Список проголосовавших за комментарий "Replikant_mih, <br/> Маchine Learning можно перекладывать уже в Первый ящик, потому что ничего сложного там нет.<br/> Достаточно будет знания ОСНОВ линейной алгебры (матрицы, вектора, операции с ними, собственные значения итд), ОСНОВ статистики, матанализ основы. Сейчас уже тензоры в моде — Погуглите «Tensorflow».<br/> <br/> Но в принципе вся математика от Вас скрыта в функциях.<br/> А все разновидности ML имеют вполне схожие схемы и технологии применения.<br/> <br/> Ниже приведу пример кода обучения Сверточной Нейронной Сети, специально для Вас, чтобы Вы увидели, что математики, как таковой, в нем нет. Только последовательность функций.<br/> <p># Загружаем данные<br/> (X_train, y_train), (X_test, y_test) = cifar10.load_data()<br/> # Размер мини-выборки<br/> batch_size = 32<br/> # Количество классов изображений<br/> nb_classes = 10<br/> # Количество эпох для обучения<br/> nb_epoch = 1<br/> # Размер изображений<br/> img_rows, img_cols = 32, 32<br/> # Количество каналов в изображении: RGB<br/> img_channels = 3</p><p># Нормализуем данные<br/> X_train = X_train.astype('float32')<br/> X_test = X_test.astype('float32')<br/> X_train /= 255<br/> X_test /= 255</p><p># Преобразуем метки в категории<br/> Y_train = np_utils.to_categorical(y_train, nb_classes)<br/> Y_test = np_utils.to_categorical(y_test, nb_classes)</p><p># Создаем последовательную модель<br/> model = Sequential()<br/> # Первый сверточный слой<br/> model.add(Conv2D(32, (3, 3), padding='same',<br/> input_shape=(32, 32, 3), activation='relu'))<br/> # Второй сверточный слой<br/> model.add(Conv2D(32, (3, 3), activation='relu', padding='same'))<br/> # Первый слой подвыборки<br/> model.add(MaxPooling2D(pool_size=(2, 2)))<br/> # Слой регуляризации Dropout<br/> model.add(Dropout(0.25))</p><p># Третий сверточный слой<br/> model.add(Conv2D(64, (3, 3), padding='same', activation='relu'))<br/> # Четвертый сверточный слой<br/> model.add(Conv2D(64, (3, 3), activation='relu'))<br/> # Второй слой подвыборки<br/> model.add(MaxPooling2D(pool_size=(2, 2)))<br/> # Слой регуляризации Dropout<br/> model.add(Dropout(0.25))<br/> # Слой преобразования данных из 2D представления в плоское<br/> model.add(Flatten())<br/> # Полносвязный слой для классификации<br/> model.add(Dense(512, activation='relu'))<br/> # Слой регуляризации Dropout<br/> model.add(Dropout(0.5))<br/> # Выходной полносвязный слой<br/> model.add(Dense(nb_classes, activation='softmax'))</p><p># Задаем параметры оптимизации<br/> sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)<br/> model.compile(loss='categorical_crossentropy',<br/> optimizer=sgd,<br/> metrics=['accuracy'])<br/> # Обучаем модель<br/> model.fit(X_train, Y_train,<br/> batch_size=batch_size,<br/> epochs=nb_epoch,<br/> validation_split=0.1,<br/> shuffle=True,<br/> verbose=2)</p><p># Оцениваем качество обучения модели на тестовых данных<br/> scores = model.evaluate(X_test, Y_test, verbose=0)<br/> print(«Точность работы на тестовых данных: %.2f%%» % (scores[1]*100))<br/> <br/> И Фсё