ภาษาการเขียนโปรแกรมใดที่คุณแนะนำให้สร้างต้นแบบปัญหาการเรียนรู้ของเครื่อง?

กำลังทำงานใน Octave แต่เนื่องจากความคืบหน้าของเอกสารไม่ดีช้ามาก

ภาษาใดที่ง่ายต่อการเรียนรู้และใช้งานและมีเอกสารที่ดีในการแก้ปัญหาการเรียนรู้ของเครื่อง? ฉันกำลังมองหาต้นแบบบนชุดข้อมูลขนาดเล็ก (ตัวอย่างหลายพันตัวอย่าง) ดังนั้นความเร็วจึงไม่สำคัญ

แก้ไข: ฉันกำลังพัฒนาเครื่องมือแนะนำ ดังนั้นฉันสนใจที่จะใช้ Regularized Linear Regression, Neural Nets, SVN หรือ Collaborative Filtering

หากคุณต้องการใช้บางอย่างออกมา Weka อาจเป็นจุดเริ่มต้นที่ดี ไม่จำเป็นต้องเขียนโปรแกรมอะไร คุณนำเข้าข้อมูลแสดงภาพและเล่นกับโมเดลที่แตกต่างกัน

ถัดไปในลูกโซ่คืออาร์มีเส้นโค้งการเรียนรู้ที่เกี่ยวข้อง - โดยเฉพาะอย่างยิ่งเมื่อมีการบันทึกข้อมูลของคุณเพื่อให้พอดีกับโครงสร้างข้อมูล R แต่เมื่อคุณได้รับสิ่งนั้นคุณจะมีห้องสมุดจำนวนมากที่ให้ความสามารถในการเรียนรู้ทั้งหมด

ต่อไปคือการเขียนโปรแกรมด้วยมืออัลกอริทึมการเรียนรู้ของเครื่อง เนื่องจากคุณใช้ Octave อยู่แล้วและกำลังมองหาทางเลือกบางทีสิ่งที่คุณต้องการไม่ใช่การใช้อัลกอริธึมโค้ดในระบบอื่น แต่เพื่อใช้ไลบรารีที่เขียนโดยคนอื่น

หากคุณไปตามเส้นทาง R คุณอาจพบหนังสือโดย Luis Torgo (การขุดข้อมูลด้วย R: การเรียนรู้ด้วยกรณีศึกษา) มีประโยชน์มาก (การเปิดเผย: ไม่มีการร่วมมือ) มันอธิบายในกรณีศึกษาเชิงลึกที่คุณสามารถปรับให้เข้ากับปัญหาของคุณ

คุณอาจได้คำตอบที่ดีกว่าถ้าคุณระบุอัลกอริธึมเฉพาะที่คุณสนใจฉันใช้ R สำหรับสิ่งนี้ (ฉันใช้เศรษฐศาสตร์อนุกรมเวลา คุณสามารถดูฟังก์ชันการทำงานที่มีอยู่ได้ที่นี่:

http://cran.r-project.org/web/views/MachineLearning.html

และมีรหัส R เพื่อใช้ในการวิเคราะห์ใน Hastie, Tibshirani และองค์ประกอบของ Friedman ในการเรียนรู้เชิงสถิติ :

http://www-stat.stanford.edu/~tibs/ElemStatLearn/

ระบบบรรจุภัณฑ์ของ R นั้นยอดเยี่ยมมากและทำให้ผู้คนหันมาทำเอกสารรหัสและเป็นโอเพ่นซอร์สดังนั้นคุณสามารถดูการนำไปใช้งานได้เสมอ ฉันไม่ได้ใช้ Matlab ในช่วงไม่กี่ปีที่ผ่านมาและไม่ได้ใช้เพื่อการเรียนรู้ของเครื่องจำนวนมากกล่องเครื่องมือของพวกเขามักจะมีเอกสารที่ดี แต่อาจมีราคาแพง แต่รหัสที่ผู้ใช้สนับสนุนนั้น

