Багато галузевих експертів вважають навчання без нагляду наступним рубежем у штучному інтелекті, який може стати ключем до загального штучного інтелекту. Оскільки більшість світових даних є немаркованими, звичайне контрольоване навчання неможливо застосувати. З іншого боку, неконтрольоване навчання можна застосувати до немаркованих наборів даних, щоб виявити значущі закономірності, приховані глибоко в даних, закономірності, які людям може бути майже неможливо розкрити.

Автор Анкур Пател показує вам, як застосувати неконтрольоване навчання за допомогою двох простих, готових до роботи фреймворків Python: Scikit-learn і TensorFlow із використанням Keras. За допомогою коду та практичних прикладів спеціалісти з обробки даних визначать шаблони в даних, які важко знайти, і отримають глибше розуміння бізнесу, виявлять аномалії, виконають автоматичне проектування та вибір функцій і створять синтетичні набори даних. Все, що вам потрібно, це програмування та певний досвід машинного навчання, щоб розпочати роботу.

Порівняйте сильні та слабкі сторони різних підходів до машинного навчання: контрольоване, неконтрольоване та навчання з підкріпленням. Налаштуйте та керуйте проектами машинного навчання від кінця до кінця. end Створіть систему виявлення аномалій, щоб виловлювати шахрайство з кредитними картками. Об’єднайте користувачів у чіткі та однорідні групи. Виконуйте напівкероване навчання. Розробляйте системи рекомендацій фільмів, використовуючи обмежені машини Больцмана. Створюйте синтетичні зображення, використовуючи генеративні змагальні мережі.