tjänst eller funktion som fortsätter att främja detta bidrar till skada.
- **Stereotyper**. Att associera en viss grupp med förutbestämda egenskaper. Till exempel en språköversättningssystem mellan engelska och turkiska kan ha felaktigheter på grund av ord med stereotyper kopplade till kön.
> översättning till turkiska
@ -48,98 +48,97 @@ AI-system bör behandla alla rättvist och undvika att påverka liknande grupper
> översättning tillbaka till engelska
När man designar och testar AI-system behöver vi säkerställa att AI är rättvist och inte programmerat att fatta partiska eller diskriminerande beslut, vilka människor också är förbjudna att fatta. Att garantera rättvisa i AI och maskininlärning förblir en komplex socioteknisk utmaning.
Vid design och testning av AI-system behöver vi säkerställa att AI är rättvist och inte programmerat att fatta partiska eller diskriminerande beslut, vilket människor också är förbjudna från att göra. Att garantera rättvisa i AI och maskininlärning är fortfarande en komplex socioteknisk utmaning.
### Tillförlitlighet och säkerhet
### Pålitlighet och säkerhet
För att bygga förtroende behöver AI-system vara tillförlitliga, säkra och konsekventa under normala och oväntade förhållanden. Det är viktigt att veta hur AI-system beter sig i olika situationer, särskilt när de är avvikare. När man bygger AI-lösningar måste det finnas stor fokus på hur man hanterar en mängd olika omständigheter som AI-lösningarna kan möta. Till exempel måste en självkörande bil prioritera människors säkerhet. Som resultat behöver AI som driver bilen ta hänsyn till alla möjliga scenarier som bilen kan stöta på som natt, åskväder eller snöstormar, barn som springer över gatan, husdjur, vägbyggen etc. Hur bra ett AI-system kan hantera ett brett spektrum av förhållanden pålitligt och säkert speglar hur väl dataforskaren eller AI-utvecklaren förutsett situationerna vid design eller testning av systemet.
För att bygga förtroende måste AI-system vara pålitliga, säkra och konsekventa under normala och oväntade förhållanden. Det är viktigt att veta hur AI-system kommer att bete sig i olika situationer, särskilt när det gäller avvikare. När man bygger AI-lösningar måste man lägga stor vikt vid hur man hanterar en mängd olika omständigheter som AI-lösningarna kan stöta på. Till exempel måste en självkörande bil prioritera människors säkerhet högst. Därför måste AI:n som driver bilen beakta alla möjliga scenarier som bilen kan möta, såsom natt, åskväder eller snöstormar, barn som springer över vägen, husdjur, vägbyggen etc. Hur väl ett AI-system kan hantera ett brett spektrum av förhållanden pålitligt och säkert speglar nivån av förutseende som dataforskaren eller AI-utvecklaren tog i beaktande vid design eller testning av systemet.
> [🎥 Klicka här för en video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Klicka här för en video: Pålitlighet och säkerhet i AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inkluderande
### Inkludering
AI-system bör designas för att engagera och stärka alla. När man designar och implementerar AI-system identifierar dataforskare och AI-utvecklare potentiella hinder i systemet som kan oavsiktligt exkludera människor. Till exempel finns det en miljard personer med funktionsnedsättningar runt om i världen. Med AI:s framsteg kan de enklare få tillgång till ett brett spektrum av information och möjligheter i sina vardagsliv. Genom att ta bort hindren skapas möjligheter att utveckla AI-produkter med bättre upplevelser som gynnar alla.
AI-system bör utformas för att engagera och stärka alla. Vid design och implementering av AI-system identifierar och åtgärdar dataforskare och AI-utvecklare potentiella hinder i systemet som oavsiktligt kan exkludera människor. Till exempel finns det 1 miljard människor med funktionsnedsättningar runt om i världen. Med AI:s framsteg kan de få tillgång till en mängd information och möjligheter mycket lättare i sitt dagliga liv. Genom att hantera dessa hinder skapas möjligheter att innovativt utveckla AI-produkter med bättre upplevelser som gynnar alla.
> [🎥 Klicka här för en video: inkludering i AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Klicka här för en video: Inkludering i AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Säkerhet och integritet
AI-system bör vara säkra och respektera människors integritet. Människor har mindre förtroende för system som riskerar deras integritet, information eller liv. När maskininlärningsmodeller tränas förlitar vi oss på data för att producera bästa resultat. Då måste ursprunget och integriteten hos datan beaktas. Till exempel, var datan användargenererad eller offentligt tillgänglig? När man arbetar med data är det avgörande att utveckla AI-system som kan skydda konfidentiell information och motstå attacker. Eftersom AI blir allt vanligare blir det mer kritiskt och komplext att skydda integritet och säkerställa viktig personlig och affärsinformation. Frågor om integritet och datasäkerhet kräver särskild närvaro för AI eftersom tillgång till data är avgörande för att AI-system ska kunna göra korrekta och välgrundade förutsägelser och beslut om människor.
AI-system bör vara säkra och respektera människors integritet. Människor har mindre förtroende för system som äventyrar deras integritet, information eller liv. Vid träning av maskininlärningsmodeller förlitar vi oss på data för att producera bästa resultat. I detta måste datakällan och dess integritet beaktas. Till exempel, var datan användarskickad eller offentligt tillgänglig? Vidare, när man arbetar med data är det avgörande att utveckla AI-system som kan skydda konfidentiell information och motstå attacker. I takt med att AI blir allt vanligare blir skydd av integritet och säkerhet för viktiga person- och företagsuppgifter mer kritiskt och komplext. Integritets- och datasäkerhetsfrågor kräver särskild uppmärksamhet för AI eftersom tillgång till data är väsentligt för att AI-system ska kunna göra exakta och välinformerade förutsägelser och beslut om människor.
> [🎥 Klicka här för en video: säkerhet i AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Klicka här för en video: Säkerhet i AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Som bransch har vi gjort betydande framsteg inom integritet och säkerhet, drivet av regler som GDPR (Allmän dataskyddsförordning).
- Ändå måste vi med AI-system erkänna spänningen mellan behovet av mer personlig data för att göra systemen mer personliga och effektiva - och integritet.
- Precis som med uppkomsten av uppkopplade datorer med internet ser vi också en stor ökning av säkerhetsproblem relaterade till AI.
- Samtidigt har vi sett AI användas för att förbättra säkerheten. Till exempel drivs de flesta moderna antivirusprogram idag av AI-heuristik.
- Vi måste säkerställa att våra Data Science-processer harmoniserar med de senaste praxis för integritet och säkerhet.
- Som bransch har vi gjort stora framsteg inom integritet och säkerhet, mycket drivet av regler som GDPR (Allmän dataskyddsförordning).
- Ändå måste vi med AI-system erkänna spänningen mellan behovet av mer personlig data för att göra systemen mer personliga och effektiva – och integritet.
- Precis som med internets uppkomst och uppkopplade datorer ser vi också en stor ökning av antalet säkerhetsproblem relaterade till AI.
- Samtidigt har vi sett AI användas för att förbättra säkerheten. Som exempel drivs de flesta moderna antivirus-scanners idag av AI-heuristik.
- Vi måste säkerställa att våra data science-processer harmoniskt integreras med de senaste praxis inom integritet och säkerhet.
### Transparens
AI-system bör vara begripliga. En avgörande del av transparens är att förklara beteendet hos AI-system och deras komponenter. Att förbättra förståelsen för AI-system kräver att intressenter förstår hur och varför de fungerar så att de kan identifiera potentiella prestandaproblem, säkerhets- och integritetsbekymmer, partiskhet, exkluderande praxis eller oönskade utfall. Vi anser också att de som använder AI-system bör vara ärliga och öppna om när, varför och hur de väljer att använda dem. Samt begränsningarna av systemen de använder. Till exempel, om en bank använder ett AI-system för att stödja sina utlåningsbeslut, är det viktigt att granska resultaten och förstå vilka data som påverkar systemets rekommendationer. Regeringar börjar reglera AI inom olika branscher, så dataforskare och organisationer måste kunna förklara om ett AI-system uppfyller regelkrav, särskilt när ett oönskat resultat sker.
AI-system bör vara begripliga. En avgörande del av transparens är att förklara beteendet hos AI-system och deras komponenter. Förbättrad förståelse av AI-system kräver att intressenter förstår hur och varför de fungerar så att de kan identifiera potentiella prestandaproblem, säkerhets- och integritetsproblem, bias, exkluderande metoder eller oönskade utfall. Vi tror också att de som använder AI-system bör vara ärliga och öppna om när, varför och hur de väljer att använda dem, samt vilka begränsningar systemen har. Till exempel, om en bank använder ett AI-system för att stödja sina konsumentlånebeslut, är det viktigt att granska resultaten och förstå vilken data som påverkar systemets rekommendationer. Regeringar börjar reglera AI över olika branscher, så dataforskare och organisationer måste kunna förklara om ett AI-system uppfyller regleringskrav, särskilt då det finns oönskade utfall.
> [🎥 Klicka här för en video: transparens i AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Klicka här för en video: Transparens i AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Eftersom AI-system är så komplexa är det svårt att förstå hur de fungerar och tolka resultaten.
- Denna brist på förståelse påverkar hur dessa system hanteras, driftssätts och dokumenteras.
- Denna brist på förståelse påverkar ännu viktigare besluten som fattas med resultaten dessa system producerar.
- Denna brist på förståelse påverkar hur dessa system hanteras, operativsätts och dokumenteras.
- Denna brist på förståelse påverkar viktigare besluten som fattas med hjälp av resultaten dessa system producerar.
### Ansvarsskyldighet
### Ansvar
Personer som designar och distribuerar AI-system måste vara ansvariga för hur deras system fungerar. Behovet av ansvar är särskilt viktigt med känslig teknik som ansiktsigenkänning. På senare tid har efterfrågan på ansiktsigenkänningsteknologi ökat, särskilt från brottsbekämpande myndigheter som ser teknikens potential i tillämpningar som att hitta saknade barn. Dock kan dessa tekniker potentiellt användas av en regering för att sätta medborgarnas grundläggande friheter i riskzonen genom att till exempel möjliggöra kontinuerlig övervakning av specifika personer. Därför behöver dataforskare och organisationer ansvara för hur deras AI-system påverkar individer eller samhället.
De som designar och lanserar AI-system måste vara ansvariga för hur deras system fungerar. Behovet av ansvarstagande är särskilt viktigt för känslig användning som ansiktsigenkänning. På senare tid har efterfrågan på ansiktsigenkänningsteknologi ökat, särskilt från brottsbekämpande myndigheter som ser teknikens potential i användningar som att hitta försvunna barn. Dessa teknologier skulle dock potentiellt kunna användas av en regering för att sätta medborgarnas grundläggande friheter i riskzonen, till exempel genom att möjliggöra kontinuerlig övervakning av specifika individer. Därför behöver dataforskare och organisationer vara ansvariga för hur deras AI-system påverkar individer eller samhället.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsofts ansats till ansvarsfull AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsofts tillvägagångssätt för ansvarsfull AI")
> 🎥 Klicka på bilden ovan för en video: Varningar om massövervakning via ansiktsigenkänning
> 🎥 Klicka på bilden ovan för en video: Varningar om massövervakning genom ansiktsigenkänning
I slutändan är en av de största frågorna för vår generation, som den första generationen som för AI till samhället, hur man säkerställer att datorer förblir ansvariga inför människor och hur man säkerställer att de som designar datorer förblir ansvariga inför alla andra.
I slutändan är en av de största frågorna för vår generation, som den första generationen som för AI till samhället, hur vi ska säkerställa att datorer förblir ansvariga inför människor och hur vi ska säkerställa att de som designar datorer förblir ansvariga inför alla andra.
## Påverkansbedömning
Innan man tränar en maskininlärningsmodell är det viktigt att genomföra en påverkansbedömning för att förstå syftet med AI-systemet; vad den avsedda användningen är; var det kommer att implementeras; och vem som kommer att interagera med systemet. Dessa är hjälpsamma för granskare eller testare som utvärderar systemet för att veta vilka faktorer att ta i beaktning vid identifiering av potentiella risker och förväntade konsekvenser.