ในหลักสูตรการเรียนรู้ของเครื่องออนไลน์Andrew Ngแนะนำให้ใช้ Octave / Matlab

ฉันขอแนะนำให้คุณลงทะเบียนในหลักสูตรรุ่นถัดไป: มันมีประโยชน์จริง ๆ และคุณจะได้เรียนรู้หลายสิ่งหลายอย่างเกี่ยวกับ Octave และเกี่ยวกับอัลกอริทึมการเรียนรู้ของเครื่องที่แตกต่างกัน

แก้ไข 1 : ฉันเห็นด้วยกับคนอื่น ๆ ที่ชอบทำงานใน R. อย่างไรก็ตามในการแก้ปัญหาของการเรียนรู้ของเครื่องจักรการคำนวณส่วนใหญ่ของคุณจะอยู่ในรูปแบบเมทริกซ์และตามที่ @Wayne, Matlab หรือ Octave เป็นที่นิยมมาก เพราะพลังของพวกเขา คุณอาจต้องการดูวิธีแก้ปัญหาสำหรับแบบฝึกหัดหลักสูตรการเรียนรู้ของเครื่องที่เสนอโดยนักเรียนคนอื่น ๆ แน่นอนคุณสามารถเรียนรู้บางสิ่งจากพวกเขา:

Gkokaisel Github

Merwan Github

scikit การเรียนรู้ (ตอนนี้sklearn) ควรจะตอบสนอง (ถดถอย L1 / L2 ลงโทษ SVM อื่น ๆ ) หลายเกณฑ์ที่คุณอธิบาย (ความเร็วในการเรียนการออกแบบที่ดีสำหรับการจัดการข้อมูลรูปแบบและผล) รวมถึงการใช้งานที่กำหนดเป้าหมาย มันมาพร้อมกับชุดเอกสารมากมายและตัวอย่างมากมาย ดูคำอธิบายของมันในเอกสารเผยแพร่ใน JMLR

เฟรมเวิร์กทางเลือกใน Python คือOrangeซึ่งสามารถใช้ผ่าน GUI ที่อ่อนโยนหรือบนบรรทัดคำสั่งโดยตรง สำหรับการกรองร่วมกันpyrsvdอาจน่าสนใจ แต่ฉันไม่เคยลองเลย อย่างไรก็ตามApache ควาญช้างอาจแน่นอนนำมาใช้สำหรับการกรองการทำงานร่วมกัน

หากคุณอ้างถึงต้นแบบอุตสาหกรรม (เช่นบางสิ่งบางอย่างที่ใช้โดยคนจริงและไม่ใช่เพื่อการวิจัยอย่างแท้จริง) ไพ ธ อนเป็นวิธีเดียวที่จะไปได้

หากคุณใช้ Matlab, Octave หรือ R คุณจะได้รับสภาพแวดล้อมที่ใช้งานง่ายสำหรับการวิจัย ML แต่มันจะเป็นฝันร้ายที่จะนำโมเดลนี้ไปใช้งานกับส่วนต่อประสานผู้ใช้หรือกับบริการบนเว็บ

ในงูหลามเราโชคดีที่มีทั้งระบบนิเวศทางวิทยาศาสตร์ที่กว้างขวาง ( sklearnสำหรับ ML, pandas สำหรับการดึงข้อมูล, matplotlib / seaborn สำหรับการสร้างภาพข้อมูล) และระบบนิเวศของแอปพลิเคชัน (คิดถึงdjango และเฟรมเวิร์กส่วนที่เหลือ )

Python เป็นภาษาที่ง่ายต่อการเรียนรู้ ในอนาคตฉันหวังว่าระบบนิเวศของ Javascript จะกลายเป็นเสียงทางวิทยาศาสตร์เหมือนกับงูหลาม แต่แม้ว่าจะมีโครงการดีๆมากมายฉันไม่เห็นว่าจะมีในเร็ว ๆ นี้

อย่าห่อตัวเองไว้ในกล่องใช้ภาษาทั่วไป!