Week 3: Self-Study Notes

Study-Friendly Structure

Each section contains:

• Key Concepts (Simplified theory).
• Practical Examples (Hands-on coding examples).
• Exercises (Practice tasks to reinforce learning).

English Version

Unsupervised Learning and Neural Networks

1. Unsupervised Learning

Unsupervised learning identifies patterns in data without labeled outputs.

Key Algorithms:

• Clustering: Groups similar data points.
  • Example: Customer segmentation.
• Dimensionality Reduction: Reduces the number of features while retaining essential data.
  • Example: PCA (Principal Component Analysis).

Practical Steps:

1. K-Means Clustering:

   python

   Copy code

   from sklearn.cluster import KMeans
import numpy as np
data = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(data)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)


2. PCA for Dimensionality Reduction:

   python

   Copy code

   from sklearn.decomposition import PCA
import numpy as np
data = np.array([[2.5, 2.4], [0.5, 0.7], [2.2, 2.9], [1.9, 2.2]])
pca = PCA(n_components=1)
reduced_data = pca.fit_transform(data)
print("Reduced Data:", reduced_data)


Quick Exercise:

• Perform clustering on a small dataset and visualize the clusters using matplotlib.

2. Neural Networks: Basics

Neural networks are algorithms inspired by the human brain, consisting of layers of interconnected nodes.

Key Concepts:

• Input Layer: Accepts features of data.
• Hidden Layers: Performs computations.
• Output Layer: Generates predictions.

Practical Steps:

1. Building a Simple Neural Network:
   python

   Copy code

   from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential([
Dense(10, activation='relu', input_shape=(2,)),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
print(model.summary())


Quick Exercise:

• Create a neural network to classify data into two categories.

3. Feature Engineering

Feature engineering improves data quality to enhance model performance.

Key Techniques:

• Feature Creation: Deriving new features (e.g., age groups from raw ages).
• Feature Selection: Choosing the most relevant features for the model.

Practical Steps:

1. Creating Features:
   python

   Copy code

   import pandas as pd
data = {'Age': [23, 45, 25], 'Income': [50000, 100000, 75000]}
df = pd.DataFrame(data)
df['Age_Group'] = pd.cut(df['Age'], bins=[0, 30, 50], labels=['Young', 'Middle'])
print(df)


Quick Exercise:

• Implement feature scaling and create new features for a small dataset.

සිංහල අනුවාදය

අනවෙරෝධී ඉගෙනුම් සහ නියුරල් ජාල

1. අනවෙරෝධී ඉගෙනුම

අනවෙරෝධී ඉගෙනුම යනු ලේබල් නැති දත්තවල රටාව හඳුනාගැනීමයි.

ප්‍රධාන අලගෝරිදම්:

• Clustering: සමාන දත්ත කුළුණු වලට වෙන් කිරීම.
  • උදාහරණය: පාරිභෝගික වර්ගීකරණය.
• Dimensionality Reduction: විශේෂාංග සංඛ්‍යාව අඩු කිරීම.
  • උදාහරණය: PCA.

ප්‍රායෝගික පියවර:

1. K-Means Clustering:
   python

   Copy code

   from sklearn.cluster import KMeans
import numpy as np
data = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(data)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)


දඩුකාරකම:

• කුඩා දත්ත කුළුණු වලට වෙන් කිරීමේ ක්‍රියාවලිය සිදුකරන්න.

2. නියුරල් ජාල: මූලික අදහස්

නියුරල් ජාලය මනස් ආභාසයෙන් අභ්‍යන්තර කළ මෘදුකාංග වේ.

ප්‍රධාන අදහස්:

• ආදාන ස්ථරය: දත්ත ආදානය.
• සැගවුණු ස්ථරය: ගණනයකිරීම්.
• ප්‍රතිදාන ස්ථරය: ප්‍රතිඵල අනාවැකිය.

ප්‍රායෝගික පියවර:

1. සරල නියුරල් ජාලයක් සාදන්න:
   python

   Copy code

   from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential([
Dense(10, activation='relu', input_shape=(2,)),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
print(model.summary())


දඩුකාරකම:

• ද්විත්ව කාණ්ඩ සඳහා නියුරල් ජාලයක් පුහුණු කරන්න.

3. විශේෂාංග ඉංජිනේරුකරණය

විශේෂාංග ඉංජිනේරුකරණය ආදර්ශ කාර්ය සාධනය වැඩිදියුණු කිරීමට උපකාරී වේ.

ප්‍රධාන කාර්යමණ්ඩල:

• විශේෂාංග නිර්මාණය: නව විශේෂාංග සාදීම.
• විශේෂාංග තේරීම: විශේෂාංග මැනවින් තේරීම.

ප්‍රායෝගික පියවර:

1. විශේෂාංග සාදන්න:
   python

   Copy code

   import pandas as pd
data = {'Age': [23, 45, 25], 'Income': [50000, 100000, 75000]}
df = pd.DataFrame(data)
df['Age_Group'] = pd.cut(df['Age'], bins=[0, 30, 50], labels=['Young', 'Middle'])
print(df)


දඩුකාරකම:

• දත්ත සක්‍රීය කිරීමේ කුඩා උදාහරණයක් සාදන්න.