Innan du tränar en maskininlärningsmodell är det viktigt att genomföra en påverkansbedömning för att förstå syftet med AI-systemet; vad den tänkta användningen är; var det ska användas; och vem som kommer interagera med systemet. Detta är hjälpsamt för granskare eller testare som utvärderar systemet att veta vilka faktorer de ska ta hänsyn till vid identifiering av potentiella risker och förväntade konsekvenser.
Följande är fokusområden vid genomförande av en påverkansbedömning:
* **Negativ påverkan på individer**. Att vara medveten om begränsningar eller krav, otillåten användning eller kända begränsningar som hindrar systemets prestanda är avgörande för att säkerställa att systemet inte används på ett sätt som kan skada individer.
* **Datakrav**. Att få förståelse för hur och var systemet kommer att använda data gör det möjligt för granskare att undersöka vilka datakrav som behöver beaktas (t.ex. GDPR eller HIPAA-regler). Utöver detta undersöks om källan eller mängden data är tillräcklig för träning.
* **Sammanfattning av påverkan**. Samla en lista över potentiella skador som kan uppstå från användning av systemet. Under maskininlärningscykeln ska det ses över om de identifierade problemen mildras eller åtgärdas.
* **Tillämpliga mål** för var och en av de sex kärnprinciperna. Utvärdera om målen från varje princip uppnås och om det finns några luckor.
* **Negativ påverkan på individer**. Att vara medveten om eventuella begränsningar eller krav, otillåten användning eller kända begränsningar som hindrar systemets prestanda är avgörande för att säkerställa att systemet inte används på ett sätt som kan skada individer.
* **Datakrav**. Att få en förståelse för hur och var systemet kommer att använda data gör det möjligt för granskare att undersöka eventuella datakrav som man behöver ta hänsyn till (t.ex. GDPR- eller HIPAA-regler). Dessutom undersöka om källa eller mängd av data är tillräcklig för träning.
* **Sammanfattning av påverkan**. Samla en lista över potentiella skador som kan uppstå vid användning av systemet. Under hela ML-livscykeln, granska om de identifierade problemen mildras eller åtgärdas.
* **Tillämpliga mål** för var och en av de sex kärnprinciperna. Utvärdera om målen från varje princip uppfylls och om det finns några luckor.
## Felsökning med ansvarsfull AI
Precis som att felsöka en programvara är felsökning av ett AI-system en nödvändig process för att identifiera och lösa problem i systemet. Det finns många faktorer som kan påverka att en modell inte fungerar som förväntat eller ansvarsfullt. De flesta traditionella modellprestandamått är kvantitativa sammanställningar av modellens prestation, vilket inte är tillräckligt för att analysera hur en modell bryter mot principerna för ansvarsfull AI. Dessutom är en maskininlärningsmodell en svart låda som gör det svårt att förstå vad som styr dess resultat eller ge förklaring när den gör ett misstag. Senare i kursen kommer vi att lära oss hur man använder den ansvarsfulla AI-instrumentpanelen för att hjälpa till att felsöka AI-system. Instrumentpanelen erbjuder ett helhetsverktyg för dataforskare och AI-utvecklare att utföra:
Precis som vid felsökning av en mjukvaruapplikation är felsökning av ett AI-system en nödvändig process för att identifiera och lösa problem i systemet. Det finns många faktorer som kan påverka att en modell inte presterar som förväntat eller ansvarsfullt. De flesta traditionella mått på modellprestanda är kvantitativa sammanlagda mått på modellens prestation, vilket inte är tillräckligt för att analysera hur en modell bryter mot principerna för ansvarsfull AI. Dessutom är en maskininlärningsmodell en svart låda som gör det svårt att förstå vad som driver dess resultat eller ge förklaring när den gör ett misstag. Senare i denna kurs kommer vi att lära oss hur man använder Responsible AI-instrumentpanelen för att felsöka AI-system. Instrumentpanelen erbjuder ett helhetsverktyg för dataforskare och AI-utvecklare att utföra:
* **Felfördelningsanalys**. För att identifiera felens fördelning i modellen som kan påverka systemets rättvisa eller tillförlitlighet.
* **Modellöversikt**. För att upptäcka var det finns skillnader i modellens prestanda över datasegment.
* **Dataanalys**. För att förstå datadistributionen och identifiera potentiell partiskhet i data som kan leda till problem med rättvisa, inkludering och tillförlitlighet.
* **Modelltoförståelse**. För att förstå vad som påverkar eller styr modellens förutsägelser. Detta hjälper till att förklara modellens beteende, vilket är viktigt för transparens och ansvar.
* **Felanalyser**. För att identifiera felens fördelning i modellen som kan påverka systemets rättvisa eller pålitlighet.
* **Modellöversikt**. För att upptäcka var det finns skillnader i modellens prestanda över olika datakoherter.
* **Dataanalys**. För att förstå datadistributionen och identifiera eventuell bias i data som kan leda till frågor kring rättvisa, inkludering och pålitlighet.
* **Modellförklarbarhet**. För att förstå vad som påverkar eller styr modellens förutsägelser. Detta hjälper till att förklara modellens beteende, vilket är viktigt för transparens och ansvarstagande.
## 🚀 Utmaning
För att förhindra att skador introduceras från början bör vi:
För att förhindra att skador uppstår från början borde vi:
- ha en mångfald av bakgrunder och perspektiv bland de som arbetar med system
- investera i datamängder som speglar mångfalden i vårt samhälle
- utveckla bättre metoder genom hela maskininlärningscykeln för att upptäcka och korrigera ansvarslös AI när det inträffar
- ha en mångfald av bakgrunder och perspektiv bland de som arbetar med systemen
- investera i dataset som speglar vår samhälls mångfald
- utveckla bättre metoder under hela maskininlärningslivscykeln för att upptäcka och rätta till ansvars- och AI-relaterade brister när de uppstår
Tänk på verkliga scenarier där en modells opålitlighet är uppenbar vid modellbyggande och användning. Vad mer bör vi ta hänsyn till?
Tänk på verkliga scenarier där en modells opålitlighet är uppenbar vid modellbygge och användning. Vad mer bör vi beakta?
I den här lektionen har du lärt dig grunderna i begreppen rättvisa och orättvisa inom maskininlärning.
I denna lektion har du lärt dig grunderna i begreppen rättvisa och orättvisa inom maskininlärning.
Titta på denna workshop för att fördjupa dig i ämnena:
- I jakten på ansvarig AI: Att omsätta principer i praktiken av Besmira Nushi, Mehrnoosh Sameki och Amit Sharma
- Mot ansvarsfull AI: Förverkliga principer i praktiken av Besmira Nushi, Mehrnoosh Sameki och Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Ett open-source ramverk för att bygga ansvarsfull AI")
> 🎥 Klicka på bilden ovan för en video: RAI Toolbox: Ett öppen källkodsramverk för att bygga ansvarig AI av Besmira Nushi, Mehrnoosh Sameki och Amit Sharma
> 🎥 Klicka på bilden ovan för en video: RAI Toolbox: Ett open-source ramverk för att bygga ansvarsfull AI av Besmira Nushi, Mehrnoosh Sameki och Amit Sharma
Läs också:
@ -149,7 +148,7 @@ Läs också:
RAI Toolbox:
- [Responsible AI Toolbox GitHub-repository](https://github.com/microsoft/responsible-ai-toolbox)
- [Responsible AI Toolbox GitHub-förråd](https://github.com/microsoft/responsible-ai-toolbox)
Läs om Azure Machine Learnings verktyg för att säkerställa rättvisa:
## [Förquiz innan lektionen](https://ff-quizzes.netlify.app/en/ml/)
> ### [Den här lektionen finns tillgänglig i R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Den här lektionen finns också på R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Introduktion
I dessa fyra lektioner kommer du att upptäcka hur man bygger regressionsmodeller. Vi kommer snart att diskutera vad de används till. Men innan du gör något, se till att du har rätt verktyg på plats för att starta processen!
I dessa fyra lektioner kommer du att upptäcka hur man bygger regressionsmodeller. Vi diskuterar vad dessa används till inom kort. Men innan du gör något, säkerställ att du har rätt verktyg på plats för att starta processen!
I denna lektion kommer du att lära dig hur man:
I denna lektion kommer du att lära dig hur du:
- Konfigurerar din dator för lokala maskininlärningsuppgifter.
- Arbetar med Jupyter Notebooks.
@ -21,33 +21,33 @@ I denna lektion kommer du att lära dig hur man:
## Installationer och konfigurationer
[](https://youtu.be/-DfeD2k2Kj0 "ML för nybörjare - Sätt upp dina verktyg klara för att bygga maskininlärningsmodeller")
[](https://youtu.be/-DfeD2k2Kj0 "ML för nybörjare - Ställ in dina verktyg redo att bygga maskininlärningsmodeller")
> 🎥 Klicka på bilden ovan för en kort video som går igenom hur du konfigurerar din dator för ML.
> 🎥 Klicka på bilden ovan för en kort video som går igenom att konfigurera din dator för ML.
1. **Installera Python**. Se till att [Python](https://www.python.org/downloads/) är installerat på din dator. Du kommer att använda Python för många datavetenskaps- och maskininlärningsuppgifter. De flesta datorer har redan en Python-installation. Det finns användbara [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) tillgängliga också, för att underlätta installationen för vissa användare.
1. **Installera Python**. Se till att [Python](https://www.python.org/downloads/) är installerat på din dator. Du kommer att använda Python för många data science- och maskininlärningsuppgifter. De flesta datasystem har redan en Python-installation. Det finns också användbara [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) tillgängliga för att förenkla installationen för vissa användare.
Vissa användningsområden för Python kräver dock en version av programvaran, medan andra kräver en annan version. Därför är det användbart att arbeta inom en [virtuell miljö](https://docs.python.org/3/library/venv.html).
Vissa användningar av Python kräver dock en version av mjukvaran medan andra kräver en annan version. Av den anledningen är det bra att arbeta inom en [virtuell miljö](https://docs.python.org/3/library/venv.html).
2. **Installera Visual Studio Code**. Se till att du har Visual Studio Code installerat på din dator. Följ dessa instruktioner för att [installera Visual Studio Code](https://code.visualstudio.com/) för grundinstallationen. Du kommer att använda Python i Visual Studio Code i denna kurs, så du kanske vill fräscha upp hur man [konfigurerar Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) för Python-utveckling.
2. **Installera Visual Studio Code**. Kontrollera att du har Visual Studio Code installerat på din dator. Följ dessa instruktioner för att [installera Visual Studio Code](https://code.visualstudio.com/) för en grundläggande installation. Du kommer att använda Python i Visual Studio Code i denna kurs, så du kanske vill fräscha upp dina kunskaper om hur man [konfigurerar Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) för Python-utveckling.
> Bli bekväm med Python genom att arbeta igenom denna samling av [Lär-moduler](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Bli bekväm med Python genom att gå igenom denna samling av [Lär-moduler](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Installera Python med Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Ställ in Python med Visual Studio Code")
>
> 🎥 Klicka på bilden ovan för en video: använda Python i VS Code.
3. **Installera Scikit-learn**, genom att följa [dessa instruktioner](https://scikit-learn.org/stable/install.html). Eftersom du behöver vara säker på att använda Python 3, rekommenderas det att använda en virtuell miljö. Observera att om du installerar detta bibliotek på en M1 Mac, finns särskilda instruktioner på den länkade sidan ovan.
3. **Installera Scikit-learn** genom att följa [dessa instruktioner](https://scikit-learn.org/stable/install.html). Eftersom du måste säkerställa att du använder Python 3, rekommenderas det att du använder en virtuell miljö. Observera att om du installerar detta bibliotek på en M1 Mac finns det speciella instruktioner på sidan som länkas ovan.
1. **Installera Jupyter Notebook**. Du behöver [installera Jupyter-paketet](https://pypi.org/project/jupyter/).
## Din ML-miljö för författande
## Din ML-utvecklingsmiljö
Du kommer att använda **notebooks** för att utveckla din Python-kod och skapa maskininlärningsmodeller. Denna typ av fil är ett vanligt verktyg för datavetare, och de kan identifieras av deras suffix eller filändelse `.ipynb`.
