Introduction to AI 🤖

Сборник учебных проектов по искусственному интеллекту и машинному обучению (Python)

Этот репозиторий содержит набор небольших, но показательных проектов по машинному обучению и обучению с подкреплением. Проекты охватывают основные подходы: классификация, кластеризация, регрессия и reinforcement learning.

Цель репозитория — продемонстрировать практическое применение ML-алгоритмов, работу с данными и базовую архитектуру ML-проектов.

---

📂 Содержание проектов

🔹 Classification — Titanic

Классическая задача бинарной классификации:

• предсказание выживаемости пассажиров Titanic
• обучение модели Decision Tree
• сохранение модели и списка признаков
• пример инференса на новых данных

📁 Classification/

---

🔹 K-Meaning — K-Means Clustering

Примеры кластеризации данных с помощью алгоритма k-means:

• загрузка CSV-данных
• обучение модели
• визуализация кластеров
• альтернативная реализация

📁 K-Meaning/

---

🔹 House Price Prediction

Задача регрессии:

• прогноз стоимости недвижимости
• работа с train / test наборами
• базовая предобработка данных
• обучение регрессионной модели

📁 HousePrisePrediction/

---

🔹 Laptop Price Prediction (MyProject)

Практический проект по прогнозированию цены ноутбуков:

• очистка и подготовка данных
• feature engineering
• обучение и оценка модели

📁 MyProject/

---

🔹 Final Project — Reinforcement Learning

Финальный проект по обучению с подкреплением (Q-learning):

• собственная среда
• реализация Q-learning
• обучение агента
• запуск обученной модели
• сохранение весов и визуализация прогресса

📁 Final Project/

---

🗂 Структура репозитория

Introduction-to-AI/
│
├── Classification/
│   ├── titanic.csv
│   ├── titanic.py
│   ├── testtitanic.py
│   ├── titanic_model.pkl
│   └── model_columns.pkl
│
├── K-Meaning/
│   ├── kmeans.csv
│   ├── Clustering.py
│   └── v2.py
│
├── HousePrisePrediction/
│   ├── train.csv
│   ├── test.csv
│   └── HousePrisePrediction.py
│
├── MyProject/
│   ├── laptop_price.csv
│   └── Laptops.py
│
├── Final Project/
│   ├── config.py
│   ├── environment.py
│   ├── q_learning.py
│   ├── trains.py
│   ├── play.py
│   ├── utils.py
│   └── utils/
│       ├── final_model.npy
│       └── training_progress.gif
│
└── Black and Purple Gradient Modern Elegant Technology Keynote Presentation.pdf

---

⚙️ Требования

• Python 3.8+

• Основные библиотеки:

  • numpy
  • pandas
  • scikit-learn
  • joblib
  • matplotlib (опционально)
  • seaborn (опционально)

Установка зависимостей:

pip install numpy pandas scikit-learn joblib matplotlib seaborn

Рекомендуется добавить requirements.txt для воспроизводимости.

---

🚀 Быстрый старт

1️⃣ Клонирование репозитория

git clone https://github.com/bakytbekovJ27/Introduction-to-AI
cd Introduction-to-AI

---

2️⃣ Классификация Titanic

Обучение модели:

python Classification/titanic.py

Скрипт:

• обучает DecisionTreeClassifier

• выводит accuracy

• сохраняет:

  • titanic_model.pkl
  • model_columns.pkl

Пример предсказания:

python Classification/testtitanic.py

---

3️⃣ K-Means кластеризация

python K-Meaning/Clustering.py
python K-Meaning/v2.py

Результат:

• кластеры
• возможные графики и визуализации

---

4️⃣ Прогноз цен на дома

python HousePrisePrediction/HousePrisePrediction.py

---

5️⃣ Прогноз цен ноутбуков

python MyProject/Laptops.py

---

6️⃣ Reinforcement Learning (финальный проект)

Обучение агента:

python "Final Project/main.py"

Запуск обученной модели:

python "Final Project/play.py"