Python basic

& ML Introduction

Richard Lai

Index

Prior knowledge

Valuable & operator

condition & loop

list & function

prior knowledge

環境建置、第一支程式

一個直譯式、物件導向的高階語言
簡潔易學、可讀性高
人工智慧、遊戲設計、區塊鏈、大數據

What is it?

速度慢、強制縮排(不打4space縮排會報錯)
很多函式庫可以玩
可攜性&相容性高

Features

Python

下載 Python (安裝時記得勾選 Add Python 3.10 to PATH )
下載 Visual Studio Code
存檔後要如何執行呢?
在 terminal 中打 python filename.py

環境

Hello world

print('Hello World!')

# 這是註解啦
# 上方的程式碼代表輸出Hello World並換行

恭喜你撰寫完 Python 的第一支程式!

我要怎麼像 C++ 一樣輸入呢?

name = input("hi, how may i call you?")
print("Hello, "+name)
# 將輸入的東西存入 name ，印出 Hello, name
# input()中的字串，有點像輸入前顯示的字串
#，沒什麼用

variable & operator

變數與他的快樂夥伴

變數就是為了方便在程式中調用記憶體中的值，而宣告的名稱
運算子可以四則運算、位元運算、比較，用途相當廣泛

什麼是變數&運算子

變數的宣告

number = 7122
# 整數
sentence = "Hello world!"
# 字串
float_num = 7.122
# 小數
flag = True
# 布林值 (邏輯)
print(type(sentence))
# 印出變數的型別

當我們寫:

number = 7122 時，

代表我們為 number 賦值7122，存入記憶體中

Python 的變數不需宣告型別，且可重複使用

Operator

a = 765 * 432 + 9900
# +-*/分別代表著加、減、乘、除
# //代表除之後，取整數
b = 2022
b += a
# 宣告變數 b = 2022，再把 b 的值加上 a。
print(b>=a)
# 輸出的為b>=a的布林值，
# <、>、<=、==、>=

當我們寫:

b += a 時，

同義於 b = b+a

以此類推。

更多運算子請見 here

condition & loop

條件與迴圈

a = 33
b = 200
if b > a:
  print("b is greater than a")
# 注意縮排!

password = "infor35th7122"
if input("請輸入密碼!") != password:
  print("logged in!")
else:
  print("QQ")
# 注意縮排!

score = 72
if score>=90:
  print("ORZ")
elif score>=60:
  print("pass")
elif score>=40:
  print("非常好補考")
else:
  print("我很喜歡重補修，但是...")

conditions

if statement:

blablabla

代表statement如果

為真，則執行下方的扣

elif等同於c++的else if

若上個if/elif中不成立，

改執行該elif中的扣

都不成立

執行else中的內容

for i in range(10):
  print(i)
# 從0數到9，並印出來

n = int(input())
while n>=0:
  n = n-5
  print(n)
# 當n>=0這個statement為True時
# ，會重複執行冒號下的部分

lessons = ["Chinese","English","math",
           "computer","society","science"]
for class in lessons:
  print(class,end="，")
# 遍歷陣列 lessons 中的內容 (等等會講)

loops 迴圈

比較需要提的:

range(n): 從0數到n-1
range(s,e): 從s數到e-1
range(s,e,d): 從s數到e-1，間隔為d。(若d為負，則倒著數)

list & function

陣列跟函式

Array (list)

以一個變數存多個資料。(應該沒有人會在題目有100個資料時，宣告100個變數ㄅ)
可以透過index存取list中的資料。註: 程式語言大都為0-base，也就是說陣列中首項index為0
以[]包起資訊，不同項以 , 隔開，一個list可存不同型別。
Python的list其實跟C++的vector有點像

cars = ["Ford", "Volvo", "BMW"]
fruit = ["Apple","Orange",7122,
         True,"Watemelon","etc"]
# 宣告方式

print(cars[2])
# 印出BMW

print(fruit[6])
# 出錯了，並沒有第6項

若我們想擷取特定的片段?
==> arrayname[起始項:最終項:間隔]