Du kommer att använda **notebooks** för att utveckla din Python-kod och skapa maskininlärningsmodeller. Denna typ av fil är ett vanligt verktyg för dataforskare och de kan identifieras på deras suffix eller filändelse `.ipynb`.
Notebooks är en interaktiv miljö som låter utvecklaren både koda och lägga till anteckningar och skriva dokumentation runt koden, vilket är ganska hjälpsamt för experimentella eller forskningsinriktade projekt.
Notebooks är en interaktiv miljö som tillåter utvecklaren att både koda och lägga till anteckningar och skriva dokumentation kring koden vilket är mycket hjälpsamt för experimentella eller forskningsorienterade projekt.
[](https://youtu.be/7E-jC8FLA2E "ML för nybörjare - Sätt upp Jupyter Notebooks för att börja bygga regressionsmodeller")
[](https://youtu.be/7E-jC8FLA2E "ML för nybörjare - Ställ in Jupyter Notebooks för att börja bygga regressionsmodeller")
> 🎥 Klicka på bilden ovan för en kort video som går igenom denna övning.
@ -59,9 +59,9 @@ I denna mapp hittar du filen _notebook.ipynb_.
En Jupyter-server startar med Python 3+ igång. Du kommer att hitta områden i notebooken som kan `köras`, kodavsnitt. Du kan köra ett kodblock genom att välja ikonen som ser ut som en play-knapp.
1. Välj `md`-ikonen och lägg till lite markdown, och följande text **# Välkommen till din notebook**.
1. Välj `md`-ikonen och lägg till lite markdown och följande text **# Välkommen till din notebook**.
Nästa, lägg till lite Python-kod.
Nästa steg, lägg till lite Python-kod.
1. Skriv **print('hello notebook')** i kodblocket.
1. Välj pilen för att köra koden.
@ -76,46 +76,46 @@ I denna mapp hittar du filen _notebook.ipynb_.
Du kan väva in din kod med kommentarer för att själv dokumentera notebooken.
✅ Tänk en stund på hur olika en webbutvecklares arbetsmiljö är jämfört med en datavetenskapspersons.
✅ Tänk en stund på hur annorlunda en webbutvecklares arbetsmiljö är jämfört med en dataforskares.
## Upp och igång med Scikit-learn
## Kom igång med Scikit-learn
Nu när Python är inställt i din lokala miljö och du är bekväm med Jupyter Notebooks, låt oss bli lika bekväma med Scikit-learn (uttalas `sci` som i `science`). Scikit-learn tillhandahåller ett [omfattande API](https://scikit-learn.org/stable/modules/classes.html#api-ref) för att hjälpa dig utföra ML-uppgifter.
Nu när Python är installerat i din lokala miljö och du är bekväm med Jupyter Notebooks, låt oss bli lika bekväma med Scikit-learn (uttalas `sci` som i `science`). Scikit-learn erbjuder ett [omfattande API](https://scikit-learn.org/stable/modules/classes.html#api-ref) som hjälper dig att utföra ML-uppgifter.
Enligt deras [webbplats](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn är ett öppet källkods-bibliotek för maskininlärning som stöder övervakad och oövervakad inlärning. Det erbjuder också olika verktyg för passformsanpassning, datarenas, modellval och utvärdering, samt många andra hjälpmedel."
Enligt deras [webbplats](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn är ett öppen källkods-maskininlärningsbibliotek som stöder övervakad och oövervakad inlärning. Det tillhandahåller också olika verktyg för modellpassning, datarensning, modellurval och utvärdering samt många andra verktyg."
I denna kurs kommer du att använda Scikit-learn och andra verktyg för att bygga maskininlärningsmodeller för att utföra det vi kallar 'traditionella maskininlärnings'uppgifter. Vi har medvetet undvikit neurala nätverk och djupinlärning, eftersom de täcks bättre i vår kommande 'AI för nybörjare'-kurs.
I denna kurs kommer du att använda Scikit-learn och andra verktyg för att bygga maskininlärningsmodeller för att utföra vad vi kallar 'traditionella maskininlärningsuppgifter'. Vi har medvetet undvikit neurala nätverk och djupinlärning, eftersom de behandlas bättre i vår kommande kurs 'AI för nybörjare'.
Scikit-learn gör det enkelt att bygga modeller och utvärdera dem för användning. Det är främst inriktat på att använda numerisk data och innehåller flera färdiga datasets som lärverktyg. Det inkluderar även förbyggda modeller för studenter att prova. Låt oss först utforska processen att ladda förpaketerad data och använda en inbyggd estimator, den första ML-modellen med Scikit-learn, med några grundläggande data.
Scikit-learn gör det enkelt att bygga modeller och utvärdera dem för användning. Den är främst inriktad på att använda numeriska data och innehåller flera färdiga datamängder för användning som inlärningsverktyg. Den inkluderar också förbyggda modeller för studenter att prova. Låt oss utforska processen att ladda förpackade data och använda en inbyggd estimator för att skapa din första ML-modell med Scikit-learn med viss grundläggande data.
## Övning - din första Scikit-learn notebook
> Denna handledning inspirerades av [exemplet på linjär regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) på Scikit-learns webbplats.
> Denna tutorial är inspirerad av [exemplet för linjär regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) på Scikit-learns webbplats.
[](https://youtu.be/2xkXL5EUpS0 "ML för nybörjare - Ditt första linjära regressionsprojekt i Python")
> 🎥 Klicka på bilden ovan för en kort video som går igenom denna övning.
I filen _notebook.ipynb_kopplad till denna lektion, rensa ut alla celler genom att trycka på ikonen för 'papperskorgen'.
I filen _notebook.ipynb_som hör till denna lektion, rensa alla celler genom att trycka på 'papperskorgs'-ikonen.
I denna sektion kommer du att arbeta med en liten dataset om diabetes som är inbyggd i Scikit-learn för inlärningsändamål. Föreställ dig att du vill testa en behandling för diabetiker. Maskininlärningsmodeller kan hjälpa dig att avgöra vilka patienter som skulle svara bättre på behandlingen, baserat på kombinationer av variabler. Även en mycket grundläggande regressionsmodell, när den visualiseras, kan visa information om variabler som skulle hjälpa dig att organisera dina teoretiska kliniska studier.
I detta avsnitt kommer du att arbeta med en liten dataset om diabetes som är inbyggd i Scikit-learn för lärande ändamål. Föreställ dig att du ville testa en behandling för diabetiker. Maskininlärningsmodeller kan hjälpa dig att avgöra vilka patienter som skulle svara bättre på behandlingen baserat på kombinationer av variabler. Även en mycket grundläggande regressionsmodell, när den visualiseras, kan visa information om variabler som hjälper dig att organisera dina teoretiska kliniska studier.
✅ Det finns många typer av regressionsmetoder, och vilken du väljer beror på det svar du söker. Om du vill förutsäga sannolik längd för en person av en viss ålder, skulle du använda linjär regression, eftersom du söker ett **numeriskt värde**. Om du är intresserad av att upptäcka om en typ av matlagning bör betraktas som vegansk eller inte, söker du en **kategoriindelning** och skulle därför använda logistisk regression. Du kommer att lära dig mer om logistisk regression senare. Tänk lite på några frågor du kan ställa om data, och vilken av dessa metoder som skulle vara mer lämplig.
✅ Det finns många typer av regressionsmetoder, och vilken du väljer beror på vilken fråga du vill besvara. Om du vill förutspå en sannolik längd för en person i en given ålder använder du linjär regression eftersom du söker ett **numeriskt värde**. Om du är intresserad av att upptäcka om en typ av kök ska klassas som veganskt eller inte, söker du en **kategori-klassificering**, så du skulle använda logistisk regression. Du kommer att lära dig mer om logistisk regression senare. Fundera lite på vilka frågor du kan ställa om data och vilken av dessa metoder som skulle vara lämpligare.
Låt oss sätta igång med denna uppgift.
Låt oss börja med denna uppgift.
### Importera bibliotek
För denna uppgift kommer vi att importera några bibliotek:
- **matplotlib**. Det är ett användbart [grafverktyg](https://matplotlib.org/) och vi kommer att använda det för att skapa ett linjediagram.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) är ett användbart bibliotek för hantering av numerisk data i Python.
- **sklearn**. Detta är [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)-biblioteket.
- **matplotlib**. Det är ett användbart [grafverktyg](https://matplotlib.org/) som vi kommer att använda för att skapa ett linjediagram.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) är ett användbart bibliotek för att hantera numeriska data i Python.
- **sklearn**. Det här är [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)-biblioteket.
Importera några bibliotek för att hjälpa dig med dina uppgifter.
Importera några bibliotek för att underlätta dina uppgifter.
1. Lägg till importerna genom att skriva följande kod:
1. Lägg till imports genom att skriva följande kod:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Importera några bibliotek för att hjälpa dig med dina uppgifter.
from sklearn import datasets, linear_model, model_selection
```
Ovan importerar du `matplotlib`, `numpy` och du importerar `datasets`, `linear_model` och `model_selection` från `sklearn`. `model_selection` används för att dela upp data i tränings- och testset.
Ovan importerar du `matplotlib`, `numpy` och du importerar `datasets`, `linear_model` och `model_selection` från `sklearn`. `model_selection` används för att dela upp data i tränings- och testuppsättningar.
### Diabetes-datasettet
### Diabetes-datasetet
Det inbyggda [diabetes-datasettet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) innehåller 442 datapunkter om diabetes, med 10 funktioner (features), några av dessa inkluderar:
Det inbyggda [diabetes-datasetet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) innehåller 442 datapunkter om diabetes med 10 egenskapsvariabler, varav några är:
- age: ålder i år
- bmi: kroppsmassindex
- bp: genomsnittligt blodtryck
- s1 tc: T-celler (en typ av vita blodkroppar)
✅ Detta dataset inkluderar kön som en viktig forskningsvariabel för diabetes. Många medicinska dataset innehåller denna typ av binär klassificering. Tänk lite på hur kategoriseringar som denna kan exkludera vissa delar av en befolkning från behandlingar.
✅ Detta dataset inkluderar begreppet 'sex' som en egenskapsvariabel som är viktig för forskning kring diabetes. Många medicinska dataset använder denna typ av binär klassifikation. Fundera lite på hur kategoriseringar som denna kan utesluta vissa delar av en befolkning från behandlingar.
Nu, ladda in X- och y-datan.
Ladda nu upp X- och y-data.
> 🎓 Kom ihåg, detta är övervakad inlärning, och vi behöver ett namngivet 'y'-mål.
> 🎓 Kom ihåg, detta är övervakad inlärning och vi behöver ett namngivet mål 'y'.
I en ny kodcell, ladda diabetes-datasettet genom att anropa `load_diabetes()`. Parametern`return_X_y=True` signalerar att `X` kommer att vara en datamatris och `y` kommer att vara regressionsmålet.
I en ny kodcell, ladda diabetes-datasetet genom att anropa `load_diabetes()`. Argumentet`return_X_y=True` signalerar att `X` kommer att vara en datamatris och `y` kommer att vara regressionsmålet.
1. Lägg till några print-kommandon för att visa form på datamatrisen och dess första element:
1. Lägg till några print-kommandon för att visa formen på datamatrisen och dess första element:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ I en ny kodcell, ladda diabetes-datasettet genom att anropa `load_diabetes()`. P
print(X[0])
```
Vad du får tillbaka är en tuppel. Det du gör är att tilldela de två första värdena i tuppeln till `X` respektive `y`. Läs mer [om tupplar](https://wikipedia.org/wiki/Tuple).
Det du får tillbaka som svar är en tuple. Vad du gör är att tilldela de två första värdena i tuplen till `X` respektive `y`. Läs mer [om tupler](https://wikipedia.org/wiki/Tuple).
Du kan se att denna data består av 442 objekt formade i arrayer med 10 element:
Du kan se att denna data har 442 objekt formade i arrayer med 10 element:
```text
(442, 10)
@ -160,9 +160,9 @@ I en ny kodcell, ladda diabetes-datasettet genom att anropa `load_diabetes()`. P
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Tänk lite på relationen mellan data och regressionsmålet. Linjär regression förutspår samband mellan funktion X och måldata y. Kan du hitta [målet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) för diabetes-datasettet i dokumentationen? Vad demonstrerar detta dataset, givet målet?
