Просмотр исходного текста страницы Примеры кода на Kotlin

[[File:kotlin-logo.png|150px|thumb|Kotlin: https://kotlinlang.org/]]

==Популярные библиотеки==
* Kotlin-statistics<ref>[https://github.com/thomasnield/kotlin-statistics Kotlin-statistics]</ref> {{---}} библиотека с набором функций-расширений для работы с коллекциями, такими как mode, median, range, variance, standardDeviation, geometricMean и др. Также, библиотека предоставляет расширения для трансформации коллекций и агрегации данных. Есть реализации Наивного Баесового Классификаторы, алгоритмов классификации, линейной регрессии.

* KMath<ref>[https://github.com/mipt-npm/kmath KMath]</ref> {{---}} аналог numpy: поддержка алгебраических структур, массиво-подобных коллекций, гистограмм и т.д.

* SMILE<ref>[https://github.com/haifengl/smile SMILE]</ref> {{---}} JVM фреймворк, для которого помимо официального API<ref>[https://github.com/haifengl/smile/blob/master/kotlin/packages.md SMILE-kotlin]</ref> на Kotlin существуют расширения SMILE-NLP-KT<ref>[https://github.com/londogard/smile-nlp-kt SMILE-NLP-KT]</ref>. Фреймворк используется для решения различных задач машинного обучения, таких как: классификация, регрессия, кластеризация, использование генетических алгоритмов, KNN, вывод отсутствующих значений набора данных, обработку естественных языков. Есть встроенная поддержка визуализации данных, средств для чтения и нормализации данных различных форматов (csv, apache arrow, json, jdbc).

Так как Kotlin интеропабилен с Java, то помимо поддерживающих для Kotlin библиотек можно использовать библиотеки для Java, например:
* Deeplearning4j<ref>[https://deeplearning4j.konduit.ai/ Deeplearning4j]</ref> {{---}} DSL на Java для конфигурации глубоких нейронных сетей. Библиотека поддерживает распределенные вычисления, используя Apache Spark. Помимо реализаций алгоритмов машинного обучения, библиотека содержит классы для загрузки и нормализации данных.

Также есть возможность<ref>[https://kotlinlang.org/docs/reference/data-science-overview.html Kotlin for Data Science]</ref> работы с NumPy.

==Примеры кода==
Примеры кода написаны на kotlin 1.3.71 для JVM, с использованием kotlin-statistics

Gradle зависимость:
  repositories {
    maven { url 'https://jitpack.io' }
  }
  
  dependencies {
    implementation 'com.github.thomasnield:kotlin-statistics:-SNAPSHOT'
  }

===Линейная регрессия===
{{main|Линейная регрессия|l1=Линейная регрессия}}

Пример линейной регрессии c применением Kotlin-statistics:
  fun main() {
    val r = sequenceOf(
        1.0 to 3.0,
        2.0 to 6.0,
        3.0 to 9.0,
        4.0 to 11.8
    ).simpleRegression()
  
    println(r.slope)           // 2.9400000000000004
    println(r.meanSquareError) // 0.006000000000000227
    println(r.predict(5.0)).   // 14.8
  }

===Байесовская классификация===
Основная статья: [[Байесовская классификация]].

Пример классификации при помощи Наивного Байесовского Классификатора:

  import org.nield.kotlinstatistics.toNaiveBayesClassifier
  
  class Email(val message: String, val isSpam: Boolean)
  
  fun main() {
      val emails = listOf(
          Email("Hey! If you really want to enlarge your ML scores click here", isSpam = true),
          Email("Earn 50 more points for ML just by visiting this site!", isSpam = true),
          Email("Still have F grade? Professional help with ML right here", isSpam = true),
  
          Email("Hey, I left my phone at home. Email me if you need anything.", isSpam = false),
          Email("Stay At Home: COVID-19 news", isSpam = false),
          Email("Please see attachment for notes on today's meeting.", isSpam = false),
          Email("JetBrains license certificate", isSpam = false),
          Email("Your Education Pack expires soon ", isSpam = false)
      )
      val nbc = emails.toNaiveBayesClassifier(
          featuresSelector = { it.message.splitWords().toSet() },
          categorySelector = { it.isSpam }
      )
  
      val spamInput = "your grade is still so bad, but I can help you to get more scores".splitWords().toSet()
      require(nbc.predict(spamInput) == true) { spamInput }
  
      val legitInput = "Thank you for placing the order ".splitWords().toSet()
      require(nbc.predict(legitInput) == false) { legitInput }
  }
  
  fun String.splitWords(): Sequence<String> = this.split(Regex("\\s"))
      .asSequence()
      .map { it.replace(Regex("[^A-Za-z]"), "") }
      .map { it.toLowerCase() }
      .filter { it.isNotEmpty() }

===Кластеризация===
Основная статья: [[Кластеризация]].

