Mathematica-Wolfram Language
Oferty specjalne
Nowości i historia zmian
Wolfram System Modeler
Informacje
Serwis
|
Wolfram Language Data Science Machine Learning |
Współczesny świat generuje ogromne ilości danych, a dla określenia ich rozmiaru powstał termin Big Data. Rozmiar tych danych oraz przede wszystkim ich różnorodność spowodowały, że należało zmienić podejście do ich analizy. Analizę klasyczną trzeba było uzupełnić procedurami Data Science. Wolfram Language to wiodące środowisko w tym zakresie.
Trochę historii
Kiedy określone funkcje związane z maszynami uczącymi się pojawiły się w środowisku programu Mathematica, jako procedury Wolfram Language.
Co to jest Big Data?
Wraz z rozwojem technologii IT pojawił się termin Big Data na określenie wielkiej ilości danych o różnorodnej strukturze, których przetwarzanie i wykorzystanie wymaga zastosowania niestandardowych środków.
Czym zajmuje się Data Scientist?
Dosłowne tłumaczenie terminu Data Science jako "nauka o danych" jest dużym uproszczeniem i gubi sens terminu oryginalnego. Kim zatem jest "naukowiec od danych"?
"Uczenie maszynowe" lub bardziej adekwatne "maszyny uczące się"
Wykorzystanie maszyn uczących się to moda czy konieczność? Czy współczesna rzeczywistość wymusiła wzrost zainteresowania uczącymi się maszynami?
Dlaczego maszyny mogą być efektywnie uczone z Wolfram Language?
Istnieje wiele różnych środowisk tworzenia oprogramowania i wiele różnych języków programowania używanych do budowy aplikacji z zakresu uczących się maszyn. Dlaczego należy to robić za pomocą Wolfram Language w środowisku programu Mathematica?
Uczenie maszyn z Wolfram Language, funkcje dedykowane i predefiniowane klasyfikatory
W środowisku programu Mathematica dostępnych jest szereg procedur dedykowanych określonym zagadnieniom z dziedziny maszyn uczących się oraz predefiniowanych klasyfikatorów bazujących na algorytmach uczenia nadzorowanego.
Uczenie nadzorowane, klasyfikacja i predykcja
Funkcje Classify i Predict realizują procedury uczenia nadzorowanego,bazującego na danych ze zbioru uczącego. Efektem pracy tych procedur jest przypisanie obiektu do jednej z klas lub przyporządkowanie wartości liczbowej funkcji ciągłej.
Uczenie bez nadzoru, czyli wykrywanie struktury danych
Klasyfikacja przez klasteryzację obecna jest w środowisku programu Mathematica już od wersji 6. Wprowadzona w wersji 11 funkcja ClusterClassify pozwala klasyfikować obiekty liczbowe, tekstowe, graficzne i dźwiękowe oraz ich zestawy.