# EX
print(arrayname[4:0:-1])

# 陣列長度
print(len(cars))

list的很多操作

a = [99,1,2,3,4,5,6,7,8]
for i in a:
  print(i)
a.append(7122)
# 從後方加入7122，
# [99,1,2,3,4,5,6,7,8,7122]
a.pop(1)
# 移除a[1]
# [99,2,3,4,5,6,7,8,7122]
a.remove(5)
# 移除a[5]
# [99,2,3,4,5,7,8,7122]
a.sort()
# 排序該list
# [2,3,4,5,7,8,99,7122]

真的很多

here

Python的list是不定長度的

Function

def hello():
  print("Hello INFOR!")

hello()
#呼叫一個函式

def add_three(a,b,c):
  return a+b+c
# 括號中的a,b,c叫做參數，可以傳入函式中進行許多事情
print(add_three(12,15,34))
# a=12,b=15,c=34傳入add_three中，回傳a+b+c

對於函式，可以指派他們參數，也可以把他們當作引數傳給其他函式，以及回傳值。運用函式，

我們可以節省不少時間

更多用法。

Function 的種種

def sumNumber(*params):
    total = 0
    for param in params:
        total +=param
    return total
# 不定數目參數

def rightFunction(first, second = 12):
    return first
def wrongFunction(first=12, second):  
# 出錯 non-default argument follows default argument
    return first
# 函示也可以宣告預設值

除此之外， Python也有許多內建函式

如: pow(a,b)、round()、sum

ML?

Machine Learning

真的只是稍微帶到

機器學習能幹嘛

複雜的事情

解決人類找不出規律的問題

應用

語音辨識
影像辨識
數值預測
自駕車
金融分析

未來性

機器人、腦波分析等應用於醫療等領域

什麼是AI?無處不在的科技

能推理
能解決問題
具有知覺
有自我意識的
不真正擁有智慧

強人工智慧

不真正擁有智慧
不會有自主意識

弱人工智慧

到底什麼是機器學習?

實現人工智慧的方法之一
會用到概率論、統計學、逼近論、凸分析、計算複雜性理論
學習：從已知資料分析獲得規律

把以下的 code 複製到google colab中執行

玩耍

# generating training and testing data
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
import numpy as np
import random as rd
import matplotlib.pyplot as plt

d=2
n=1000
test_n=100
x_train=[]
y_train=[]
x_test=[]
y_test=[]
mua=[-2,2]
mub=[2,-2]
sigma=[[5,0],[0,5]]
for i in range(n):
    if rd.randint(0,1)==0:
        x_train.append(np.random.multivariate_normal(mua,sigma))
        y_train.append([1,0])
    else:
        x_train.append(np.random.multivariate_normal(mub,sigma))
        y_train.append([0,1])
for i in range(test_n):
    if rd.randint(0,1)==0:
        x_test.append(np.random.multivariate_normal(mua,sigma))
        y_test.append([1,0])
    else:
        x_test.append(np.random.multivariate_normal(mub,sigma))
        y_test.append([0,1])
x_train=np.array(x_train)
y_train=np.array(y_train)
x_test=np.array(x_test)
y_test=np.array(y_test)

for i in range(n):
    if y_train[i][0]==0:
        plt.scatter(x_train[i][0],x_train[i][1],c="red",marker=".")
    else:
        plt.scatter(x_train[i][0],x_train[i][1],c="blue",marker=".")
plt.show()
# training

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation

model = Sequential()
model.add(Dense(100, input_dim=d, activation='sigmoid'))
model.add(Dense(100, input_dim=d, activation='sigmoid'))
model.add(Dense(100, input_dim=d, activation='sigmoid'))
model.add(Dense(100, input_dim=d, activation='sigmoid'))
model.add(Dense(100, input_dim=d, activation='sigmoid'))
model.add(Dense(2,activation='softmax'))
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
model.summary()
history=model.fit(x_train, y_train, epochs=50, batch_size=128, validation_split=0.2)
score = model.evaluate(x_test, y_test, batch_size=128)
print(f"score: {score}")

# Plot training & validation accuracy values
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper right')
plt.show()

# Plot training & validation loss values
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper right')
plt.show()

有觀察到哪些東西呢?

the end

bye

print('OwO')

Thanks for your listening.

Resources: w3school、snakify、李弘毅課程