✅ Fundera lite på relationen mellan data och regressionsmålet. Linjär regression förutspår relationer mellan egenskapen X och målet y. Kan du hitta [målet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) för diabetes-datasetet i dokumentationen? Vad demonstrerar detta dataset, givet målet?
2. Välj sedan en del av detta dataset att plottas genom att välja den 3:e kolumnen i datasetet. Du kan göra detta genom att använda `:` för att välja alla rader, och sedan välja den 3:e kolumnen med index (2). Du kan också omforma datat till en 2D-array - som krävs för plottning - genom att använda `reshape(n_rows, n_columns)`. Om en av parametrarna är -1 beräknas motsvarande dimension automatiskt.
2. Välj sedan en del av detta dataset att plotta genom att välja den 3:e kolumnen i datasetet. Du kan göra detta genom att använda `:`operatorn för att välja alla rader, och sedan välja den 3:e kolumnen med index (2). Du kan också omforma datat till en 2D-array – som krävs för plotten – genom att använda `reshape(rader, kolumner)`. Om en av parametrarna är -1 beräknas motsvarande dimension automatiskt.
```python
X = X[:, 2]
@ -171,28 +171,28 @@ I en ny kodcell, ladda diabetes-datasettet genom att anropa `load_diabetes()`. P
✅ Skriv ut datat när som helst för att kontrollera dess form.
3. Nu när du har data redo att plottas, kan du se om en maskin kan hjälpa till att avgöra en logisk uppdelning mellan talen i detta dataset. För detta behöver du dela både data (X) och målet (y) i test- och träningsset. Scikit-learn har ett enkelt sätt att göra detta; du kan dela din testdata vid en given punkt.
3. Nu när du har data redo för plot, kan du se om en maskin kan hjälpa till att bestämma en logisk uppdelning mellan talen i detta dataset. För detta behöver du dela upp både data (X) och målet (y) i test- och träningsuppsättningar. Scikit-learn har ett enkelt sätt att göra detta; du kan dela upp din testdata vid en given punkt.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Nu är du redo att träna din modell! Ladda in linjär regressionsmodell och träna den med dina träningsset X och y med `model.fit()`:
4. Nu är du redo att träna din modell! Ladda in den linjära regressionsmodellen och träna den med dina X- och y-träningsmängder med `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` är en funktion du kommer se i många ML-bibliotek som TensorFlow
✅ `model.fit()` är en funktion som du kommer att se i många ML-bibliotek som TensorFlow
5. Skapa sedan en prediktion med testdata, med funktionen `predict()`. Detta används för att rita linjen mellan datagrupperna
5. Skapa sedan en förutsägelse med testdatat, med funktionen `predict()`. Denna används för att rita linjen mellan datagrupperna.
```python
y_pred = model.predict(X_test)
```
6. Nu är det dags att visa data i en plot. Matplotlib är ett mycket användbart verktyg för denna uppgift. Skapa ett spridningsdiagram av all X och y testdata, och använd prediktionen för att rita en linje på bästa plats mellan modellens datagruppering.
6. Nu är det dags att visa datat i ett diagram. Matplotlib är ett mycket användbart verktyg för denna uppgift. Skapa ett scatterplot av all X och y testdata, och använd förutsägelsen för att rita en linje på den mest lämpliga platsen mellan modellens datagrupperingar.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ I en ny kodcell, ladda diabetes-datasettet genom att anropa `load_diabetes()`. P
plt.show()
```
✅ Fundera på vad som händer här. En rak linje går genom många små datapunkter, men vad gör den egentligen? Kan du se hur du ska kunna använda denna linje för att förutsäga var en ny, osedd datapunkt bör placeras i förhållande till plotens y-axel? Försök sätta ord på den praktiska användningen av denna modell.
✅ Tänk lite på vad som händer här. En rät linje går genom många små datapunkter, men vad gör den egentligen? Kan du se hur du borde kunna använda den här linjen för att förutsäga var en ny, osedd datapunkt borde passa in i förhållande till plottens y-axel? Försök att sätta i ord det praktiska användningsområdet för den här modellen.
Grattis, du byggde din första linjära regressionsmodell, skapade en förutsägelse med den, och visade den i en plot!
Grattis, du har byggt din första linjära regressionsmodell, skapat en förutsägelse med den och visat den i ett diagram!
---
## 🚀Utmaning
Plotta en annan variabel från denna dataset. Tips: redigera denna rad: `X = X[:,2]`. Med tanke på denna datasets mål, vad kan du upptäcka om diabetes progression som sjukdom?
## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ml/)
Plotta en annan variabel från detta dataset. Tips: redigera denna rad: `X = X[:,2]`. Givet detta datasets mål, vad kan du upptäcka om diabetes som sjukdoms progression?
## [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/ml/)
## Repetition& Självstudier
## Genomgång& Självstudier
I denna handledning arbetade du med enkel linjär regression, snarare än univariat eller multipel linjär regression. Läs lite om skillnaderna mellan dessa metoder, eller titta på [denna video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
I denna tutorial arbetade du med enkel linjär regression, snarare än univariat eller multipel linjär regression. Läs lite om skillnaderna mellan dessa metoder, eller titta på [den här videon](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Läs mer om begreppet regression och fundera över vilka typer av frågor som kan besvaras med denna teknik. Ta denna [handledning](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) för att fördjupa din förståelse.
Läs mer om begreppet regression och fundera på vilka typer av frågor som kan besvaras med denna teknik. Ta denna [handledning](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) för att fördjupa din förståelse.
Klustring är en maskininlärningsuppgift där man försöker hitta objekt som liknar varandra och gruppera dessa i grupper som kallas kluster. Det som skiljer klustring från andra metoder inom maskininlärning är att processen sker automatiskt. Faktum är att det kan sägas vara motsatsen till övervakad inlärning.
Klustering är en maskininlärningsuppgift där man försöker hitta objekt som liknar varandra och gruppera dessa i grupper som kallas kluster. Det som skiljer klustering från andra metoder inom maskininlärning är att saker händer automatiskt, faktiskt kan man säga att det är motsatsen till övervakad inlärning.
## Regionalt ämne: klusteringsmodeller för en nigeriansk publik med musiksmak 🎧
Nigerias mångsidiga publik har en varierad musiksmak. Med hjälp av data hämtad från Spotify (inspirerad av [denna artikel](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ska vi titta på musik som är populär i Nigeria. Denna dataset innehåller information om olika låtars "dansbarhet", "akustik", ljudstyrka, "talighet", popularitet och energi. Det kommer att bli intressant att upptäcka mönster i denna data!
Nigerias mångsidiga publik har olika musiksmaker. Med data skrapad från Spotify (inspirerad av [denna artikel](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) ska vi titta på musik som är populär i Nigeria. Denna datamängd innehåller data om olika låtars 'danceability'-poäng, 'acousticness', volym, 'speechiness', popularitet och energi. Det blir intressant att upptäcka mönster i denna data!
> Foto av <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> på <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
I denna serie av lektioner kommer du att upptäcka nya sätt att analysera data med hjälp av klusteringstekniker. Klustring är särskilt användbart när din dataset saknar etiketter. Om den däremot har etiketter kan klassificeringstekniker, som de du lärde dig i tidigare lektioner, vara mer användbara. Men i fall där du vill gruppera oetiketterad data är klustring ett utmärkt sätt att upptäcka mönster.
I denna lektionserie kommer du att upptäcka nya sätt att analysera data med hjälp av klustertekniker. Klustering är särskilt användbart när din datamängd saknar etiketter. Om den däremot har etiketter kan klassificeringstekniker, såsom de du lärde dig i tidigare lektioner, vara mer användbara. Men i fall där du vill gruppera oetiketterad data är klustering ett utmärkt sätt att upptäcka mönster.
> Det finns användbara verktyg med låg kod som kan hjälpa dig att arbeta med klusteringsmodeller. Prova [Azure ML för denna uppgift](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Det finns användbara lågkodverktyg som kan hjälpa dig att lära dig arbeta med klusteringsmodeller. Prova [Azure ML för denna uppgift](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lektioner
1. [Introduktion till klustring](1-Visualize/README.md)
2. [K-Means klustring](2-K-Means/README.md)
1. [Introduktion till klustering](1-Visualize/README.md)
2. [K-Means klustering](2-K-Means/README.md)
## Krediter
## Crediteringar
Dessa lektioner skrevs med 🎶 av [Jen Looper](https://www.twitter.com/jenlooper) med hjälpsamma recensioner av [Rishit Dagli](https://rishit_dagli) och [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Dessa lektioner skrevs med 🎶 av [Jen Looper](https://www.twitter.com/jenlooper) med hjälpsamma recensioner av [Rishit Dagli](https://rishit_dagli/) och [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Datasetet [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) hämtades från Kaggle och är baserat på data från Spotify.
Datamängden [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) hämtades från Kaggle och skrapades från Spotify.
Användbara K-Means-exempel som hjälpte till att skapa denna lektion inkluderar denna [iris-analys](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), denna [introduktionsnotebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python), och detta [hypotetiska NGO-exempel](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Användbara K-Means-exempel som hjälpte till att skapa denna lektion inkluderar denna [irisutforskning](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), denna [introduktionsanteckning](https://www.kaggle.com/prashant111/k-means-clustering-with-python), och detta [hypotetiska NGO-exempel](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på sitt ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, var vänlig notera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.
Vad är tidsserieprognostisering? Det handlar om att förutsäga framtida händelser genom att analysera trender från det förflutna.
Vad är tidsserieprognoser? Det handlar om att förutsäga framtida händelser genom att analysera trender från det förflutna.
## Regionalt ämne: global elförbrukning ✨
I dessa två lektioner kommer du att introduceras till tidsserieprognostisering, ett något mindre känt område inom maskininlärning som ändå är oerhört värdefullt för industri- och affärsapplikationer, bland andra områden. Även om neurala nätverk kan användas för att förbättra nyttan av dessa modeller, kommer vi att studera dem i kontexten av klassisk maskininlärning, eftersom modeller hjälper till att förutsäga framtida prestanda baserat på det förflutna.
I dessa två lektioner kommer du att introduceras för tidsserieprognoser, ett något mindre känt område inom maskininlärning som ändå är extremt värdefullt för industri- och affärsapplikationer, bland andra områden. Medan neurala nätverk kan användas för att förbättra nyttan av dessa modeller, kommer vi att studera dem i kontexten av klassisk maskininlärning där modeller hjälper till att förutsäga framtida prestation baserat på det förflutna.
Vårt regionala fokus är elförbrukning i världen, ett intressant dataset för att lära sig att prognostisera framtida elförbrukning baserat på mönster från tidigare belastning. Du kan se hur denna typ av prognostisering kan vara oerhört användbar i en affärsmiljö.
Vårt regionala fokus är elförbrukning i världen, en intressant datamängd för att lära sig om att prognostisera framtida elförbrukning baserat på mönster av tidigare belastning. Du kan se hur denna typ av prognoser kan vara extremt hjälpsam i en affärsmiljö.
Foto av [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) av elstolpar på en väg i Rajasthan på [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Foto av [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) av elektriska stolpar på en väg i Rajasthan på [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Lektioner
1. [Introduktion till tidsserieprognostisering](1-Introduction/README.md)
2. [Bygga ARIMA-modeller för tidsserier](2-ARIMA/README.md)
3. [Bygga Support Vector Regressor för tidsserieprognostisering](3-SVR/README.md)
1. [Introduktion till tidsserieprognoser](1-Introduction/README.md)
3. [Bygga Support Vector Regressor för tidsserieprognoser](3-SVR/README.md)
## Krediter
## Tack
"Introduktion till tidsserieprognostisering" skrevs med ⚡️ av [Francesca Lazzeri](https://twitter.com/frlazzeri) och [Jen Looper](https://twitter.com/jenlooper). Anteckningsböckerna publicerades först online i [Azure "Deep Learning For Time Series"-repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ursprungligen skrivet av Francesca Lazzeri. Lektionen om SVR skrevs av [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Introduktion till tidsserieprognoser" skrevs med ⚡️ av [Francesca Lazzeri](https://twitter.com/frlazzeri) och [Jen Looper](https://twitter.com/jenlooper). Anteckningsböckerna publicerades först online i [Azure "Deep Learning For Time Series"-repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) som ursprungligen skrevs av Francesca Lazzeri. SVR-lektionen skrevs av [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, var vänlig notera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.
