scikit-learn og TensorFlow (overblik)

It A · STX · A-niveau · AI og maskinlæring

💻 scikit-learn og TensorFlow (overblik)

Python-biblioteker til ML:

scikit-learn: klassisk ML (regression, klassifikation, clustering). Brugervenlig.

```python

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = LinearRegression()

model.fit(X_train, y_train)

predictions = model.predict(X_test)

```

TensorFlow (Google): deep learning-framework. Produktion + skalering.

```python

import tensorflow as tf

model = tf.keras.Sequential([

tf.keras.layers.Dense(128, activation='relu'),

tf.keras.layers.Dense(10, activation='softmax')

])

model.compile(optimizer='adam', loss='categorical_crossentropy')

model.fit(X_train, y_train, epochs=10)

```

PyTorch (Meta): konkurrent til TensorFlow. Mere fleksibel — populær i forskning.

Keras: høj-niveau API ovenpå TensorFlow.

ML-workflow:

1. Data-indsamling+rensning (~80% af arbejdet).

2. Feature engineering.

3. Træning (split data: 70/15/15).

4. Evaluering (accuracy, precision, recall, F1, confusion matrix).

5. Deployment + monitorering.

Almindelige metrics:

• Accuracy: % korrekte predictions.
• Precision: TP / (TP + FP) — hvor præcise er positive predictions?
• Recall: TP / (TP + FN) — hvor mange positive blev fundet?
• F1: harmonisk middel af precision + recall.

Centrale begreber

• Accuracy: % korrekte predictions.
• Precision: TP / (TP + FP) — hvor præcise er positive predictions?
• Recall: TP / (TP + FN) — hvor mange positive blev fundet?
• F1: harmonisk middel af precision + recall.

Læringsmål

• Redegøre for formålet med biblioteker som scikit-learn og TensorFlow
• Beskrive et simpelt eksempel på brug af scikit-learn til en model
• Sammenligne biblioteker til klassisk maskinlæring og deep learning

Sådan kan du arbejde med emnet

• Brug scikit-learn til at træne en random forest-klassifikator og evaluér med en confusion matrix
• Beskriv, hvad der er forskellen på scikit-learn og TensorFlow som ML-biblioteker
• Forklar, hvad en pipeline i scikit-learn er, og hvad den bidrager med i en ML-workflow

Arbejd iterativt med prototyper og dokumentation. Test, evaluér og dokumentér.