Курсовая работа «Применение библиотек машинного обучения в интеллектуальном анализе» по дисциплине: «Технологии баз данных»

StartLocation Список координат, представляющий положение начала луны (центр круга)

RadiusList Список, в котором хранятся радиус большого круга и радиус малого круга.

Orientation Указывает направление луны,+Значит вверх,-Означает вниз


Gen_SemicircleData() Генератор это функция используемая для генерации определенного количества точек в форме одного месяца, процесс должен использоваться в первую очередь c random.uniform(). Генерируется случайный радиус внутри радиуса, а затем генерирутся случайное смещение в пределах положительного и отрицательного радиуса, вычисляется смещение по теореме Пифагора, то есть генерируется случайная точка, попадающая в форму одного месяца, и в конце генерируется абсолютные координаты этой точки в соответствии с ориентацией yield возвращение.
Среда обучения и тестирования Rosenblatt
Создаем обучающие и тестовые среды, вызывая коды Rosenblatt и набора данных, и используем matplotlib чтобы визуализировать рисунок.

Сначала создаем нейроны и наборы данных используя следующие строки

Затем используем набор данных для обучения и сохранения данных обучения.

Проведем прямую линию результата по данным, полученным в процессе обучения

Используем библиотеку matplotlib для визуализации , функция plt.plot() используется для рисования линейной диаграммы, цветовая конфигурация, график разброса plt.scatter() используется для рисования точечных диаграмм, функция plt.show() используется чтобы показать нарисованное изображение.
Полученное изображение выглядит следующим образом:

Красная линия представляет результат обучения перцептрона. Видно, что граница между двумя с половиной месяцами хорошо разделена.
Заключение
Цель курсовой работы – разбор библиотек машинного мышления , реализация модели персептрона Розенблатта
В рамках курсовой работы изучены алгоритмы построения модели машинного обучения задачи классификации. Реализовано построение модели персептрона Розенблатта на языке Python
Важно отметить, что используемый алгоритм классификации напрямую завит от исходных данных. Если данные линейно неразделимы, то применение персептронной модели недопустимо.
В курсовой работе предлагается исследование библиотек, предназначенных для машинного обучения языка python NumPy, scikit-learn. Проведено успешное построение нечеткой нейронной сети. Данные библиотеки имеют открытый код, что позволяет рассматривать аппарат построения математической модели как средство работы с данными.
Также возможно использование данного теоритического материала для дальнейших исследований в области машинного обучения, и применения его для создания программного обеспечения.

Список литературы

1. 
   Рашка С., Python и машинное обучение / Рашка С., пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017 ­ 418 с.
   
2. 
   Вандер Плас Дж., Python для сложных задач: наука о данных и машинное обучение. / Вандер Плас Дж. СПб.: Питер, 2018 ­ 576 с.
   
3. 
   Коэльо Л., Построение снстем машишюrо обучения нa языке Pytho/ Коэльо Луне Перо, Вилл Ричарт. М.: ДМК Пресс, 2016 ­ 302 с.
   
4. 
   Домингос П., Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос ; пер. с англ. В. Горохова. М. : Манн, Иванов и Фербер, 2016 ­ 336 с.
   
5. 
   А.Мюллер, Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными / А.Мюллер, С.Гвидо. СПб.: ООО “Альфа книга” , 2017 ­ 480 с.
   
6. 
   Дэви Силен, Основы Data Science и Big Data. Python и наука о данных / Дэви Силен, Арно Мейсман. СПб.: Питер, 2017 ­ 336с