> Detta arkiv innehåller över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparse checkout:
> Detta repo inkluderar över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -36,60 +36,62 @@
> Detta ger dig allt du behöver för att slutföra kursen med en mycket snabbare nedladdning.
Vi har en Discord-serie om att lära sig med AI pågående, lär dig mer och gå med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) från 18 - 30 september, 2025. Du får tips och tricks om hur man använder GitHub Copilot för Data Science.
Vi har en pågående Discord-serie för lärande med AI, lär dig mer och gå med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) från 18–30 september 2025. Du kommer att få tips och tricks om hur man använder GitHub Copilot för data science.
# Maskininlärning för nybörjare - En läroplan
# Maskininlärning för nybörjare – En läroplan
> 🌍 Res runt i världen när vi utforskar maskininlärning genom världens kulturer 🌍
> 🌍 Res runt jorden när vi utforskar Maskininlärning genom världskulturer 🌍
Cloud Advocates på Microsoft erbjuder en 12-veckors, 26-lektioners läroplan som handlar om **Maskininlärning**. I denna läroplan kommer du att lära dig om det som ibland kallas **klassisk maskininlärning**, med huvudsakligen Scikit-learn som bibliotek och utan djupinlärning, som täcks i vår [AI för nybörjare-läroplan](https://aka.ms/ai4beginners). Kombinera dessa lektioner med vår ['Data Science för nybörjare-läroplan'](https://aka.ms/ds4beginners) också!
Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners läroplan som handlar om **Maskininlärning**. I denna läroplan kommer du lära dig om vad som ibland kallas **klassisk maskininlärning**, med huvudsakligen Scikit-learn som bibliotek och undviker djupinlärning, vilken tas upp i vår [AI for Beginners-läroplan](https://aka.ms/ai4beginners). Kombinera dessa lektioner med vår ['Data Science for Beginners'-läroplan](https://aka.ms/ds4beginners) också!
Res med oss runt världen medan vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära dig medan du bygger, ett beprövat sätt för nya färdigheter att "fästa".
Res med oss runt världen när vi applicerar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar för- och efterföreläsningsquiz, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära dig medan du bygger, ett beprövat sätt för nya färdigheter att 'fästa'.
**✍️ Stort tack till våra författare** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu och Amy Boyd
**🎨 Tack också till våra illustratörer** Tomomi Imura, Dasani Madipalli och Jen Looper
**🎨 Tack även till våra illustratörer** Tomomi Imura, Dasani Madipalli och Jen Looper
**🙏 Stort tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsbidragsgivare**, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal
**🙏 Särskilt tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsmedarbetare**, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal
**🤩 Extra tack till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!**
# Kom igång
Följ dessa steg:
1. **Fork:a Repositoriet**: Klicka på knappen "Fork" uppe till höger på denna sida.
> [hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Snabbstartstips:** Vill du börja i en webbläsare utan att installera Python lokalt? Använd [GitHub Codespaces](https://github.com/features/codespaces) för att skapa en molnutvecklingsmiljö för din fork. Öppna den gröna **Code**-menyn, välj **Codespaces** och skapa en codespace; installera varje lektions nödvändiga beroenden inuti den vid behov.
> [hitta alla ytterligare resurser för denna kurs i vår samling på Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Behöver du hjälp?** Kolla vår [Felsökningsguide](TROUBLESHOOTING.md) för lösningar på vanliga problem med installation, uppsättning och att köra lektioner.
> 🔧 **Behöver du hjälp?** Kolla vår [Felsökningsguide](TROUBLESHOOTING.md) för lösningar på vanliga problem med installation, setup och körning av lektioner.
**[Studenter](https://aka.ms/student-page)**, för att använda denna läroplan, gör en fork av hela repo till ditt eget GitHub-konto och gör övningarna själv eller i en grupp:
**[Studenter](https://aka.ms/student-page)**, för att använda denna läroplan, fork:a hela repot till ditt eget GitHub-konto och genomför övningarna på egen hand eller i grupp:
- Börja med ett quiz före föreläsningen.
- Läs föreläsningen och utför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
- Försök att skapa projekten genom att förstå lektionerna snarare än att bara köra lösningskoden; dock finns koden tillgänglig i `/solution`-mapparna i varje projektorienterad lektion.
- Gör quizet efter föreläsningen.
- Börja med ett för-lecture quiz.
- Läs föreläsningen och genomför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
- Försök skapa projekten genom att förstå lektionerna snarare än att köra lösningskoden; dock finns den koden tillgänglig i `/solution`-mapparna i varje projektorienterad lektion.
- Ta post-lecture quiz.
- Slutför utmaningen.
- Slutför uppgiften.
- Efter att ha slutfört en lektionsgrupp, besök [Diskussionsforumet](https://github.com/microsoft/ML-For-Beginners/discussions) och "lär högt" genom att fylla i lämpligt PAT-rubrik. Ett 'PAT' är ett Progress Assessment Tool som är en bedömningsmall du fyller i för att fördjupa din kunskap. Du kan också reagera på andra PAT:er så att vi kan lära oss tillsammans.
- Efter att ha slutfört en lektionsgrupp, besök [Diskussionsforumet](https://github.com/microsoft/ML-For-Beginners/discussions) och "lär högt" genom att fylla i rätt PAT-rubrik. En 'PAT' är ett bedömningsverktyg för framsteg som är en rubrik du fyller i för att främja ditt lärande. Du kan också reagera på andra PAT:er så att vi kan lära tillsammans.
> För vidare studier rekommenderar vi att följa dessa [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduler och lärvägar.
**Lärare**, vi har [inkluderat några förslag](for-teachers.md) på hur ni kan använda denna läroplan.
**Lärare**, vi har [inkluderat några förslag](for-teachers.md) om hur man använder denna läroplan.
---
## Videogenomgångar
## Videogenomgångar
Några av lektionerna finns som korta videor. Du kan hitta alla dessa inbäddade i lektionerna, eller på [ML for Beginners spellistan på Microsoft Developer YouTube-kanal](https://aka.ms/ml-beginners-videos) genom att klicka på bilden nedan.
Några av lektionerna finns som korta videoklipp. Du kan hitta alla dessa in-line i lektionerna, eller på [ML for Beginners spellista på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) genom att klicka på bilden nedan.
[](https://aka.ms/ml-beginners-videos)
@ -107,116 +109,118 @@ Några av lektionerna finns som korta videor. Du kan hitta alla dessa inbäddade
## Pedagogik
Vi har valt två pedagogiska principer vid skapandet av denna läroplan: att den ska vara praktiskt **projektbaserad** och att den innehåller **frekventa quiz**. Dessutom har denna läroplan ett gemensamt **tema** för att ge den sammanhang.
Vi har valt två pedagogiska principer under byggandet av denna läroplan: att säkerställa att den är praktiskt **projektbaserad** och att den inkluderar **frestande quiz**. Dessutom har denna läroplan ett gemensamt **tema** för att ge enhetlighet.
Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenter och konceptbevarandet förbättras. Dessutom sätter ett lågintensivt quiz före lektionen en avsikt för studenten att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer vidare retention. Denna läroplan är designad för att vara flexibel och rolig och kan läsas i sin helhet eller delvis. Projekten börjar små och blir successivt mer komplexa under den 12-veckors cykeln. Denna läroplan innehåller även ett postscriptum om verkliga tillämpningar av ML, som kan användas som extrakredit eller som grund för diskussion.
Genom att säkerställa att innehållet stämmer överens med projekt görs processen mer engagerande för studenter och behållning av koncept kommer att ökas. Dessutom sätter ett lågrisk-quiz före lektionen studentens intention mot att lära sig ett ämne, medan ett andra quiz efter klassen säkerställer ytterligare behållning. Denna läroplan designades för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir alltmer komplexa mot slutet av den 12-veckors cykeln. Denna läroplan inkluderar också en epilog om verkliga tillämpningar av ML, vilken kan användas som extrapoäng eller som grund för diskussion.
> Hitta våra [uppförandekoder](CODE_OF_CONDUCT.md), [Bidragande](CONTRIBUTING.md), [Översättningar](..) och [Felsökning](TROUBLESHOOTING.md) riktlinjer. Vi välkomnar din konstruktiva feedback!
> Hitta vår [Uppförandekod](CODE_OF_CONDUCT.md), [Bidra](CONTRIBUTING.md), [Översättningar](..) och [Felsökning](TROUBLESHOOTING.md) riktlinjer. Vi välkomnar din konstruktiva feedback!
## Varje lektion innehåller
## Varje lektion inkluderar
- valfri sketchnote
- valfritt sketchnote
- valfri kompletterande video
- videogenomgång (vissa lektioner endast)
- [uppvärmningsquiz före föreläsning](https://ff-quizzes.netlify.app/en/ml/)
- för projektbaserade lektioner, steg-för-steg-guide hur man bygger projektet
- för projektbaserade lektioner, steg-för-steg guider för hur man bygger projektet
- kunskapskontroller
- en utmaning
- kompletterande läsning
- uppgift
- [quiz efter föreläsning](https://ff-quizzes.netlify.app/en/ml/)
> **En notis om språk**: Dessa lektioner är främst skrivna i Python, men många finns även tillgängliga på R. För att genomföra en R-lektion, gå till `/solution`-mappen och leta efter R-lektioner. De inkluderar en .rmd-filändelse som representerar en **R Markdown**-fil, vilket enkelt kan definieras som en inbäddning av `kodblock` (av R eller andra språk) och en `YAML-header` (som styr hur utdata ska formateras, såsom PDF) i ett `Markdown-dokument`. Som sådan fungerar det som en exemplifierande författarramverk för datavetenskap eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att tillåta dig att skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdatakällor som PDF, HTML eller Word.
> **En notis om quiz**: Alla quiz finns i [Quiz App-mappen](../../quiz-app), totalt 52 quiz med tre frågor vardera. De är länkade från inom lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i `quiz-app`-mappen för att köra lokalt eller distribuera till Azure.
