3. Програмування для ШI

3.3. Списки та бібліотеки для машинного навчання

Списки в Python

Списки є однією з основних структур даних у Python. Вони дозволяють зберігати кілька значень в одному об'єкті, що робить їх надзвичайно корисними в задачах обробки даних та машинного навчання.

Основні властивості списків:

  • Списки можна змінювати: додавати, видаляти або змінювати елементи.
  • Можуть містити елементи різних типів (наприклад, рядки, числа тощо).
  • Підтримують різноманітні операції, такі як обчислення суми, пошук максимального та мінімального значення.

Приклад створення списку:

my_list = [1, 2, 3, 4, 5]

# Доступ до елементів за індексом
print(my_list[0])  # Перший елемент
print(my_list[2])  # Третій елемент
print(my_list[-1])  # Останній елемент

# Зріз списку (отримання частини списку)
print(my_list[0:3])  # Елементи з 0 до 2 включно

# Додавання нового елемента
my_list.append(60)

# Об'єднання списків
print(['яблуко'] + ['ананас', 'апельсин'])

# Пошук максимального, мінімального значення та довжини списку
print('Найбільший елемент:', max(my_list))
print('Найменший елемент:', min(my_list))
print('Кількість елементів:', len(my_list))

Бібліотеки для машинного навчання

NumPy - бібліотека для швидких обчислень

NumPy — це популярна бібліотека Python для роботи з масивами чисел. Вона широко використовується в задачах числових обчислень та машинного навчання.

Особливості NumPy:

  • Створення та робота з багатовимірними масивами.
  • Швидке виконання математичних операцій.
  • Функції для лінійної алгебри, статистики та генерації випадкових чисел.

Приклад використання NumPy:

import numpy as np

# Створення масиву
my_array = np.array([1, 2, 3, 4, 5])

# Обчислення середнього значення
print(np.mean(my_array))

# Пошук мінімального та максимального значення
print(np.min(my_array))
print(np.max(my_array))

# Сума всіх елементів масиву
print(np.sum(my_array))

# Фільтрація масиву за умовою
print(my_array[my_array <= 20])

Бібліотека scikit-learn

scikit-learn — одна з найпопулярніших бібліотек для машинного навчання. Вона дозволяє створювати, навчати та оцінювати моделі.

Можливості scikit-learn:

  • Готові алгоритми, такі як лінійна регресія, дерево рішень, метод найближчих сусідів тощо.
  • Інструменти для попередньої обробки даних.
  • Методи для оцінювання моделей та налаштування їх параметрів.

Приклад використання scikit-learn для лінійної регресії:

from sklearn.linear_model import LinearRegression
import numpy as np

# Дані
X = np.array([[1], [2], [3]])
y = np.array([2, 4, 6])

# Створення моделі
model = LinearRegression()
model.fit(X, y)

# Прогнозування
print(model.predict([[4]]))  # Прогноз для значення 4
Ця бібліотека є основою для багатьох завдань машинного навчання.