- Machine Learning Mastery 机器学习算法教程
- 机器学习算法之旅
- 利用隔离森林和核密度估计的异常检测
- 机器学习中的装袋和随机森林集成算法
- 从零开始实现机器学习算法的好处
- 更好的朴素贝叶斯:从朴素贝叶斯算法中收益最大的 12 个技巧
- 机器学习的提升和 AdaBoost
- 选择机器学习算法:Microsoft Azure 的经验教训
- 机器学习的分类和回归树
- 什么是机器学习中的混淆矩阵
- 如何使用 Python 从零开始创建算法测试工具
- 通过创建机器学习算法的目标列表来获得控制权
- 机器学习中算法和模型的区别
- 停止从零开始编写机器学习算法
- 在实现机器学习算法时,不要从开源代码开始
- 不要使用随机猜测作为基线分类器
- 浅谈机器学习中的概念漂移
- 机器学习中的偏方差权衡的温和介绍
- 机器学习中的梯度下降
- 机器学习算法如何工作(他们学习输入到输出的映射)
- 如何建立机器学习算法的直觉
- 如何在机器学习中处理大
p
小n
(p >> n
) - 如何实现机器学习算法
- 如何研究机器学习算法行为
- 如何学习机器学习算法
- 如何研究机器学习算法
- 如何研究机器学习算法
- 如何在 Python 中从零开始实现反向传播算法
- 如何用 Python 从零开始实现装袋
- 如何用 Python 从零开始实现基线机器学习算法
- 如何在 Python 中从零开始实现决策树算法
- 如何用 Python 从零开始实现学习向量量化
- 如何利用 Python 从零开始实现线性回归
- 如何利用 Python 从零开始实现逻辑回归
- 如何用 Python 从零开始实现机器学习算法指标
- 如何在 Python 中从零开始实现感知机算法
- 如何在 Python 中从零开始实现随机森林
- 如何在 Python 中从零开始实现重采样方法
- 如何用 Python 从零开始实现简单线性回归
- 如何用 Python 从零开始实现堆叠泛化
- 机器学习中的 K 最近邻
- 学习机器学习中的向量量化
- 机器学习中的线性判别分析
- 机器学习中的线性回归
- 机器学习中使用梯度下降的线性回归教程
- 如何在 Python 中从零开始加载机器学习数据
- 机器学习中的逻辑回归
- 机器学习中的逻辑回归教程
- 机器学习算法迷你课程
- 如何在 Python 中从零开始实现朴素贝叶斯
- 机器学习中的朴素贝叶斯
- 机器学习中的朴素贝叶斯教程
- 机器学习算法的过拟合和欠拟合
- 参数化和非参数化机器学习算法
- 理解任何机器学习算法的 6 个问题
- 在机器学习中拥抱随机性
- 如何使用 Python 从零开始扩展机器学习数据
- 机器学习中的简单线性回归教程
- 有监督和无监督的机器学习算法
- 机器学习中的支持向量机
- 在没有数学背景的情况下理解机器学习算法的 5 种技巧
- 最好的机器学习算法
- 从零开始在 Python 中实现 K 最近邻
- 通过从零开始实现机器学习算法来理解它们(以及绕过坏代码的策略)
- 使用随机森林:在 121 个数据集上测试 179 个分类器
- 为什么从零开始实现机器学习算法
- Machine Learning Mastery 应用机器学习教程
- 五个机器学习竞赛的好处
- 机器学习模型选择的温和介绍
- 过拟合的简单直觉,或者为什么测试训练数据是一个坏主意
- 特征选择简介
- 作为搜索问题的应用机器学习的温和介绍
- 为什么应用机器学习很难
- 为什么我的结果不如我想的那么好?你可能过拟合了
- 使用 ROC 曲线评估和比较分类器表现
- BigML 评论:发现机器学习即服务平台的聪明功能
- BigML 教程:开发您的第一个决策树并做出预测
- 构建生产环境的机器学习基础设施
- 分类准确率不够:可以使用更多表现测量
- 一种预测模型的巧妙应用
- 机器学习项目中常见的陷阱
- 数据清理:将凌乱的数据转换为整洁的数据
- 机器学习中的数据泄漏
- 数据,学习和建模
- 数据管理至关重要以及为什么需要认真对待它
- 将预测模型部署到生产环境中
- 参数和超参数之间有什么区别?
- 测试和验证数据集之间有什么区别?
- 为什么机器学习每次得到的结果都不一样?