| Lektion Nummer | Ämne | Lektion Gruppindelning | Lärandemål | Länkad Lektion | Författare |
| 01 | Introduktion till maskininlärning | [Introduktion](1-Introduction/README.md) | Lär dig de grundläggande koncepten bakom maskininlärning | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historien om maskininlärning | [Introduktion](1-Introduction/README.md) | Lär dig historien bakom detta område | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen och Amy |
| 03 | Rättvisa och maskininlärning | [Introduktion](1-Introduction/README.md) | Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga när de bygger och använder ML-modeller? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tekniker för maskininlärning | [Introduktion](1-Introduction/README.md) | Vilka tekniker använder ML-forskare för att bygga ML-modeller? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris och Jen |
| 05 | Introduktion till regression | [Regression](2-Regression/README.md) | Kom igång med Python och Scikit-learn för regressionsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanska pumpapriser 🎃 | [Regression](2-Regression/README.md) | Visualisera och rengör data inför ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanska pumpapriser 🎃 | [Regression](2-Regression/README.md) | Bygg linjära och polynomiska regressionsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen och Dmitry • Eric Wanjau |
| 08 | Nordamerikanska pumpapriser 🎃 | [Regression](2-Regression/README.md) | Bygg en logistisk regressionsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | [Web App](3-Web-App/README.md) | Bygg en webbapp för att använda din tränade modell | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduktion till klassificering | [Classification](4-Classification/README.md) | Rengör, förbered och visualisera din data; introduktion till klassificering | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen och Cassie • Eric Wanjau |
| 11 | Läcker asiatisk och indisk matlagning 🍜 | [Classification](4-Classification/README.md) | Introduktion till klassificerare | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen och Cassie • Eric Wanjau |
| 12 | Läcker asiatisk och indisk matlagning 🍜 | [Classification](4-Classification/README.md) | Fler klassificerare | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen och Cassie • Eric Wanjau |
| 13 | Läcker asiatisk och indisk matlagning 🍜 | [Classification](4-Classification/README.md) | Bygg en rekommenderande webbapp med hjälp av din modell | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduktion till klustring | [Clustering](5-Clustering/README.md) | Rengör, förbered och visualisera din data; introduktion till klustring | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Introduktion till naturlig språkbehandling ☕️ | [Natural language processing](6-NLP/README.md) | Lär dig grunderna i NLP genom att bygga en enkel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Vanliga NLP-uppgifter ☕️ | [Natural language processing](6-NLP/README.md) | Fördjupa din NLP-kunskap genom att förstå vanliga uppgifter vid hantering av språkliga strukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Översättning och sentimentanalys ♥️ | [Natural language processing](6-NLP/README.md) | Översättning och sentimentanalys med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiska hotell i Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalys med hotellrecensioner 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiska hotell i Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalys med hotellrecensioner 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduktion till tidsserieprognoser | [Time series](7-TimeSeries/README.md) | Introduktion till tidsserieprognoser | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med ARIMA | [Time series](7-TimeSeries/README.md) | Tidsserieprognoser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med SVR | [Time series](7-TimeSeries/README.md) | Tidsserieprognoser med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduktion till förstärkningsinlärning | [Reinforcement learning](8-Reinforcement/README.md) | Introduktion till förstärkningsinlärning med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjälp Peter undvika vargen! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Förstärkningsinlärning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Efterskrift | Verkliga ML-scenarier och tillämpningar | [ML in the Wild](9-Real-World/README.md) | Intressanta och avslöjande verkliga tillämpningar av klassisk ML | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Efterskrift | Modellfelsökning i ML med hjälp av RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Modellfelsökning i maskininlärning med Responsible AI-dashboardkomponenter | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **En not om språk**: Dessa lektioner är huvudsakligen skrivna i Python, men många finns också tillgängliga i R. För att slutföra en R-lektion, gå till `/solution`-mappen och leta efter R-lektioner. De innehåller en .rmd filändelse som representerar en **R Markdown**-fil, vilket enkelt kan definieras som en inbäddning av `kodblock` (av R eller andra språk) och en `YAML-header` (som styr hur utdata, t.ex. PDF, formateras) i ett `Markdown-dokument`. Som sådan fungerar det som en utmärkt författarram för data science eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att låta dig skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word.
> **En not om quiz**: Alla quiz finns i mappen [Quiz App](../../quiz-app), totalt 52 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i `quiz-app` mappen för lokal hosting eller distribution till Azure.
| Lektion Nummer | Ämne | Lektion Grupp | Lärandemål | Länkad Lektion | Författare |
| 01 | Introduktion till maskininlärning | [Introduction](1-Introduction/README.md) | Lär dig de grundläggande begreppen bakom maskininlärning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Maskininlärningens historia | [Introduction](1-Introduction/README.md) | Lär dig historien bakom detta område | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Rättvisa och maskininlärning | [Introduction](1-Introduction/README.md) | Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör beakta när de bygger och använder ML-modeller? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tekniker för maskininlärning | [Introduction](1-Introduction/README.md) | Vilka tekniker använder ML-forskare för att bygga ML-modeller? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduktion till regression | [Regression](2-Regression/README.md) | Kom igång med Python och Scikit-learn för regressionsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanska pumpapriser 🎃 | [Regression](2-Regression/README.md) | Visualisera och rengör data som förberedelse för ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanska pumpapriser 🎃 | [Regression](2-Regression/README.md) | Bygg linjära och polynomiska regressionsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Nordamerikanska pumpapriser 🎃 | [Regression](2-Regression/README.md) | Bygg en logistisk regressionsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En webbapp 🔌 | [Web App](3-Web-App/README.md) | Bygg en webbapp för att använda din tränade modell | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduktion till klassificering | [Classification](4-Classification/README.md) | Rengör, förbered och visualisera dina data; introduktion till klassificering | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Underbara asiatiska och indiska kök 🍜 | [Classification](4-Classification/README.md) | Introduktion till klassificerare | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Underbara asiatiska och indiska kök 🍜 | [Classification](4-Classification/README.md) | Fler klassificerare | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Underbara asiatiska och indiska kök 🍜 | [Classification](4-Classification/README.md) | Bygg en rekommenderande webbapp med din modell | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduktion till klustring | [Clustering](5-Clustering/README.md) | Rengör, förbered och visualisera dina data; introduktion till klustring | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Introduktion till naturlig språkbehandling ☕️ | [Natural language processing](6-NLP/README.md) | Lär dig grunderna om NLP genom att bygga en enkel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Vanliga NLP-uppgifter ☕️ | [Natural language processing](6-NLP/README.md) | Fördjupa din NLP-kunskap genom att förstå vanliga uppgifter som krävs vid arbete med språkliga strukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Översättning och sentimentanalys ♥️ | [Natural language processing](6-NLP/README.md) | Översättning och sentimentanalys med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiska hotell i Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalys med hotellrecensioner 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiska hotell i Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalys med hotellrecensioner 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduktion till tidsserieprognoser | [Time series](7-TimeSeries/README.md) | Introduktion till tidsserieprognoser | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Världens energianvändning ⚡️ - tidsserieprognoser med ARIMA | [Time series](7-TimeSeries/README.md) | Tidsserieprognoser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Världens energianvändning ⚡️ - tidsserieprognoser med SVR | [Time series](7-TimeSeries/README.md) | Tidsserieprognoser med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduktion till förstärkningsinlärning | [Reinforcement learning](8-Reinforcement/README.md) | Introduktion till förstärkningsinlärning med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjälp Peter att undvika vargen! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym för förstärkningsinlärning | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Verkliga ML-scenarier och tillämpningar | [ML in the Wild](9-Real-World/README.md) | Intressanta och avslöjande verkliga tillämpningar av klassisk ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Felsökning av modeller i ML med RAI-instrumentpanelen | [ML in the Wild](9-Real-World/README.md) | Felsökning av modeller i maskininlärning med komponenter i instrumentpanelen Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offlineåtkomst
Du kan köra denna dokumentation offline genom att använda [Docsify](https://docsify.js.org/#/). Forka detta repo, [installera Docsify](https://docsify.js.org/#/quickstart) på din lokala maskin, och skriv sedan `docsify serve` i root-mappen av detta repo. Webbplatsen kommer att serveras på port 3000 på din localhost: `localhost:3000`.
Du kan köra denna dokumentation offline genom att använda [Docsify](https://docsify.js.org/#/). Forka detta repo, [installera Docsify](https://docsify.js.org/#/quickstart) på din lokala dator och skriv sedan i rotmappen för detta repo `docsify serve`. Webbplatsen kommer att serveras på port 3000 på din localhost: `localhost:3000`.
## PDF-filer
Hitta en pdf av kursplanen med länkar [här](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Andra kurser
Vårt team producerar andra kurser! Kolla in:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agenter
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generativ AI-serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Kärninlärning
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot-serie
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- Gå igenom anteckningsböckerna efter varje lektion för bättre förståelse.
- Öva på att implementera algoritmer på egen hand.
- Utforska verkliga dataset med hjälp av inlärda koncept.
- Gå igenom anteckningsböcker efter varje lektion för bättre förståelse.
- Öva på att implementera algoritmer självständigt.
- Utforska verkliga datamängder med hjälp av de inlärda koncepten.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår från användningen av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, var vänlig notera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.
Vill du använda denna läroplan i ditt klassrum? Varsågod!
Vill du använda detta läroplan i ditt klassrum? Var så god!
Faktum är att du kan använda den direkt på GitHub genom att använda GitHub Classroom.
Faktiskt kan du använda det direkt inom GitHub med GitHub Classroom.
För att göra det, gör en fork av detta repo. Du kommer behöva skapa ett repo för varje lektion, så du måste extrahera varje mapp till ett separat repo. På så sätt kan [GitHub Classroom](https://classroom.github.com/classrooms) hantera varje lektion separat.
För att göra det, gör en fork av detta repo. Du kommer behöva skapa ett repo för varje lektion, så du behöver extrahera varje mapp till ett separat repo. På så sätt kan [GitHub Classroom](https://classroom.github.com/classrooms) hämta varje lektion separat.
Dessa [fullständiga instruktioner](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ger dig en idé om hur du kan sätta upp ditt klassrum.
Dessa [fullständiga instruktioner](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ger dig en uppfattning om hur du ställer in ditt klassrum.
## Använda repot som det är
Om du vill använda detta repo som det är, utan att använda GitHub Classroom, går det också bra. Du behöver kommunicera med dina elever om vilken lektion ni ska arbeta med tillsammans.
Om du vill använda detta repo som det är, utan att använda GitHub Classroom, går det också bra. Du behöver kommunicera med dina studenter vilken lektion de ska arbeta med tillsammans.
I ett onlineformat (Zoom, Teams eller annat) kan du skapa grupprum för frågesporterna och handleda eleverna för att hjälpa dem att förbereda sig för att lära. Sedan kan du bjuda in eleverna att delta i frågesporterna och skicka in sina svar som "issues" vid en viss tidpunkt. Du kan göra samma sak med uppgifter, om du vill att eleverna ska arbeta tillsammans öppet.
I ett onlineformat (Zoom, Teams eller annat) kan du skapa grupprum för quizzen och handleda studenterna för att hjälpa dem göra sig redo att lära. Sedan bjuder du in eleverna att ta quizzen och skicka in sina svar som 'issues' vid en viss tidpunkt. Du kan göra samma sak med uppgifter, om du vill att eleverna ska arbeta tillsammans öppet.
Om du föredrar ett mer privat format, be dina elever att göra en fork av läroplanen, lektion för lektion, till sina egna privata GitHub-repos och ge dig åtkomst. Då kan de slutföra frågesporter och uppgifter privat och skicka in dem till dig via issues på ditt klassrumsrepo.
Om du föredrar ett mer privat format, be dina elever göra en fork av läroplanen, lektion för lektion, till sina egna GitHub-repos som privata repos, och ge dig tillgång. Då kan de slutföra quizzer och uppgifter privat och skicka in dem till dig via issues på ditt klassrumsrepo.
Det finns många sätt att få detta att fungera i ett onlineklassrum. Berätta gärna för oss vad som fungerar bäst för dig!
Det finns många sätt att få detta att fungera i ett onlineklassrumsformat. Vänligen låt oss veta vad som fungerar bäst för dig!
## Ge oss gärna dina tankar!
## Vänligen ge oss dina tankar!
Vi vill att denna läroplan ska fungera för dig och dina elever. Ge oss gärna [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Vi vill göra denna läroplan användbar för dig och dina studenter. Vänligen ge oss [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på sitt originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, var vänlig notera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.
