程式設計和數學基礎不佳如何入門人工智慧？

allElectronicsData = open(r'D:\deeplearning\AllElectronics.csv', 'rb')

reader = csv.reader(allElectronicsData)  

headers = reader.next()

print(headers)

featureList = []

labelList = [] #最後一列

for row in reader:

    #print(row)

    labelList.append(row[len(row)-1])  #在元祖末尾新增元素

    rowDict = {}

    for i in range(1,len(row)-1):

        rowDict[headers[i]] = row[i]

    featureList.append(rowDict)

print(featureList)

print(labelList)

vec = DictVectorizer()

dummyX = vec.fit_transform(featureList).toarray()  

print("dummyX:" + str(dummyX))

print(vec.get_feature_names())

lb = preprocessing.LabelBinarizer()

dummyY = lb.fit_transform(labelList)

print("dummyY:" + str(dummyY))  

clf = tree.DecisionTreeClassifier(criterion='entropy')

clf = clf.fit(dummyX,dummyY)

print("clf: "+ str(clf))

with open("allElectronicInformationGainDri.dot",'w') as f:

    f = tree.export_graphviz(clf,feature_names=vec.get_feature_names(),out_file = f)  #在當前工作目錄生成  .dot 檔案

oneRowX = dummyX[0, :]

print("oneRowx: " + str(oneRowX))

newRowX = oneRowX

newRowX[0] = 1

newRowX[2] = 0

print("newRowX: " + str(newRowX))

predictedY = clf.predict(newRowX)

print("predictedY:" + str(predictedY))    

# coding:utf-8

#不呼叫庫，自己實現 knn 演算法

import csv   #讀取 CSV 檔案用的模組，讀取資料用的

import random #隨機數計算

import math  #數學計算

import operator

from bokeh.util.session_id import random

from boto.beanstalk import response

from dask.array.learn import predict

# 裝載資料集  filename:資料集檔名 split：以資料集中某個位置為結點，把資料集分為 trainingSet 和 testSet

def loadDataSet(filename, split, trainingSet=[], testSet=[]):

    with open(filename, 'rb') as csvfile:

         lines = csv.reader(csvfile)  #把所有行存入 lines

         dataset = list(lines) #把資料轉換為 list 格式

         for x in range(len(dataset)-1):

             for y in range(4):

                 dataset[x][y] = float(dataset[x][y])

             if random.random() < split:   #如果隨機值小於 split

                 trainingSet.append(dataset[x])  #則加到 trainingSet

             else:

                 testSet.append(dataset[x])

#歐幾里德距離 ：座標差的平方的和再開根號    還有曼哈頓距離

def euclideanDistance(instance1, instance2, length):  

    distance = 0

    for x in range(length):

        distance += pow((instance1[x] -instance2[x]), 2)

    return math.sqrt(distance)

#返回距離 testInstance 最近 trainingSet 的 K 個鄰居

def getNeighbours(trainingSet, testInstance, k):

    distances = []

    length =len(testInstance) - 1

    for x in range(len(trainingSet)):

        dist = euclideanDistance(testInstance, trainingSet[x], length)  #每一個訓練集資料和例項資料之間的距離

        distances.append((trainingSet[x],dist))

    distances.sort(key=operator.itemgetter(1)) #sort 排序為從小到大

#取前 k 個最近的 neighbors    

    neighbors = []

    for x in range(k):  

        neighbors.append(distances[x][0])  

    return neighbors

#根據少數服從多數的原則判斷要預測例項屬於哪一類。計算 testInstance 到 trainingSet 距離最近的個數，返回最多的那一類

def getResponse(neighbors):

    classVotes = {}

    for x in range(len(neighbors)):

        response = neighbors[x][-1]

        if response in classVotes:

           classVotes[response] += 1

        else:

           classVotes[response] = 1

    sortedVotes = sorted(classVotes.iteritems(), key=operator.itemgetter(1), reverse=True)

    return sortedVotes[0][0]

#獲取預測的準確率 testSet:測試資料集  predictions：用程式碼預測的類別集合

def getAccuracy(testSet, predictions):

    correct = 0

    for x in range(len(testSet)):

        if testSet[x][-1] == predictions[x]:  #-1 表示陣列的最後一個值。

           correct += 1

    return(correct/float(len(testSet))) * 100.0

def main():

    trainingSet=[]

    testSet=[]

    split = 0.67  #三分之二為訓練集 ， 三分之一為資料集

    loadDataSet(r'C:\Users\ning\workspace\KNNdata\irisdata.txt', split, trainingSet, testSet)

    print 'Train Set： ' + repr(len(trainingSet)) #repr 轉化為字串

    print 'Test Set： ' + repr(len(testSet))

    predictions = []

    k = 3

    for x in range(len(testSet)):

        neighbors = getNeighbours(trainingSet, testSet[x], k)

        result = getResponse(neighbors)

        predictions.append(result)

        print("> predicted=" + repr(result) + ', actual=' + repr(testSet[x][-1]))

    accuarcy = getAccuracy(testSet, predictions)

    print('Accuracy: ' + repr(accuarcy) + '%')

main()

# coding:utf-8

from sklearn import svm

X = [[2,0], [1,1], [2,3]]

y = [0,0,1]

clf = svm.SVC(kernel = 'linear')

clf.fit(X,y)  #?透過 .fit 函式已經可以算出支援向量機的所有引數並儲存在 clf 中

print clf

# get support vectors

print clf.support_vectors_

#get index of support vectors

print clf.support_

#get number of support vectors for each class

print clf.n_support_

#predict data , 引數是二維陣列

print clf.predict([[2, 0], [10,10]])