机器学习

用UCI机器学习库小内存数据练习机器学习

以下是你可以用在算法描述模板中的问题：

• 算法的标准缩写是什么？

• 该算法的目标或者需要解决的问题是什么？

• 该算法的伪代码或者算法流程图是怎样的？

• 应用该算法的思路或者要点是什么？

• 更深入学习算法的有用的资源是什么？

你可以按照以下几个简单的步骤来研究机器学习的算法：

1) 选择一个你想了解的算法（如：随机森林Random Forests)

2) 选定一个你想要了解的有关该算法的问题（如：随机树的数量对最后结果的影响）

3) 设计解决问题的试验（如：在几个不同的二分类问题上试验不同数量的随机树，并绘制数的数量与分类精度的关系图）

4) 执行试验并写出结果，以便日后使用

5) 不断重复这些步骤

以下是从头开始重复执行机器学习算法的步骤：

1) 选择一种程序语言，越熟悉越好。

2) 选择一种算法执行，从简单的开始（可以参考下面的清单）。

3) 选择一个课题去测试你的执行方法，2D数据适合可视化（即使是用Excel）

4) 研究这个算法并利用多种信息来源（如：阅读教程、论文、其他执行方式）

5) 对算法进行单元测试，以确认你对算法的理解，并验证你的执行方式 。

从小处开始并逐渐建立自信。有三种机器学习算法适合你从头开始尝试执行：

• 梯度下降法的线性回归(LinearRegression using Gradient Descent)

• k近邻算法(k-Nearest Neighbor)

• 贝叶斯分类器(Naive Bayes)

6.哪些是数据科学家最有用的python库？

以下是一些我发现最有用的解决问题的库：

数据操作
Numpy
Scipy
Pandas
数据可视化
Matplotlib
机器学习/深度学习
Xgboost
Keras
Nolearn
Gensim
Scikit image
自然语言处理
NLTK