[[Файл:dbscan_points_sample.png|thumb|800px|center|<div style="text-align:center">Набор точек для кластеризации</div>]]

Пример кластеризации с DBSCAN:

  import org.nield.kotlinstatistics.dbScanCluster
  import kotlin.math.pow
  import kotlin.math.sin
  
  inline fun <V> IntProgression.mapDouble(mapper: (Double) -> V) = this.map { mapper(it.toDouble()) }
  
  data class Point(val coordinates: Pair<Double, Double>, val cluster: Int)
  
  fun main() {
  
      val firstCluster = (1..100 step 1)
          .mapDouble { x -> Point(x to x / 2, cluster = 1) }
    
      val secondCluster = (1..80 step 3)
          .mapDouble { x -> Point(x to (x / 12).pow(2) + 20, cluster = 2) }
  
      val thirdCluster = (60..150 step 1)
          .mapDouble { x -> Point(x to 10 * sin(x / 5) + 15, cluster = 3) }
  
      val points = firstCluster + secondCluster + thirdCluster
    
      val clusters = points.dbScanCluster(
          xSelector = { (coords) -> coords.first },
          ySelector = { (coords) -> coords.second },
          maximumRadius = 5.0,
          minPoints = 1
      )
    
      val pointsWithMatchedClusters = clusters.withIndex()
          .flatMap { (clusterIdx, matched) -> matched.points.map { p -> p to clusterIdx + 1 } }
  
      require(clusters.size == 3) { clusters.size }
    
      val pointsWithMismatchedCluster = pointsWithMatchedClusters.filterNot { (p, cluster) -> cluster == p.cluster }
      require(pointsWithMismatchedCluster.isEmpty()) { pointsWithMatchedClusters }
  }

===Пример работы с матрицами===
Пример использования средств языка и методов стандартной библиотеки для работы с матрицами

  typealias Vector = List<Double>
  typealias Matrix = List<Vector>
  
  class MatrixBuilder {
      private var matrixWidth: Int? = null
      private val _result: MutableList<Vector> = mutableListOf()
      val result: Matrix = _result
  
      operator fun invoke(vararg vector: Double) = addVector(vector.toList())
  
      operator fun invoke(vararg vector: Number) = addVector(vector.map { it.toDouble() })
  
      private fun addVector(vectorList: List<Double>) {
          _result.add(vectorList)
          if (matrixWidth != null) {
              require(vectorList.size == matrixWidth) {
                  "Vector size must be the same among all builder invocations: $vectorList, $_result"
              }
          } else {
              matrixWidth = vectorList.size
          }
      }
  }
  
  fun matrix(builder: MatrixBuilder.() -> Unit): Matrix = MatrixBuilder().apply(builder).result
  
  fun main() {
  
      val multiplied = matrix {
          this(1, 2, 3, 4)
          this(1, 2, 3, 4)
          this(1, 2, 3, 4)
      } * matrix {
          this(5, 6)
          this(7, 8)
          this(9, 10)
          this(11, 12)
      }
  
      multiplied
          .transpose()
          .print()
  }
  
  fun Matrix.transpose(): Matrix = this.asSequence()
      .map { it.withIndex() }
      .flatten()
      .groupBy({ it.index }, { it.value })
      .values
      .toList()
  
  operator fun Matrix.times(other: Matrix): Matrix {
      val (rows1, cols1) = this.size()
      val (_, cols2) = other.size()
      return (0 until rows1).map { i ->
          (0 until cols2).map { j ->
              (0 until cols1).fold(0.0) { s, k ->
                  s + this[i][k] * other[k][j]
              }
          }
      }
  }
  
  fun Matrix.size(): Pair<Int, Int> = this.size to this.first().size
  
  fun Pair<Int, Int>.zeroMatrix(): Matrix = List(this.first) { List(this.second) { 0.0 } }
  
  fun Matrix.print() = println(this.joinToString(separator = "\n") { it.joinToString(separator = " ") })
  
  fun List<Matrix>.sum(): Matrix {
      val n = this.size
      val (rowsCount, colCount) = this[0].size()
      return (0 until rowsCount).map { i ->
          (0 until colCount).map { j ->
              (0 until n).fold(0.0) { s, k ->
                  s + this[k][i][j]
              }
          }
      }
  }

== Примечания ==
<references/>
[[Категория: Машинное обучение]] [[Категория: Примеры кода]]