本书全面介绍了机器学习的基础和进阶知识，包括数据预处理、分类算法、scikit-learn库、特征选择、降维技术、模型评估与调优、集成学习、文本分析和情感分析、回归分析、聚类分析，以及深度学习的使用。内容覆盖了从理论到实践，使用Python和TensorFlow实现，适用于希望提升机器学习能力的读者。
python机器学习第二版笔记
本文简要介绍了python机器学习第二版前11章的笔记，因为12-16章，主要介绍的是TensorFlow，（我们不使用者这个包）以及深度学习的内容。下一站开始深度学习。
1 赋予计算机从数据中学习的能力
1.1 构建把数据转换成知识的智能
1.2 三种不同类型的机器学习
本节将讨论有监督、无监督和强化三种不同类型的机器学习，分析它们之间的根本差别，并用概念性的例子开发一个可以解决实际问题的应用：
用有监督学习预测未来
用强化学习解决交互问题
用无监督学习发现隐藏结构
1.3 基本术语与符号
1.4 构建机器学习系统的路线图
1.5 用python进行机学习
安装包：NumPy 、SciPy 、scikit-learn 、Matplotlib 、pandas
安装anaconda
2 训练简单的机器学习分类算法
2.1 人工神经元——机器学习早期历史一瞥
人工神经元的正式定义
感知器学习规则
感知器的一般概念图：
2.2 在python中实现感知器学习
面向对象的感知器API
在鸢尾花数据集上训练感知器模型
2.3 自适应神经元和学习收敛
1.梯度下降为最小代价函数
2.用Python实现Adaline
3.通过调整特征大小改善梯度下降
标准化：
x j = ( x j − u j ) / d e t a j x_j=(x_j-u_j)/deta_j xj=(xj−
最低0.47元/天 解锁文章
扫一扫
857
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
