120 практических задач

# Сборка модели GAN

generator = build_generator

discriminator = build_discriminator

discriminator.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

gan_input = layers.Input(shape=(100,))

generated_image = generator(gan_input)

discriminator.trainable = False

gan_output = discriminator(generated_image)

gan = tf.keras.Model(gan_input, gan_output)

gan.compile(optimizer='adam', loss='binary_crossentropy')

```

3. Обучение модели

```python

import tensorflow as tf

# Гиперпараметры

epochs = 10000

batch_size = 64

sample_interval = 200

latent_dim = 100

# Генерация меток

real_labels = np.ones((batch_size, 1))

fake_labels = np.zeros((batch_size, 1))

for epoch in range(epochs):

# Обучение дискриминатора

idx = np.random.randint(0, train_images.shape[0], batch_size)

real_images = train_images[idx]

noise = np.random.normal(0, 1, (batch_size, latent_dim))

fake_images = generator.predict(noise)

d_loss_real = discriminator.train_on_batch(real_images, real_labels)

d_loss_fake = discriminator.train_on_batch(fake_images, fake_labels)

d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

# Обучение генератора

noise = np.random.normal(0, 1, (batch_size, latent_dim))

g_loss = gan.train_on_batch(noise, real_labels)

# Печать прогресса

if epoch % sample_interval == 0:

print(f"{epoch} [D loss: {d_loss[0]}, acc.: {100*d_loss[1]}] [G loss: {g_loss}]")

sample_images(generator)

def sample_images(generator, image_grid_rows=4, image_grid_columns=4):

noise = np.random.normal(0, 1, (image_grid_rows * image_grid_columns, latent_dim))

gen_images = generator.predict(noise)

gen_images = 0.5 * gen_images + 0.5

fig, axs = plt.subplots(image_grid_rows, image_grid_columns, figsize=(10, 10))

cnt = 0

for i in range(image_grid_rows):

for j in range(image_grid_columns):

axs[i,j].imshow(gen_images[cnt])

axs[i,j].axis('off')

cnt += 1

plt.show

```

4. Генерация изображений

После завершения обучения, можно использовать генератор для создания новых изображений ландшафтов.

```python

noise = np.random.normal(0, 1, (1, latent_dim))

generated_image = generator.predict(noise)

generated_image = 0.5 * generated_image + 0.5 # Возвращение значений к диапазону [0, 1]

plt.imshow(generated_image[0])

plt.axis('off')

plt.show

```

Этот код даст вам базовую генеративно-состязательную сеть для создания реалистичных изображений ландшафтов. Для улучшения качества изображений можно рассмотреть использование улучшенных архитектур GAN, таких как DCGAN или ProGAN.

31. Создание модели для прогнозирования спортивных результатов

– Задача: Прогнозирование исходов спортивных событий.

Прогнозирование исходов спортивных событий является одной из самых популярных и сложных задач в области аналитики данных и машинного обучения. Для создания такой модели необходимо учитывать множество факторов, начиная от индивидуальных характеристик игроков и команд, заканчивая погодными условиями и историей предыдущих матчей. Основные этапы разработки модели включают сбор данных, предобработку, выбор и обучение модели, а также оценку её эффективности.

1. Сбор данных

Для начала требуется собрать подробные данные о спортивных событиях. Это могут быть данные о предыдущих матчах, статистика команд и игроков, травмы, погодные условия, и другие релевантные параметры. Источники данных могут включать спортивные API, базы данных, и сайты, такие как ESPN, Opta, и другие.

2. Предобработка данных

Данные часто бывают разнородными и содержат много шума, поэтому их нужно очистить и подготовить:

– Очистка данных: удаление или замена пропущенных значений, исправление ошибок в данных.

– Форматирование данных: преобразование данных в формат, пригодный для анализа (например, числовые значения, категориальные переменные).

– Фичевая инженерия: создание новых признаков на основе имеющихся данных (например, среднее количество голов за матч, процент побед на домашнем стадионе).

3. Выбор модели

Для прогнозирования спортивных результатов можно использовать несколько типов моделей машинного обучения, таких как:

– Логистическая регрессия: подходит для бинарной классификации (победа/поражение).

– Решающие деревья и случайные леса: могут учитывать сложные зависимости между признаками.

– Градиентный бустинг (XGBoost, LightGBM): мощные методы для работы с табличными данными.

– Нейронные сети: особенно полезны, если данные содержат сложные и нелинейные зависимости.

4. Обучение модели

После выбора модели необходимо обучить её на исторических данных. Для этого данные обычно делят на тренировочный и тестовый наборы. Модель обучается на тренировочных данных и оценивается на тестовых.

5. Оценка модели

Для оценки качества модели используют различные метрики, такие как точность (accuracy), полнота (recall), точность (precision) и F1-оценка. Также можно использовать специфические метрики для задач с несбалансированными классами, например, ROC-AUC.

Пример реализации на Python

Рассмотрим пример реализации модели на Python с использованием библиотеки scikit-learn.

```python