[](https://youtu.be/N6wxM4wZ7V0 "ML for beginners - History of Machine Learning")
- 1957 [เพอร์เซปตรอน](https://wikipedia.org/wiki/Perceptron) เป็นตัวจำแนกเชิงเส้นชนิดหนึ่งที่คิดค้นโดยนักจิตวิทยาชาวอเมริกัน Frank Rosenblatt ซึ่งเป็นพื้นฐานของความก้าวหน้าใน Deep Learning
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "The history of deep learning")
> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: Yann LeCun กล่าวถึงประวัติศาสตร์ของ Deep Learning ในการบรรยายนี้
[](https://www.youtube.com/watch?v=EJt3_bFYKss "The history of AI by Amy Boyd")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "ประวัติของ AI โดย Amy Boyd")
---
@ -151,5 +151,7 @@ Alan Turing บุคคลที่น่าทึ่งซึ่งได้
---
**ข้อจำกัดความรับผิดชอบ**:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ปฏิเสธความรับผิดชอบ**:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้
- เห็นความสำคัญของการใช้วิธีแบบ "กล่องแก้ว" เพื่ออธิบายพฤติกรรมของโมเดล AI
- ตระหนักถึงความจำเป็นของความรับผิดชอบเพื่อสร้างความไว้วางใจในระบบ AI
- เห็นความสำคัญของการมีแนวทางกล่องแก้วเพื่ออธิบายพฤติกรรมของโมเดล AI
- ใส่ใจว่าวินัยความรับผิดชอบเป็นสิ่งจำเป็นในการสร้างความไว้วางใจในระบบ AI
## ข้อกำหนดเบื้องต้น
เป็นข้อกำหนดเบื้องต้น โปรดทำเส้นทางการเรียนรู้ "หลักการ AI ที่มีความรับผิดชอบ" และดูวิดีโอต่อไปนี้ในหัวข้อนี้:
เป็นข้อกำหนดเบื้องต้น โปรดเรียนรู้ในเส้นทาง "หลักการ AI ที่รับผิดชอบ" และดูวิดีโอด้านล่างเกี่ยวกับหัวข้อนี้:
เรียนรู้เพิ่มเติมเกี่ยวกับ AI ที่มีความรับผิดชอบโดยติดตาม [เส้นทางการเรียนรู้นี้](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
เรียนรู้เพิ่มเติมเกี่ยวกับ AI ที่รับผิดชอบโดยติดตาม [เส้นทางการเรียนรู้](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "แนวทางของ Microsoft ต่อ AI ที่มีความรับผิดชอบ")
[](https://youtu.be/dnC8-uUZXSc "แนวทางของ Microsoft ต่อ AI ที่รับผิดชอบ")
> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: แนวทางของ Microsoft ต่อ AI ที่มีความรับผิดชอบ
> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: แนวทางของ Microsoft ต่อ AI ที่รับผิดชอบ
## ความยุติธรรม
ระบบ AI ควรปฏิบัติต่อทุกคนอย่างยุติธรรมและหลีกเลี่ยงการส่งผลกระทบที่แตกต่างกันต่อกลุ่มคนที่คล้ายคลึงกัน เช่น เมื่อระบบ AI ให้คำแนะนำเกี่ยวกับการรักษาทางการแพทย์ การขอสินเชื่อ หรือการจ้างงาน ระบบควรให้คำแนะนำเดียวกันแก่ทุกคนที่มีอาการ สภาพการเงิน หรือคุณสมบัติทางวิชาชีพที่คล้ายกัน เราทุกคนในฐานะมนุษย์ต่างก็มีอคติที่สืบทอดมา ซึ่งส่งผลต่อการตัดสินใจและการกระทำของเรา อคติเหล่านี้อาจปรากฏชัดในข้อมูลที่เราใช้ฝึกสอนระบบ AI และบางครั้งอาจเกิดขึ้นโดยไม่ตั้งใจ เป็นเรื่องยากที่จะรู้ตัวเมื่อคุณแนะนำอคติในข้อมูลจริง ๆ
ระบบ AI ควรปฏิบัติต่อทุกคนอย่างเป็นธรรมและหลีกเลี่ยงการส่งผลกระทบต่อกลุ่มคนที่คล้ายกันในรูปแบบที่ต่างกัน ตัวอย่างเช่น เมื่อระบบ AI ให้คำแนะนำเกี่ยวกับการรักษาทางการแพทย์ การสมัครสินเชื่อ หรือการจ้างงาน ระบบเหล่านี้ควรให้คำแนะนำเดียวกันกับทุกคนที่มีอาการ คล้ายกัน สถานะทางการเงิน หรือคุณสมบัติทางวิชาชีพแต่ละคนในฐานะมนุษย์ก็มีอคติที่สืบทอดมาต่อการตัดสินใจและการกระทำของเรา อคติเหล่านี้อาจปรากฏชัดในข้อมูลที่เราใช้ฝึกสอนระบบ AI การบิดเบือนดังกล่าวอาจเกิดขึ้นโดยไม่ตั้งใจ บ่อยครั้งมันยากที่จะรู้ตัวเมื่อคุณใส่อคติลงในข้อมูล
เมื่อออกแบบและทดสอบระบบ AI เราต้องมั่นใจว่า AI ยุติธรรมและไม่ได้ถูกโปรแกรมให้ตัดสินใจอย่างลำเอียงหรือเลือกปฏิบัติ ซึ่งมนุษย์เองก็ถูกห้ามไม่ให้กระทำเช่นเดียวกัน การรับประกันความยุติธรรมใน AI และ machine learning ยังคงเป็นความท้าทายเชิงสังคมเทคนิคที่ซับซ้อน
เมื่อออกแบบและทดสอบระบบ AI เราต้องมั่นใจว่า AI มีความยุติธรรมและไม่ได้ถูกโปรแกรมให้ตัดสินใจด้วยอคติหรือลำเอียง ซึ่งมนุษย์เองก็ถูกห้ามไม่ให้ทำเช่นนั้น การรับประกันความยุติธรรมใน AI และ machine learning เป็นความท้าทายทางสังคม เทคโนโลยีที่ซับซ้อน
### ความน่าเชื่อถือและความปลอดภัย
เพื่อสร้างความไว้วางใจ ระบบ AI ต้องมีความน่าเชื่อถือ ปลอดภัย และสม่ำเสมอทั้งในสถานการณ์ปกติและสถานการณ์ที่ไม่คาดคิด สำคัญที่จะรู้ว่าระบบ AI จะทำงานอย่างไรในสถานการณ์ต่างๆ โดยเฉพาะเมื่อเป็นข้อมูลแปลกประหลาด เมื่อต้องสร้างโซลูชัน AI ต้องมีการมุ่งเน้นอย่างมากในการจัดการกับสถานการณ์หลากหลายที่โซลูชัน AI อาจเผชิญ เช่น รถยนต์ขับเคลื่อนเองจำเป็นต้องให้ความสำคัญกับความปลอดภัยของผู้คนเป็นอันดับหนึ่ง ดังนั้น AI ที่ใช้ในรถยนต์ต้องพิจารณาสถานการณ์ทั้งหมดที่อาจเกิดขึ้น เช่น กลางคืน พายุฝนฟ้าคะนอง หรือหิมะตกหนัก เด็กวิ่งข้ามถนน สัตว์เลี้ยง การก่อสร้างถนน ฯลฯ ระดับความสามารถของระบบ AI ในการรับมือกับสถานการณ์ที่หลากหลายอย่างน่าเชื่อถือและปลอดภัยสะท้อนถึงการคาดการณ์ที่นักวิทยาศาสตร์ข้อมูลหรือผู้พัฒนา AI พิจารณาในระหว่างการออกแบบหรือทดสอบระบบ
เพื่อสร้างความไว้วางใจ ระบบ AI จำเป็นต้องเชื่อถือได้ ปลอดภัย และสม่ำเสมอภายใต้สภาวะปกติและไม่คาดคิด เป็นสิ่งสำคัญที่จะรู้ว่าระบบ AI จะทำงานอย่างไรในสถานการณ์ต่าง ๆ โดยเฉพาะอย่างยิ่งเมื่อระบบเผชิญกับข้อมูลตัวอย่างที่ผิดปกติ เมื่อตั้งระบบ AI ต้องให้ความสำคัญอย่างมากกับการจัดการกับสถานการณ์ที่หลากหลายซึ่งระบบ AI อาจเจอ ตัวอย่างเช่น รถยนต์ขับเคลื่อนอัตโนมัติจำเป็นต้องให้ความสำคัญกับความปลอดภัยของผู้คนเป็นลำดับแรก ดังนั้น AI ที่ขับเคลื่อนรถต้องพิจารณาทุกสถานการณ์ที่อาจเกิดขึ้น เช่น เวลากลางคืน พายุฝนฟ้าคะนอง หรือหิมะตก เด็กวิ่งข้ามถนน สัตว์เลี้ยง งานก่อสร้างถนน ฯลฯ ระบบ AI ที่จัดการกับสถานการณ์ที่หลากหลายได้อย่างน่าเชื่อถือและปลอดภัย แสดงให้เห็นถึงระดับการคาดการณ์ที่นักวิทยาศาสตร์ข้อมูลหรือผู้พัฒนา AI ได้พิจารณาระหว่างการออกแบบหรือทดสอบระบบ
ระบบ AI ควรถูกออกแบบมาเพื่อมีส่วนร่วมและส่งเสริมทุกคน เมื่อออกแบบและใช้งานระบบ AI นักวิทยาศาสตร์ข้อมูลและผู้พัฒนา AI จะระบุและจัดการกับอุปสรรคในระบบที่อาจกีดกันผู้คนโดยไม่ตั้งใจ เช่น มีผู้พิการประมาณ 1 พันล้านคนทั่วโลก ด้วยความก้าวหน้าของ AI พวกเขาสามารถเข้าถึงข้อมูลและโอกาสต่างๆ ได้ง่ายขึ้นในชีวิตประจำวัน การแก้ไขอุปสรรคเหล่านี้เปิดโอกาสให้นวัตกรรมและพัฒนาผลิตภัณฑ์ AI ที่มีประสบการณ์ดียิ่งขึ้นซึ่งเป็นประโยชน์ต่อทุกคน
ระบบ AI ควรถูกออกแบบให้มีส่วนร่วมและเสริมอำนาจทุกคน เมื่อนักวิทยาศาสตร์ข้อมูลและผู้พัฒนา AI ออกแบบและนำระบบ AI มาใช้ จะระบุและแก้ไขอุปสรรคที่อาจทำให้บางคนถูกแยกออกโดยไม่ตั้งใจ เช่น มีผู้พิการราว 1 พันล้านคนทั่วโลก ด้วยความก้าวหน้าของ AI พวกเขาสามารถเข้าถึงข้อมูลและโอกาสต่างๆ ได้ง่ายขึ้นในชีวิตประจำวัน การแก้ไขอุปสรรคนี้ช่วยสร้างโอกาสในการนวัตกรรมและพัฒนาผลิตภัณฑ์ AI ที่ให้ประสบการณ์ที่ดีกว่าซึ่งเป็นประโยชน์ต่อทุกคน
- แต่กับระบบ AI เราต้องยอมรับความตึงเครียดระหว่างความจำเป็นในการใช้ข้อมูลส่วนบุคคลมากขึ้นเพื่อทำให้ระบบมีความเป็นส่วนตัวและมีประสิทธิภาพมากขึ้น– กับความเป็นส่วนตัว
- เช่นเดียวกับการเกิดขึ้นของคอมพิวเตอร์ที่เชื่อมต่อกับอินเทอร์เน็ต เราก็เห็นปัญหาด้านความปลอดภัยที่เพิ่มขึ้นอย่างมากที่เกี่ยวข้องกับ AI
- พร้อมกันนั้น เรายังเห็น AI ถูกใช้เพื่อปรับปรุงความปลอดภัยเป็นตัวอย่าง สแกนเนอร์ป้องกันไวรัสสมัยใหม่ส่วนใหญ่นำโดยเทคนิคประมาณการ AI ในปัจจุบัน
- เราต้องทำให้กระบวนการ Data Science ของเราประสานกันอย่างเหมาะสมกับแนวปฏิบัติด้านความเป็นส่วนตัวและความปลอดภัยล่าสุด
### ความโปร่งใส
ระบบ AI ควรเข้าใจได้ ส่วนสำคัญของความโปร่งใสคือการอธิบายพฤติกรรมของระบบ AI และองค์ประกอบต่างๆ การเพิ่มความเข้าใจในระบบ AI ต้องการให้ผู้มีส่วนได้ส่วนเสียเข้าใจว่า AI ทำงานอย่างไรและทำไม เพื่อให้สามารถระบุปัญหาด้านการทำงาน ความปลอดภัยและความเป็นส่วนตัว อคติ การปฏิเสธ หรือผลลัพธ์ที่ไม่ตั้งใจ เราเชื่อด้วยว่าผู้ใช้ระบบ AI ควรซื่อสัตย์และเปิดเผยว่าเมื่อไร ทำไม และอย่างไรพวกเขาจึงเลือกใช้ระบบเหล่านั้น รวมถึงข้อจำกัดของระบบที่ใช้ เช่น หากธนาคารใช้ระบบ AI เพื่อสนับสนุนการตัดสินใจในการปล่อยสินเชื่อ ก็สำคัญที่จะต้องตรวจสอบผลลัพธ์และเข้าใจว่าข้อมูลใดมีอิทธิพลต่อคำแนะนำของระบบ รัฐบาลเริ่มมีการควบคุม AI ในหลายอุตสาหกรรม ดังนั้น นักวิทยาศาสตร์ข้อมูลและองค์กรจึงต้องอธิบายว่า ระบบ AI นั้นตอบโจทย์ข้อกำหนดทางกฎหมายหรือไม่ โดยเฉพาะเมื่อมีผลลัพธ์ที่ไม่พึงประสงค์
