Läs in data med pandas

Innan du kan träna en maskininlärningsmodell måste du först importera data. Det finns flera sätt att göra detta, men här använder vi ett enkelt alternativ från pandas: pd.read_csv(). Som nämndes i videon anger det första argumentet sökvägen eller URL:en. Övriga argument är valfria.

I den här övningen importerar du King County-datasetet med bostadspriser, som vi senare i kapitlet använder för att träna en linjär modell.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Övningsinstruktioner

Importera pandas under aliaset pd.
Tilldela sökvägen till en strängvariabel med namnet data_path.
Läs in datasetet som en pandas-dataframe med namnet housing.
Skriv ut kolumnen price i housing.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____)

Redigera och kör kod

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Innan du kan bygga avancerade modeller i TensorFlow 2 behöver du förstå grunderna. I det här kapitlet lär du dig att definiera konstanter och variabler, utföra addition och multiplikation med tensorer samt beräkna derivator. Kunskaper i linjär algebra är en fördel men inget krav.

Exercise 1: Konstanter och variabler Exercise 2: Definiera data som konstanter Exercise 3: Definiera variabler Exercise 4: Grundläggande operationer Exercise 5: Elementvis multiplikation Exercise 6: Göra förutsägelser med matrismultiplikation Exercise 7: Summering över tensordimensioner Exercise 8: Avancerade operationer Exercise 9: Omformning av tensorer Exercise 10: Optimering med gradienter Exercise 11: Arbeta med bilddata

I det här kapitlet lär du dig att bygga och lösa modeller i TensorFlow 2 samt att göra förutsägelser med dem. Du fokuserar på en enkel modelltyp – den linjära regressionsmodellen – och försöker förutsäga bostadspriser. I slutet av kapitlet vet du hur du läser in och hanterar data, konstruerar förlustfunktioner, utför minimering, gör förutsägelser och minskar resursanvändningen med batchträning.

Exercise 1: Indata Exercise 2: Läs in data med pandas

Aktuell övning

Exercise 3: Ange datatyp Exercise 4: Förlustfunktioner Exercise 5: Förlustfunktioner i TensorFlow Exercise 6: Modifiera förlustfunktionen Exercise 7: Linjär regression Exercise 8: Sätt upp en linjär regression Exercise 9: Träna en linjär modell Exercise 10: Multipel linjär regression Exercise 11: Batchträning Exercise 12: Förberedelse för batchträning Exercise 13: Träna en linjär modell i batchar

I de tidigare kapitlen lärde du dig att bygga modeller i TensorFlow 2. I det här kapitlet använder du samma verktyg för att bygga, träna och göra förutsägelser med neurala nätverk. Du lär dig att definiera täta lager, använda aktiveringsfunktioner, välja optimerare och tillämpa regularisering för att minska överanpassning. Du utnyttjar TensorFlows flexibilitet genom att använda både lågnivåoperationer i linjär algebra och högnivåoperationer i Keras API för att definiera och träna modeller.

Exercise 1: Täta lager Exercise 2: Linjäralgebran bakom täta lager Exercise 3: Lågnivaåansatsen med flera exempel Exercise 4: Använda det täta lagret (dense layer)Exercise 5: Aktiveringsfunktioner Exercise 6: Binära klassificeringsproblem Exercise 7: Flerklassproblem Exercise 8: Optimerare Exercise 9: Riskerna med lokala minima Exercise 10: Undvika lokala minima Exercise 11: Träna ett neuralt nätverk i TensorFlow Exercise 12: Initialisering i TensorFlow Exercise 13: Definiera modellen och förlustfunktionen Exercise 14: Träna neurala nätverk med TensorFlow

I det sista kapitlet använder du högnivå-API:er i TensorFlow 2 för att träna en klassificerare för teckenspråksbokstäver. Du använder både det sekventiella och det funktionella Keras API för att träna, validera, göra förutsägelser med och utvärdera modeller. Du lär dig också att använda Estimators API för att effektivisera definitionen och träningsprocessen för modeller samt för att undvika fel.

Exercise 1: Definiera neurala nätverk med Keras Exercise 2: Den sekventiella modellen i Keras Exercise 3: Kompilera en sekventiell modell Exercise 4: Definiera en modell med flera indata Exercise 5: Träning och validering med Keras Exercise 6: Träning med Keras Exercise 7: Mätvärden och validering med Keras Exercise 8: Identifiering av överanpassning Exercise 9: Utvärdera modeller Exercise 10: Träna modeller med Estimators API Exercise 11: Förberedelser inför träning med Estimators Exercise 12: Definiera estimatorer Exercise 13: Grattis!