მაგალითში გამოყენებული Iris მონაცემთა ნაკრების საპოვნელად, მასზე წვდომა შესაძლებელია UCI Machine Learning Repository-ის მეშვეობით. Iris მონაცემთა ნაკრები არის საყოველთაოდ გამოყენებული მონაცემთა ნაკრები მანქანური სწავლების სფეროში კლასიფიკაციის ამოცანების შესასრულებლად, განსაკუთრებით საგანმანათლებლო კონტექსტში მისი სიმარტივისა და ეფექტურობის გამო მანქანური სწავლების სხვადასხვა ალგორითმების დემონსტრირებაში.
UCI Machine Learning Repository არის ფართოდ გამოყენებული რესურსი მანქანათმცოდნეობის საზოგადოებაში, რომელიც მასპინძლობს მონაცემთა სხვადასხვა ნაკრებებს კვლევისა და საგანმანათლებლო მიზნებისთვის. Iris მონაცემთა ნაკრები არის ერთ-ერთი მონაცემთა ნაკრები, რომელიც ხელმისაწვდომია UCI საცავში და მისი ადვილად წვდომა შესაძლებელია მანქანური სწავლების პროექტებში გამოსაყენებლად.
Iris მონაცემთა ნაკრების მისაღებად UCI Machine Learning საცავიდან შეგიძლიათ მიჰყვეთ ამ ნაბიჯებს:
1. ეწვიეთ UCI Machine Learning Repository ვებსაიტს https://archive.ics.uci.edu/ml/index.php.
2. გადადით ვებსაიტზე "მონაცემთა ნაკრები" განყოფილებაში.
3. მოძებნეთ Iris მონაცემთა ნაკრები ხელმისაწვდომი მონაცემთა ნაკრების დათვალიერებით ან ვებსაიტზე საძიებო ფუნქციის გამოყენებით.
4. ჩამოტვირთეთ ის ფორმატში, რომელიც თავსებადია გამოყენებული მანქანათმცოდნეობის გარემოსთან. მონაცემთა ნაკრები, როგორც წესი, ხელმისაწვდომია CSV (მძიმით გამოყოფილი მნიშვნელობები) ფორმატში, რომლის ადვილად იმპორტირება შესაძლებელია ინსტრუმენტებში, როგორიცაა Python's pandas ბიბლიოთეკა, მონაცემთა მანიპულაციისა და ანალიზისთვის.
ალტერნატიულად, ასევე შესაძლებელია წვდომა Iris მონაცემთა ბაზაში პირდაპირ პოპულარული მანქანათმცოდნეობის ბიბლიოთეკებიდან, როგორიცაა scikit-learn Python-ში. Scikit-learn უზრუნველყოფს ჩაშენებულ ფუნქციებს Iris მონაცემთა ნაკრების ჩასატვირთად, რაც მოსახერხებელი გახდის მომხმარებლისთვის მონაცემთა წვდომას ცალკე ჩამოტვირთვის გარეშე.
ქვემოთ მოცემულია პითონში კოდის ფრაგმენტის მაგალითი, რომელიც იყენებს scikit-learn-ს Iris მონაცემთა ნაკრების ჩასატვირთად:
python from sklearn.datasets import load_iris # Load the Iris dataset iris = load_iris() # Access the features and target labels X = iris.data y = iris.target # Print the shape of the dataset print("Shape of the Iris dataset:", X.shape)
ზემოაღნიშნული კოდის ფრაგმენტის გაშვებით, შეგიძლიათ ჩატვირთოთ Iris-ის მონაცემთა ნაკრები პირდაპირ Python-ის გარემოში, scikit-learn-ის გამოყენებით და დაიწყოთ მონაცემთა ნაკრების მუშაობა მანქანური სწავლების ზოგიერთი პრაქტიკისთვის.
სხვა ბოლოდროინდელი კითხვები და პასუხები EITC/AI/GCML Google Cloud Machine Learning:
- რა არის ტექსტი მეტყველებამდე (TTS) და როგორ მუშაობს ის AI-სთან?
- რა შეზღუდვებია მანქანური სწავლების დიდ მონაცემთა ნაკრებებთან მუშაობისას?
- შეუძლია თუ არა მანქანურ სწავლებას დიალოგური დახმარება?
- რა არის TensorFlow სათამაშო მოედანი?
- რას ნიშნავს უფრო დიდი მონაცემთა ნაკრები?
- რა არის ალგორითმის ჰიპერპარამეტრების რამდენიმე მაგალითი?
- რა არის ანსამბლური სწავლება?
- რა მოხდება, თუ არჩეული მანქანათმცოდნეობის ალგორითმი არ არის შესაფერისი და როგორ შეიძლება დავრწმუნდეთ, რომ აირჩიოთ სწორი?
- სჭირდება თუ არა მანქანათმცოდნეობის მოდელს ზედამხედველობა მისი ტრენინგის დროს?
- რა არის ძირითადი პარამეტრები, რომლებიც გამოიყენება ნერვული ქსელის ალგორითმებში?
იხილეთ მეტი კითხვები და პასუხები EITC/AI/GCML Google Cloud Machine Learning-ში