Download to read offline
![# imports
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# prepare dataset
iris = load_iris()
X = iris.data
Y = iris.target
# split
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# training
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# prediction
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluation
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))](https://image.slidesharecdn.com/20200226aioverview-240319092856-67a4efee/85/20200226-AI-Overview-126-320.jpg)
![# imports
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# prepare dataset
iris = load_iris()
X = iris.data
Y = iris.target
# split
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# training
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# prediction
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluation
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))](https://image.slidesharecdn.com/20200226aioverview-240319092856-67a4efee/85/20200226-AI-Overview-146-320.jpg)
![# imports
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# prepare dataset
iris = load_iris()
X = iris.data
Y = iris.target
# split
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# training
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# prediction
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluation
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
model = XGBClassifier()
from xgboost import XGBClassifier](https://image.slidesharecdn.com/20200226aioverview-240319092856-67a4efee/85/20200226-AI-Overview-147-320.jpg)
Uploaded byJamie (Taka) Wang
20200226 - AI Overview
该文档讨论了人工智能和机器学习的历史、发展和应用，包括深度学习、决策树和集成方法等技术。文中提到了一些关键的技术概念、工具和数据质量对算法效果的重要性。还引用了多位专家的观点，分析了人工智能对未来职业的影响。
20200226 - AI Overview
- 1.
- 2.
- 3.
- 6.
- 7. Source: Where doData Science experts exists?
- 8.
- 9.
- 10.
- 11. Credit A little learningis a dangerous thing - Alexander Pope
- 13.
- 14.
- 15.
- 18.
- 21.
- 22.
- 25.
- 29.
- 30.
- 31.
- 32. 六 行 程式寫出 人 臉辨識應 用 Source: ageitgey /face_recognition
- 33. Source: Train ObjectDetection AI with 6 lines of code
- 36.
- 37.
- 39.
- 40. Artificial intelligence is actuallystatistics, but it uses a very gorgeous rhetoric, which is actually statistics Thomas J. Sargent, Nobel Prize 2011
- 41.
- 43.
- 44.
- 45.
- 46.
- 47.
- 54.
- 55.
- 56.
- 57. Source: keplerlounge ~1500 machine 4TPU/machine 3days $US 2 million ~1300 machine 4TPU/machine 40 days $US 20 million
- 58.
- 59. Source: SAE International 純粹 人 員駕駛，無任何輔助 人 類為主，電腦提供輔助電腦駕駛為主， 人 類輔助駕駛 基本 自 動駕駛， 人 類應急處理 高 度 自 動駕駛， 人 類仍可參與 完全 自 動駕駛， 人 類純粹乘坐
- 60.
- 62. More data beatsclever algorithms but better data beats more data Peter Norvig, Director of research at Google Inc.
- 64.
- 65.
- 66.
- 67.
- 68. Rule-Based 寫 一 隻程式，分辨圖片內是不是貓 如果耳朵 = 2 且腳= 4 且尾巴 = 1 且牙 齒 = 30 ….. 回傳這是貓
- 69. Rule-Based 寫 一 隻程式，分辨圖片內是不是貓 如果耳朵 = 2 且腳= 4 且尾巴 = 1 且牙 齒 = 30 ….. 回傳這是貓 這是貓 用 窮舉法列出所有規則
- 71.
- 72. IBM Watson • 90台Server • 2880顆 CPU • 灌入2億 頁 的內容 • 600萬條規則 • 3秒內回答問題 Source: 人 工 智慧新 革 命--超級電腦「華 生 」
- 73.
- 74.
- 75.
- 76.
- 77.
- 78.
- 79.
- 80.
- 81.
- 82.
- 83.
- 85.
- 87.
- 88.
- 89. Deep Learning on SpeechRecognition 2012
- 90. ImageNet 1500 萬張圖片，涵蓋 22,000種類別 2012
- 91.
- 92.
- 93.
- 94.
- 95.
- 96.
- 97.
- 98.
- 100.
- 101. Don't throw awaythe needle when you get a sword - Hindi couplet
- 102.
- 103.
- 104.
- 105.
- 107. Source: The Stateof Computer Vision and AI: we are really, really far away
- 108.
- 110.
- 111.
- 112.
- 113.
- 115.
- 123.
- 124. Decision Tree (決策樹) 天氣溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 Source: Wiki 高 爾夫球場， 人 員管理問題
- 125. Decision Tree (決策樹) 天氣溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 (9/5) 濕度 (2/3) 有風 打球 (4/0) 陰天 雨天 晴天 打球 (3/0) 不打 (0/2) 打球 (2/0) 不打 (0/3) <=70 >70 有 沒有 Source: Wiki 高 爾夫球場， 人 員管理問題
- 126. # imports from sklearn.model_selectionimport train_test_split from sklearn.metrics import accuracy_score from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier # prepare dataset iris = load_iris() X = iris.data Y = iris.target # split seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # training model = DecisionTreeClassifier(max_depth=2) model.fit(X_train, y_train) # prediction y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] # evaluation accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0))
- 130. Ensemble Method Source: GeneralEnsemble Method
- 131.
- 132. Random Forest (隨機森林) 天氣溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打
- 133. Random Forest (隨機森林) 天氣溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 溫度 溫度 濕度 濕度 有風 溫度 有風 部分特徵
- 134. Random Forest (隨機森林) 天氣溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 溫度 溫度 濕度 濕度 有風 溫度 有風 部分特徵 一 堆專家
- 135. Random Forest (隨機森林) 天氣溫度 濕度 有風 打球嗎 1 晴天 85 85 沒有 不打 2 晴天 80 90 有 不打 3 陰天 83 78 沒有 打 4 雨天 70 96 沒有 打 5 雨天 68 80 沒有 打 6 雨天 65 70 有 不打 7 陰天 64 65 有 打 8 晴天 72 95 沒有 不打 9 晴天 69 70 沒有 打 10 雨天 75 80 沒有 打 11 晴天 75 70 有 打 12 陰天 72 90 有 打 13 陰天 81 75 沒有 打 14 雨天 71 80 有 不打 天氣 溫度 溫度 濕度 濕度 有風 溫度 有風 部分特徵 一 堆專家 多數決
- 136.
- 137.
- 138.
- 139.
- 140.
- 141.
- 142.
- 143.
- 144. Gradient Boost 假設某 人 今年30歲， 用 GBM來猜測他的年齡 20 相差10 6相差4 3 相差1 1 相差0
- 145. Gradient Boost 假設某 人 今年30歲， 用 GBM來猜測他的年齡 20 相差10 6相差4 3 相差1 1 相差0
- 146. # imports from sklearn.model_selectionimport train_test_split from sklearn.metrics import accuracy_score from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier # prepare dataset iris = load_iris() X = iris.data Y = iris.target # split seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # training model = DecisionTreeClassifier(max_depth=2) model.fit(X_train, y_train) # prediction y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] # evaluation accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0))
- 147. # imports from sklearn.model_selectionimport train_test_split from sklearn.metrics import accuracy_score from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier # prepare dataset iris = load_iris() X = iris.data Y = iris.target # split seed = 7 test_size = 0.33 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # training model = DecisionTreeClassifier(max_depth=2) model.fit(X_train, y_train) # prediction y_pred = model.predict(X_test) predictions = [round(value) for value in y_pred] # evaluation accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0)) model = XGBClassifier() from xgboost import XGBClassifier
- 148.