# Вступление

Что такое Py-AutoML?

Py-AutoML - это библиотека машинного обучения с открытым исходным кодом на Python с открытым исходным кодом, цель которой сократить время цикла гипотезы до понимания в эксперименте машинного обучения. В основном это помогает выполнять наши домашние проекты быстро и эффективно. По сравнению с другими библиотеками машинного обучения с открытым исходным кодом Py-AutoML представляет собой альтернативную библиотеку с низким кодом, которую можно использовать для выполнения сложных задач машинного обучения с помощью всего нескольких строк кода. Py-AutoML - это, по сути, оболочка Python для нескольких библиотек и фреймворков машинного обучения, таких как scikit-learn, tensorflow, keras и многих других.

Дизайн и простота Py-AutoML вдохновлены двумя принципами: KISS (делайте это простым и понятным) и DRY (не повторяйтесь). Мы, инженеры, должны найти эффективный способ уменьшить этот пробел и решить проблемы, связанные с данными, в бизнес-среде.

# Модули
Py-AutoML - это минималистичная библиотека, которая не упрощает задачи машинного обучения, а также упрощает нашу работу.

Py-AutoML состоит из множества функций. например:
- - - - - - - - -

  • model.py - реализация популярных нейронных сетей, таких как googlenet, vgg16, simple cnn, basic cnn, lenet5, alexnet, lstm, mlp и т. д.
  • checkpoint.py - состоит из функции обратного вызова, которая используется для хранения показателей.
  • utils.py - состоит из некоторых функций, используемых для предварительной обработки тестовых изображений, разделения данных.
  • preprocess.py - используется для предварительной обработки набора данных изображения, такой как изменение размера, изменение формы, преобразование в оттенки серого, нормализация и т. д.
  • ml.py - позволяет нам внедрять и проверять метрики популярных классических моделей машинного обучения, таких как случайный лес, дерево решений, svm, логистическая регрессия, а также отображает отчеты с метриками для каждой модели.

visualize.py - позволяют визуализировать нейронные сети в наглядной и графической форме.

# ml.py → Реализованные алгоритмы

— — — — — —

  • Логистическая регрессия
  • Машина опорных векторов
  • Классификатор дерева решений
  • Классификатор случайного леса
  • K-Ближайшие соседи
    - - - - - - - - - - - - - -

model.py → Реализованы популярные архитектуры нейронных сетей

— — — — — —

  • GoogleNet
  • VGG16
  • AlexNet
  • Lenet5
  • Начало
  • простая и базовая cnn
  • basic_mlp и deep_mlp
  • lstm

с предустановленными конфигурациями
- - - - - - - - - - - - -
# Начало работы

— — — — — — — — -

### Установить пакет

pip install py-automl

Перейдите в папку и установите требования:

pip install -r requirements.txt

## Использование
Импорт пакета

Назначьте переменные X и Y нужным столбцам и назначьте размер переменной желаемому test_size.

Кодирование категориальных данных
Закодируйте целевую переменную, если она не является числовой:

from pyAutoML import *
Y = EncodeCategorical(Y)
```
## Running py-automl

Запуск функции Py-automl - ml

подпись выглядит следующим образом: ML (X, Y, size = 0,25, * args);

вывод:

вы также можете написать так
ML (X, Y)

Определение популярных нейронных сетей:

реализация alexNet может выглядеть так

Но мы реализуем это в одной строке кода, как показано ниже, с помощью этого пакета.

Для большего обобщения рассмотрим следующий код.

давайте определим каждую доступную архитектуру модели с помощью этого пакета

Визуализация

мы можем легко визуализировать архитектуру нейронных сетей в различных формах.
Давайте рассмотрим следующий код для лучшего понимания

По умолчанию он возвращает объект визуализации keras
output:

Теперь визуализируйте в графическом виде с помощью серверной части graphviz

вывод:

Эта библиотека настолько удобна для разработчиков, что даже мы объявляем тип с начальных букв.

from pyAutoML.model import *
model2 = model(arch=”alexNet”)

nn_visualize (модель2, тип = "k")

вывод:

Это минимальная документация по пакету.

Для получения дополнительной информации и понимания см. Примеры

[ЗДЕСЬ]



PrudhviGNV / py-automl
Библиотека Python для машинного обучения с низким кодом. . Участвуйте в разработке PrudhviGNV / py-automl, создав учетную запись на… github.com



и исходный код:

GITHUB

Автор: Prudhvi GNV

Https://prudhvignv.githib.io

Контакт:

Надеюсь, мы все понимаем в этой истории ...

Вы можете связаться со мной через ……

LinkedIn

Github

Инстаграм