- 探索特征工程,如何设计特征以及如何获得它
- 如何开始使用 Kaggle
- 超越预测
- 如何在评估机器学习算法时选择正确的测试选项
- 如何定义机器学习问题
- 如何评估机器学习算法
- 如何获得基线结果及其重要性
- 如何充分利用机器学习数据
- 如何识别数据中的异常值
- 如何改进机器学习结果
- 如何在机器学习竞赛中胜出
- 如何知道您的机器学习模型是否具有良好的表现
- 如何布局和管理您的机器学习项目
- 如何为机器学习准备数据
- 如何减少最终机器学习模型中的方差
- 如何使用机器学习结果
- 如何像数据科学家一样解决问题
- 通过数据预处理提高模型准确率
- 处理机器学习的大数据文件的 7 种方法
- 建立机器学习系统的经验教训
- 如何使用机器学习清单可靠地获得准确的预测(即使您是初学者)
- 机器学习模型运行期间要做什么
- 机器学习表现改进备忘单
- 来自世界级从业者 Phil Brierley 的机器学习技巧
- 模型预测准确率与机器学习中的解释
- 机器学习竞赛的模型选择技巧
- 机器学习需要多少训练数据?
- 如何系统地规划和运行机器学习实验
- 应用机器学习的过程
- 默认情况下可重现的机器学习结果
- 10 个实践应用机器学习的标准数据集
- 通往最佳机器学习算法的简单三步法
- 对抗机器学习数据集中不平衡类别的 8 种策略
- 模型表现不匹配问题(以及如何处理)
- 黑盒机器学习的诱惑陷阱
- 如何训练最终的机器学习模型
- 正确实现训练-验证-测试拆分和交叉验证
- 使用探索性数据分析了解您的问题并获得更好的结果
- 什么是数据挖掘和 KDD
- 为什么在机器学习中单热编码数据?
- 为什么你应该在你的机器学习问题上采样检查算法
- 所以,你正在研究机器学习问题…
- Machine Learning Mastery 深度学习时间序列教程
- 如何开发用于人类活动识别的一维卷积神经网络模型
- 用于人类活动识别的深度学习模型
- 如何评估用于人类活动识别的机器学习算法
- 用于时间序列预测的多层感知机网络的探索性配置
- 比较时间序列预测的的经典和机器学习方法的结果
- 如何通过深度学习快速获得时间序列预测的结果
- 如何利用 Python 处理序列预测问题中的缺失时间步长
- 如何建立预测大气每日污染的概率预测模型
- 如何开发一种熟练的机器学习时间序列预测模型
- 如何构建用于家庭用电的自回归预测模型
- 如何开发用于多步空气污染时间序列预测的自回归预测模型
- 如何开发用于多站点多元空气污染时间序列预测的基线预测
- 如何开发用于时间序列预测的卷积神经网络模型
- 如何开发用于多步时间序列预测的卷积神经网络
- 如何开发用于单变量时间序列预测的深度学习模型
- 如何开发用于家庭用电的多步时间序列预测的 LSTM 模型
- 如何开发用于时间序列预测的 LSTM 模型
- 如何开发用于多元多步空气污染时间序列预测的机器学习模型
- 如何开发用于时间序列预测的多层感知机模型
- 如何为人类活动识别时间序列分类开发 RNN 模型
- 如何开始用于时间序列预测的深度学习(7 天迷你课程)
- 如何为时间序列预测网格搜索深度学习模型
- 如何为单变量时间序列预测网格搜索朴素方法
- 如何在 Python 中为时间序列预测搜索 SARIMA 模型超参数
- 如何在 Python 中为时间序列预测网格搜索三次指数平滑
- 一个标准的人类活动识别问题的温和介绍
- 如何加载和探索家庭用电数据
- 如何加载,可视化和探索复杂的多变量多步时间序列预测数据集
- 如何从智能手机数据建模人类活动
- 如何根据环境因素预测房间占用率
- 如何使用脑波预测人眼是打开还是关闭
- 如何在 Python 中扩展长短期记忆网络的数据
- 如何将 Keras
TimeseriesGenerator
用于时间序列预测 - 基于机器学习算法的室内运动时间序列分类
- 用于时间序列预测的有状态 LSTM 在线学习的不稳定性
- 用于罕见事件时间序列预测的 LSTM 模型架构
- 用于时间序列预测的 4 种通用机器学习数据变换
- Python 中使用长短期记忆网络的多步时间序列预测
- 用于家庭用电机器学习的多步时间序列预测
- Keras 中使用 LSTM 的多变量时间序列预测
- 如何开发和评估朴素的家庭用电量预测方法
- 如何为长短期记忆网络准备单变量时间序列数据
- 循环神经网络在时间序列预测中的应用
- 如何在 Python 中使用差分变换删除趋势和季节性
- 如何在 Python 和 LSTM 中为时间序列预测播种状态
- 使用 Python 用于时间序列预测的有状态和无状态 LSTM
- 长短期记忆网络在时间序列预测中的适用性
- 时间序列预测问题的分类系统
- Python 中使用长短期记忆网络的时间序列预测