ระบบ AI ควรเข้าใจได้ ส่วนสำคัญของความโปร่งใสคือการอธิบายพฤติกรรมของระบบ AI และส่วนประกอบต่าง ๆ การปรับปรุงความเข้าใจของระบบ AI ต้องการให้ผู้มีส่วนได้เสียเข้าใจว่าเหตุใดและอย่างไรที่ระบบทำงาน เพื่อให้พวกเขาสามารถระบุปัญหาด้านประสิทธิภาพ ความปลอดภัยและความเป็นส่วนตัว อคติ การปฏิบัติที่แยกแยะ หรือผลลัพธ์ที่ไม่ตั้งใจได้ เรายังเชื่อว่าผู้ที่ใช้ระบบ AI ควรซื่อสัตย์และเปิดเผยว่าเมื่อใด ทำไม และอย่างไรที่พวกเขาเลือกที่จะนำระบบเหล่านั้นมาใช้ ตลอดจนข้อจำกัดของระบบเหล่านั้น ตัวอย่างเช่น หากธนาคารใช้ระบบ AI เพื่อสนับสนุนการตัดสินใจสินเชื่อแก่ผู้บริโภค การตรวจสอบผลลัพธ์และทำความเข้าใจว่าข้อมูลใดมีอิทธิพลต่อคำแนะนำของระบบนั้นเป็นสิ่งสำคัญ รัฐบาลเริ่มมีข้อบังคับเกี่ยวกับ AI ในอุตสาหกรรมต่าง ๆ ดังนั้นนักวิทยาศาสตร์ข้อมูลและองค์กรต้องอธิบายว่า ระบบ AI นั้นตรงตามข้อกำหนดทางกฎหมายหรือไม่ โดยเฉพาะอย่างยิ่งเมื่อมีผลลัพธ์ที่ไม่พึงประสงค์
ผู้ที่ออกแบบและนำระบบ AI มาใช้งานต้องรับผิดชอบต่อการทำงานของระบบ ความจำเป็นในการมีความรับผิดชอบเป็นสิ่งสำคัญอย่างยิ่งกับเทคโนโลยีที่ใช้ในเรื่องที่ละเอียดอ่อน เช่น การจดจำใบหน้า เมื่อไม่นานมานี้ มีความต้องการเทคโนโลยีจดจำใบหน้าที่เพิ่มขึ้น โดยเฉพาะจากองค์กรบังคับใช้กฎหมายที่เห็นศักยภาพของเทคโนโลยีนี้ในการตามหาบุตรหลานที่สูญหาย อย่างไรก็ตาม เทคโนโลยีเหล่านี้อาจถูกใช้โดยรัฐบาลเพื่อคุกคามสิทธิเสรีภาพขั้นพื้นฐานของพลเมือง เช่น การสอดส่องบุคคลเฉพาะอย่างต่อเนื่อง ดังนั้น นักวิทยาศาสตร์ข้อมูลและองค์กรจึงต้องรับผิดชอบต่อผลกระทบที่ระบบ AI มีต่อบุคคลหรือสังคม
ผู้ที่ออกแบบและนำระบบ AI มาใช้ต้องรับผิดชอบต่อการทำงานของระบบของพวกเขา ความจำเป็นในการรับผิดชอบนี้สำคัญอย่างยิ่งกับเทคโนโลยีที่ใช้กับข้อมูลที่อ่อนไหว เช่น การจดจำใบหน้า เมื่อเร็ว ๆ นี้ มีความต้องการใช้เทคโนโลยีการจดจำใบหน้าที่เพิ่มขึ้นอย่างมากโดยเฉพาะจากองค์กรบังคับใช้กฎหมายที่เห็นศักยภาพของเทคโนโลยีนี้ในการใช้งาน เช่น การค้นหาเด็กที่หายตัว อย่างไรก็ตาม เทคโนโลยีเหล่านี้อาจถูกใช้โดยรัฐบาลเพื่อเสี่ยงต่อเสรีภาพพื้นฐานของประชาชน เช่น การเปิดใช้งานการสอดส่องอย่างต่อเนื่องของบุคคลใดบุคคลหนึ่ง ดังนั้น นักวิทยาศาสตร์ข้อมูลและองค์กรต้องรับผิดชอบต่อผลกระทบของระบบ AI ต่อบุคคลหรือสังคม
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "แนวทางของ Microsoft ต่อ AI ที่มีความรับผิดชอบ")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "แนวทางของ Microsoft ต่อ AI ที่รับผิดชอบ")
เช่นเดียวกับการแก้ไขข้อผิดพลาดในแอปพลิเคชันซอฟต์แวร์ การแก้ไขข้อผิดพลาดในระบบ AI เป็นกระบวนการจำเป็นในการระบุและแก้ไขปัญหาในระบบ มีหลายปัจจัยที่ส่งผลให้โมเดลทำงานไม่เป็นไปตามที่คาดหวังหรือไม่เป็นไปอย่างรับผิดชอบ เมตริกการประเมินประสิทธิภาพโมเดลส่วนใหญ่เป็นการรวบรวมเชิงปริมาณของประสิทธิภาพโมเดล ซึ่งไม่เพียงพอสำหรับการวิเคราะห์ว่าโมเดลละเมิดหลักการ AI ที่มีความรับผิดชอบอย่างไร นอกจากนี้ โมเดล machine learning เป็นกล่องดำที่ทำให้ยากต่อการเข้าใจว่าอะไรเป็นสาเหตุผลลัพธ์ของมันหรืออธิบายเมื่อมันทำผิดพลาด ต่อไปในหลักสูตรนี้ เราจะเรียนรู้วิธีใช้แดชบอร์ด Responsible AI เพื่อช่วยแก้ไขข้อผิดพลาดของระบบ AI แดชบอร์ดนี้เป็นเครื่องมือรวมที่ช่วยให้นักวิทยาศาสตร์ข้อมูลและผู้พัฒนา AI ดำเนินการ:
เช่นเดียวกับการดีบักแอปพลิเคชันซอฟต์แวร์ การดีบักระบบ AI เป็นกระบวนการที่จำเป็นในการระบุและแก้ไขปัญหาในระบบ มีหลายปัจจัยที่ส่งผลต่อโมเดลไม่ทำงานตามคาดหวังหรือรับผิดชอบ เมตริกประสิทธิภาพโมเดลแบบดั้งเดิมส่วนใหญ่เป็นการสรุปเชิงปริมาณของประสิทธิภาพโมเดล ซึ่งไม่เพียงพอที่จะวิเคราะห์ว่าโมเดลละเมิดหลักการ AI ที่รับผิดชอบอย่างไร นอกจากนี้ โมเดล machine learning เป็นกล่องดำที่ทำให้ยากที่จะเข้าใจว่าปัจจัยใดผลักดันผลลัพธ์ของโมเดลหรือให้คำอธิบายเมื่อโมเดลเกิดข้อผิดพลาด ภายหลังในหลักสูตรนี้ เราจะเรียนรู้วิธีใช้แดชบอร์ด Responsible AI เพื่อช่วยดีบักระบบ AI แดชบอร์ดนี้เป็นเครื่องมือครบวงจรให้นักวิทยาศาสตร์ข้อมูลและผู้พัฒนา AI ใช้ดำเนินการ:
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: กรอบงานแบบโอเพ่นซอร์สสำหรับการสร้าง AI ที่รับผิดชอบ")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
> 🎥 คลิกที่รูปภาพด้านบนเพื่อดูวิดีโอ: RAI Toolbox: กรอบงานแบบโอเพ่นซอร์สสำหรับการสร้าง AI ที่รับผิดชอบ โดย Besmira Nushi, Mehrnoosh Sameki, และ Amit Sharma
> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: RAI Toolbox: กรอบการทำงานโอเพนซอร์สสำหรับการสร้างปัญญาประดิษฐ์ที่รับผิดชอบ โดย Besmira Nushi, Mehrnoosh Sameki และ Amit Sharma
นอกจากนี้ อ่าน:
นอกจากนี้ อ่านเพิ่มเติมได้ที่:
- ศูนย์ทรัพยากร RAI ของ Microsoft: [ทรัพยากร AI ที่รับผิดชอบ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- ศูนย์ทรัพยากร RAI ของ Microsoft: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- กลุ่มวิจัย FATE ของ Microsoft: [FATE: ความเป็นธรรม ความรับผิดชอบ ความโปร่งใส และจริยธรรมใน AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- กลุ่มวิจัย FATE ของ Microsoft: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
ชุดเครื่องมือ RAI:
RAI Toolbox:
- [ที่เก็บโค้ด Responsible AI Toolbox บน GitHub](https://github.com/microsoft/responsible-ai-toolbox)
- [ที่เก็บ Responsible AI Toolbox บน GitHub](https://github.com/microsoft/responsible-ai-toolbox)
✅ ลองคิดความสัมพันธ์ระหว่างข้อมูลและเป้าหมายการถดถอย การถดถอยเชิงเส้นทำนายความสัมพันธ์ระหว่างลักษณะ X และตัวแปรเป้าหมาย y คุณหาจุด [เป้าหมาย](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ของชุดข้อมูลเบาหวานในเอกสารได้ไหม? ชุดข้อมูลนี้แสดงอะไรโดยพิจารณาจากเป้าหมายนั้น?
✅ ลองคิดดูเล็กน้อยเกี่ยวกับความสัมพันธ์ระหว่างข้อมูลและเป้าหมายการถดถอย การถดถอยเชิงเส้นคาดการณ์ความสัมพันธ์ระหว่างคุณลักษณะ X และตัวแปรเป้าหมาย y คุณจะหา [เป้าหมาย](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ของชุดข้อมูลเบาหวานในเอกสารได้ไหม? ชุดข้อมูลนี้แสดงอะไรเมื่อดูจากเป้าหมายนี้?
> [ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ได้ที่คอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
บทเรียนบางส่วนมีวิดีโอสั้นให้ดู คุณสามารถหาได้ในบทเรียน หรือดูได้ที่ [เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) โดยคลิกที่ภาพด้านล่าง
บางบทเรียนมีวิดีโอสั้น คุณสามารถหาทั้งหมดนี้ในบทเรียน หรือใน [เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) โดยคลิกที่ภาพด้านล่าง
[](https://aka.ms/ml-beginners-videos)
| 04 | เทคนิคสำหรับการเรียนรู้ของเครื่อง | [Introduction](1-Introduction/README.md) | นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| ปัจฉิมบท | กรณีศึกษาการใช้งาน ML ในโลกจริง | [ML in the Wild](9-Real-World/README.md) | การใช้งานจริงที่น่าสนใจและเปิดเผยของ ML คลาสสิก | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| ปัจฉิมบท | การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI | [ML in the Wild](9-Real-World/README.md) | การดีบักโมเดลใน Machine Learning โดยใช้คอมโพเนนต์แดชบอร์ด Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 04 | เทคนิคสำหรับการเรียนรู้ของเครื่อง | [Introduction](1-Introduction/README.md) | นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| Postscript | สถานการณ์และการประยุกต์จริงใน ML | [ML in the Wild](9-Real-World/README.md) | การประยุกต์ใช้ ML คลาสสิกในโลกจริงที่น่าสนใจและเปิดเผย | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI | [ML in the Wild](9-Real-World/README.md) | การดีบักโมเดลในการเรียนรู้ของเครื่องโดยใช้ส่วนประกอบแดชบอร์ด Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
ดาวน์โหลด PDF ของหลักสูตรพร้อมลิงก์ [ที่นี่](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ [ที่นี่](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 หลักสูตรอื่น ๆ
ทีมของเราผลิตหลักสูตรอื่น ๆ ด้วย! ดูได้ที่:
ทีมของเราผลิตหลักสูตรอื่น ๆ! ตรวจสอบ:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### ชุดหลักสูตร Generative AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### การเรียนรู้พื้นฐาน
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
localizeflow[bot]
3 weeks ago