python和机器学习

python基础和机器学习视频资料包括：Python基础，Python web 机器学习和深度学习等视频
数据科学 VS 随机
一个比较经典问题：预测二元事件的结果。 换句话说，就是它不是发生就是没有发生。 例如，你赢了或者没有赢，你通过了考试或者没有通过考试，你被接受或者不被接受等。 常见的业务场景就是用户流失或留存，另现实案例是医疗事件的死亡率或生存率分析。二元事件产生了一个有趣的现象，因为我们统计知道，随机猜测应该达到50％的准确率，而不需要创建一个单一的算法或编写一行代码。这篇文章，我使用机器学习入门经典例子Titanic：Machine Learning from Disaste（泰坦尼克号乘客生存预测）来实际操作，将对应的算法应用在给出的数据集上进行预测。
数据工作的基本流程

定义问题: 我们首先需要解决的是我们将面临一个什么问题，需要我们做什么，俗话说的磨刀不误砍柴工，首先看清对手是谁才能有的放矢。

收集数据: 根据确定的数据分析对象，抽象出在数据分析中所需要的特征信息，然后选择合适的信息收集方法，将收集到的信息存入数据库。对于海量数据，选择一个合适的数据存储和管理的数据仓库是至关重要的。

准备消费数据: 把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。如果执行多数的数据挖掘算法，即使是在少量数据上也需要很长的时间，而做商业运营数据挖掘时数据量往往非常大。数据规约技术可以用来得到数据集的规约表示，它小得多，但仍然接近于保持原数据的完整性，并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。在数据库中的数据有一些是不完整的（有些感兴趣的属性缺少属性值）、含噪声的（包含错误的属性值），并且是不一致的（同样的信息不同的表示方式），因此需要进行数据清理，将完整、正确、一致的数据信息存入数据仓库中。不然，挖掘的结果会差强人意。通过平滑聚集、数据概化、规范化等方式将数据转换成适用于数据挖掘的形式。对于有些实数型数据，通过概念分层和数据的离散化来转换数据也是重要的一步。

探索性分析: 根据数据仓库中的数据信息，选择合适的分析工具，应用统计方法、事例推理、决策树、规则推理、模糊集，甚至神经网络、遗传算法的方法处理信息，得出有用的分析信息。

数据建模: 像描述性和推论性统计数据一样，数据建模可以总结数据或预测未来的结果。 您的数据集和预期结果将决定可供使用的算法。 重要的是要记住，算法是工具，而不是魔杖。 你仍然必须是知道如何为工作选择正确的工具的工匠。 一个比喻就是要求有人给你一把飞利浦剃须刀，他们给你一把螺丝刀或者一把锤子。 充其量，它显示完全缺乏了解。 最糟糕的是，这使得项目不可能完成。 数据建模也是如此。 错误的模型可能导致最差的表现，甚至会导致错误的结论。

模型验证和模型使用: 用训练数据对模型进行训练之后，就可以用于预测数据。

一Python 基础

二，Python web 和机器学习

三 量化交易


链接：https://www.vifaka.com/item/fa9227a13b6ce85c