Machine Learning - czym jest ML?

Witaj w Module 9, @name! Darwin tutaj z Machine Learning - maszynowym uczeniem się! 🤖🧠

Analogia Safari: Machine Learning to jak trening zwierząt Safari - algorytm uczy się na przykładach, tak jak lew uczy się polować obserwując matkę. Im więcej przykładów, tym lepsze przewidywania!

Czym jest Machine Learning?

Machine Learning (ML) to dziedzina AI, gdzie algorytmy uczą się wzorców z danych bez jawnego programowania reguł.

1# Tradycyjne programowanie
2def is_lion(animal):
3    if animal.has_mane and animal.color == 'golden':
4        return True
5    return False
6
7# Machine Learning
8# Model SAM uczy się rozpoznawać lwy na podstawie TYSIĘCY zdjęć
9# bez definiowania reguł - odkrywa je sam!

Rodzaje uczenia maszynowego

1. Supervised Learning (Uczenie nadzorowane)

Model uczy się na oznaczonych danych - zna prawidłowe odpowiedzi.

1# Dane treningowe z etykietami
2X_train = [
3    [180, 200, 4],   # waga, długość, nogi
4    [5000, 400, 4],
5    [50, 150, 4],
6]
7y_train = ['lion', 'elephant', 'cheetah']  # etykiety
8
9# Model uczy się mapowania: cechy -> etykieta
10# Potem przewiduje dla nowych danych

Zastosowania:

• Klasyfikacja: spam/nie spam, gatunek zwierzęcia
• Regresja: przewidywanie cen, populacji

2. Unsupervised Learning (Uczenie nienadzorowane)

Model sam odkrywa wzorce w nieoznaczonych danych.

1# Dane bez etykiet
2animals = [
3    [180, 200, 'savanna'],
4    [5000, 400, 'forest'],
5    [50, 150, 'savanna'],
6    [3000, 300, 'forest'],
7]
8
9# Model odkrywa grupy (klastry) samodzielnie
10# np. "zwierzęta sawanny" vs "zwierzęta lasu"

Zastosowania:

• Klasteryzacja: grupowanie klientów
• Redukcja wymiarowości: kompresja danych
• Wykrywanie anomalii: wykrywanie oszustw

3. Reinforcement Learning (Uczenie ze wzmocnieniem)

Agent uczy się poprzez próby i błędy - otrzymuje nagrody za dobre decyzje.

1# Agent (robot Safari) w środowisku
2# Akcje: idź_w_prawo, idź_w_lewo, stop
3# Nagroda: +10 za znalezienie zwierzęcia, -1 za każdy krok
4
5# Agent uczy się optymalnej strategii eksploracji

Zastosowania:

• Gry (AlphaGo, gry Atari)
• Robotyka
• Rekomendacje

Podstawowe pojęcia ML

1# Dataset (Zbiór danych)
2X = [[1, 2], [3, 4], [5, 6]]  # Features (cechy)
3y = [0, 1, 0]                  # Labels (etykiety)
4
5# Training set - dane do nauki (70-80%)
6# Validation set - dane do strojenia (10-15%)
7# Test set - dane do końcowej oceny (10-20%)
8
9# Model - algorytm, który uczy się z danych
10# Prediction - przewidywanie dla nowych danych
11# Accuracy - % poprawnych przewidywań

Workflow Machine Learning

1# 1. Zbierz dane
2data = load_safari_data()
3
4# 2. Przygotuj dane (EDA, cleaning)
5X = data.drop('species', axis=1)
6y = data['species']
7
8# 3. Podziel na train/test
9from sklearn.model_selection import train_test_split
10X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
11
12# 4. Wybierz i wytrenuj model
13from sklearn.ensemble import RandomForestClassifier
14model = RandomForestClassifier()
15model.fit(X_train, y_train)
16
17# 5. Oceń model
18accuracy = model.score(X_test, y_test)
19print(f"Accuracy: {accuracy:.2%}")
20
21# 6. Użyj modelu do przewidywań
22predictions = model.predict(new_data)