Загрузка данных с помощью pandas

Прежде чем обучить модель машинного обучения, необходимо импортировать данные. Существует несколько способов сделать это, но мы воспользуемся простым однострочником из библиотеки pandas: pd.read_csv(). Как упоминалось в видео, первый аргумент задаёт путь или URL, а все остальные аргументы являются необязательными.

В этом упражнении вы импортируете набор данных о ценах на жильё в округе Кинг, который мы будем использовать для обучения линейной модели далее в главе.

Это упражнение является частью курса

Введение в TensorFlow на Python

Посмотреть курс

Инструкции к упражнению

Импортируйте pandas под псевдонимом pd.
Присвойте путь к файлу строковой переменной с именем data_path.
Загрузите набор данных как датафрейм pandas с именем housing.
Выведите столбец price датафрейма housing.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import pandas under the alias pd
____

# Assign the path to a string variable named data_path
____ = 'kc_house_data.csv'

# Load the dataset as a dataframe named housing
____ = pd.read_csv(____)

# Print the price column of housing
print(____)

Редактировать и запускать код

Это упражнение является частью курса

Введение в TensorFlow на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Прежде чем строить сложные модели в TensorFlow 2, необходимо освоить основы. В этой главе вы научитесь определять константы и переменные, выполнять сложение и умножение тензоров, а также вычислять производные. Знание линейной алгебры будет полезным, но не обязательным.

Exercise 1: Константы и переменные Exercise 2: Определение данных как констант Exercise 3: Определение переменных Exercise 4: Основные операции Exercise 5: Поэлементное умножение Exercise 6: Прогнозирование с помощью матричного умножения Exercise 7: Суммирование по измерениям тензора Exercise 8: Продвинутые операции Exercise 9: Изменение формы тензоров Exercise 10: Оптимизация с помощью градиентов Exercise 11: Работа с данными изображений

В этой главе вы научитесь строить модели в TensorFlow 2, решать задачи оптимизации и делать прогнозы. В центре внимания — линейная регрессия, с помощью которой вы будете предсказывать цены на жильё. К концу главы вы освоите загрузку и обработку данных, построение функций потерь, минимизацию, получение прогнозов, а также пакетное обучение для экономии ресурсов.

Exercise 1: Входные данные Exercise 2: Загрузка данных с помощью pandas

Текущее упражнение

Exercise 3: Задание типа данных Exercise 4: Функции потерь Exercise 5: Функции потерь в TensorFlow Exercise 6: Изменение функции потерь Exercise 7: Линейная регрессия Exercise 8: Настройка линейной регрессии Exercise 9: Обучение линейной модели Exercise 10: Множественная линейная регрессия Exercise 11: Пакетное обучение Exercise 12: Подготовка к пакетному обучению Exercise 13: Обучение линейной модели на батчах

В предыдущих главах вы научились строить модели в TensorFlow 2. В этой главе вы применените те же инструменты для создания, обучения и использования нейронных сетей. Вы узнаете, как определять полносвязные слои, применять функции активации, выбирать оптимизатор и использовать регуляризацию для борьбы с переобучением. Вы воспользуетесь гибкостью TensorFlow, сочетая операции линейной алгебры низкого уровня и высокоуровневый Keras API для определения и обучения моделей.

Exercise 1: Полносвязные слои Exercise 2: Линейная алгебра плотных слоёв Exercise 3: Низкоуровневый подход с несколькими примерами Exercise 4: Использование операции плотного слоя Exercise 5: Функции активации Exercise 6: Задачи бинарной классификации Exercise 7: Задачи мультиклассовой классификации Exercise 8: Оптимизаторы Exercise 9: Опасность локальных минимумов Exercise 10: Как избежать локальных минимумов Exercise 11: Обучение нейронной сети в TensorFlow Exercise 12: Инициализация в TensorFlow Exercise 13: Определение модели и функции потерь Exercise 14: Обучение нейронных сетей с помощью TensorFlow

В заключительной главе вы будете использовать высокоуровневые API TensorFlow 2 для обучения классификатора букв языка жестов. С помощью последовательного и функционального API Keras вы обучите модели, проведёте валидацию, получите прогнозы и оцените результаты. Вы также узнаете, как применять Estimators API для упрощения процесса определения и обучения моделей и предотвращения ошибок.

Exercise 1: Определение нейронных сетей с помощью Keras Exercise 2: Последовательная модель в Keras Exercise 3: Компиляция последовательной модели Exercise 4: Определение модели с несколькими входами Exercise 5: Обучение и валидация с помощью Keras Exercise 6: Обучение с помощью Keras Exercise 7: Метрики и валидация в Keras Exercise 8: Обнаружение переобучения Exercise 9: Оценка моделей Exercise 10: Обучение моделей с помощью Estimators API Exercise 11: Подготовка к обучению с помощью Estimators Exercise 12: Определение Estimators Exercise 13: Поздравляем!