做了那么多年开发,自学了很多门编程语言,我很明白学习资源对于学一门新语言的重要性,这些年也收藏了不少的Python干货,对我来说这些东西确实已经用不到了,但对于准备自学Python的人来说,或许它就是一个宝藏,可以给你省去很多的时间和精力。
别在网上瞎学了,我最近也做了一些资源的更新,只要你是我的粉丝,这期福利你都可拿走。
我先来介绍一下这些东西怎么用,文末抱走。
(1)Python所有方向的学习路线(新版)
这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
最近我才对这些路线做了一下新的更新,知识体系更全面了。
(2)Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频,总共100多个,虽然没有那么全面,但是对于入门来说是没问题的,学完这些之后,你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
(3)100多个练手项目
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了,只是里面的项目比较多,水平也是参差不齐,大家可以挑自己能做的项目去练练。
(4)200多本电子书
这些年我也收藏了很多电子书,大概200多本,有时候带实体书不方便的话,我就会去打开电子书看看,书籍可不一定比视频教程差,尤其是权威的技术书籍。
基本上主流的和经典的都有,这里我就不放图了,版权问题,个人看看是没有问题的。
(5)Python知识点汇总
知识点汇总有点像学习路线,但与学习路线不同的点就在于,知识点汇总更为细致,里面包含了对具体知识点的简单说明,而我们的学习路线则更为抽象和简单,只是为了方便大家只是某个领域你应该学习哪些技术栈。
(6)其他资料
还有其他的一些东西,比如说我自己出的Python入门图文类教程,没有电脑的时候用手机也可以学习知识,学会了理论之后再去敲代码实践验证,还有Python中文版的库资料、MySQL和HTML标签大全等等,这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西,但对于没有资源或者资源不是很好的学习者来说确实很不错,你要是用得到的话都可以直接抱走,关注过我的人都知道,这些都是可以拿到的。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
def get_auc(y, y_hat_prob):
roc = iter(get_roc(y, y_hat_prob))
tpr_pre, fpr_pre = next(roc)
auc = 0
for tpr, fpr in roc:
auc += (tpr + tpr_pre) * (fpr - fpr_pre) / 2
tpr_pre = tpr
fpr_pre = fpr
return auc
10.1 AUC为0.5,模型没有预测能力
我们生成1000个实际值,其中500个值为1,500个值为0,顺序被随机打乱。
import pandas as pdimport numpy as npfrom numpy.random import rand, seed, shuffle, normalseed(100)y = np.array([0, 1] * 500)shuffle(y)
然后我们随机生成1000个实际值
seed(20)y_pred = rand(1000)
计算出ROC曲线的数据点,并绘制ROC曲线。不难看出这条ROC曲线的AUC值约等于0.5,而预测值都是我们随机生成的,也就印证了AUC为0.5时模型没有预测能力的说法。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
10.2 AUC值为1,模型的预测能力最强
我们让预测值直接等于实际值
y_pred = np.array(y)
计算出ROC曲线的数据点,并绘制ROC曲线。不难看出这条ROC曲线的AUC值1,也就印证了AUC值为1,模型的预测能力最强的说法。当然,在实际应用时这种情况是几乎不可能出现的。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
10.3 对于正例和负例有着对等预测能力的ROC曲线
阈值为0.5时,我们让预测值有70%的可能性是正确预测。比如yi = 1,那么预测值有70%的可能性是[0.5, 1]之间的随机数。如果yi = 0,那么预测值有70%的可能性是[0, 0.5]之间的随机数
seed(15)f = lambda x: rand() / 2 + 0.5 if x else rand() / 2y_pred = np.array([f(yi) if rand() > 0.3 else f(1 - yi) for yi in y])
计算出ROC曲线的数据点,并绘制ROC曲线。可以看出ROC曲线的形状是对称的。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
10.4 对于正例有着较强预测能力的ROC曲线
阈值为0.5时,我们让正例的预测值有95%的可能性是正确预测,负例的预测值有70%的可能性是正确预测
seed(200)def f(x):
if x == 1:
if rand() > 0.05:
return rand() / 2 + 0.5
else:
return rand() / 2
else:
if rand() > 0.3:
return rand() / 2
else:
return rand() / 2 + 0.5y_pred = np.array([f(yi) for yi in y])
计算出ROC曲线的数据点,并绘制ROC曲线。可以看出ROC曲线的形状是偏上的。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
10.5 对于负例有着较强预测能力的ROC曲线
阈值为0.5时,我们让正例的预测值有70%的可能性是正确预测,负例的预测值有95%的可能性是正确预测
seed(120)def f(x):
if x == 1:
if rand() > 0.3:
return rand() / 2 + 0.5
else:
return rand() / 2
else:
if rand() > 0.05:
return rand() / 2
else:
return rand() / 2 + 0.5y_pred = np.array([f(yi) for yi in y])
计算出ROC曲线的数据点,并绘制ROC曲线。可以看出ROC曲线的形状是偏左的。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
10.6 预测值集中在0.5左右的ROC曲线
阈值为0.5时,我们让预测值有80%的可能性是正确预测,但值集中在0.5左右
seed(220)def f(x):
if x == 1:
if rand() > 0.2:
return rand() / 10 + 0.5
else:
return 0.5 - rand() / 10
else:
if rand() > 0.2:
return 0.5 - rand() / 10
else:
return rand() / 10 + 0.5y_pred = np.array([f(yi) for yi in y])
计算出ROC曲线的数据点,并绘制ROC曲线。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
10.7 预测值靠近1或0的ROC曲线
阈值为0.5时,我们让预测值有80%的可能性是正确预测,但值靠近1或0。
seed(50)def f(x):
if x == 1:
if rand() > 0.2:
return 1 - rand() / 10
else:
return rand() / 10
else:
if rand() > 0.2:
return rand() / 10
else:
return 1 - rand() / 10y_pred = np.array([f(yi) for yi in y])
计算出ROC曲线的数据点,并绘制ROC曲线。可以看出曲线跟10.6几乎没有差异,根据ROC曲线的定义不难思考出原因。
points = get_roc(y, y_pred)df = pd.DataFrame(points, columns=["tpr", "fpr"])print("AUC is %.3f." % get_auc(y, y_pred))df.plot(x="fpr", y="tpr", label="roc")
现在能在网上找到很多很多的学习资源,有免费的也有收费的,当我拿到1套比较全的学习资源之前,我并没着急去看第1节,我而是去审视这套资源是否值得学习,有时候也会去问一些学长的意见,如果可以之后,我会对这套学习资源做1个学习计划,我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料,质量还不错,大家可以跟着学习
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
/img-blog.csdnimg.cn/img_convert/21b2604bd33c4b6713f686ddd3fe5aff.png)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!