- 基于 Python 和 Keras 的使用 LSTM 循环神经网络的时间序列预测
- Keras 中使用深度学习的时间序列预测
- 如何用 Keras 为时间序列预测调整 LSTM 超参数
- 如何在时间序列预测训练期间更新 LSTM 网络
- 如何为时间序列预测使用 LSTM 网络的丢弃法
- 如何为时间序列预测使用 LSTM 网络中的特征
- 如何将 LSTM 网络用于时间序列预测
- 如何为时间序列预测使用 LSTM 网络的权重正则化
- Machine Learning Mastery Keras 深度学习教程
- Keras 中神经网络模型的 5 步生命周期
- Python 迷你课程中的应用深度学习
- 用于分类的自编码器特征提取
- 用于回归的自编码器特征提取
- 如何将 AutoKeras 用于分类和回归
- Keras 深度学习库的二分类教程
- 如何用 Keras 构建多层感知机神经网络模型
- 如何在 Keras 中检查深度学习模型
- 如何选择深度学习的激活函数
- 10 个用于 Amazon Web Services 深度学习的命令行秘籍
- 机器学习卷积神经网络的速成课程
- 如何在 Python 和 Keras 中对深度学习使用度量
- 深度学习书籍
- 深度学习能力的三个层次
- 深度学习课程
- 你所知道的深度学习是一种谎言
- 用于多输出回归的深度学习模型
- 为伍兹乳腺摄影数据集开发神经网络
- 如何设置 Amazon AWS EC2 GPU 来训练 Keras 深度学习模型(分步)
- 神经网络中批量和周期之间的区别是什么?
- 反向传播和随机梯度下降的区别
- 在 Keras 中展示深度学习模型训练历史
- Keras 深度学习模型中的丢弃正则化
- 评估 Keras 中深度学习模型的表现
- 如何评估深度学习模型的表现
- 小批量梯度下降的简要介绍以及如何配置批量大小
- 在 Keras 深度学习中获得帮助的 9 种方法
- 如何使用 Python 和 Keras 网格搜索深度学习模型的超参数
- 使用 Python 和 Keras 将卷积神经网络用于手写数字识别
- 如何计算深度学习模型的精确率、召回率、F1 等
- 如何用 Keras 做出预测
- 深度学习类别变量的 3 种编码方式
- 将 Keras 用于深度学习的图像增强
- 8 个深度学习的鼓舞人心的应用
- Python 深度学习库 Keras 简介
- Python 深度学习库 TensorFlow 简介
- Python 深度学习库 Theano 简介
- 如何将 Keras 函数式 API 用于深度学习
- Keras 深度学习库的多分类教程
- 深度学习的多标签分类
- 开发钞票鉴别的神经网络
- 为癌症存活数据集开发神经网络
- 用于组合分类和回归的神经网络模型
- 神经网络是函数近似算法
- 多层感知机神经网络速成课程
- Keras 深度学习库中基于卷积神经网络的的目标识别
- 流行的深度学习库
- 面向程序员的实用深度学习(复习)
- 使用深度学习预测电影评论的情感
- 如何开发预测车险赔付的神经网络
- 如何开发预测电离层扰动的神经网络
- 深度学习神经网络的预测区间
- PyTorch 教程:如何用 Python 开发深度学习模型
- Python 中的 Keras 深度学习库的回归教程
- 如何使用 Keras 获得可重现的结果
- 如何在 Linux 服务器上运行深度学习实验
- 保存并加载您的 Keras 深度学习模型
- Python 的 Softmax 激活函数
- TensorFlow 2 教程:使用
tf.keras
开始深度学习 - 使用 Python 和 Keras 逐步开发第一个神经网络
- 使用 Python 和 Keras 理解有状态 LSTM 循环神经网络
- 如何用更多数据更新神经网络模型
- 将 Keras 深度学习模型和 Python Scikit-Learn 一起使用
- 如何使用预训练的 VGG 模型分类照片中的物体
- 在 Python 和 Keras 中对深度学习模型使用学习率调度
- 如何在 Keras 中可视化深度学习神经网络模型
- 深度学习神经网络的权重初始化
- 什么是深度学习?
- 何时使用 MLP,CNN 和 RNN 神经网络
- 神经网络的权重为什么要随机初始化?
- Machine Learning Mastery 线性代数教程
- 向量空间模型的温和介绍
- 什么是机器学习中的 Argmax?
- 机器学习中数学符号的基础知识
- NumPy 数组广播的温和介绍
- 如何在 Python 中从零开始计算主成分分析(PCA)
- 面向程序员的计算线性代数回顾
- 10 个机器学习中的线性代数示例
- 将主成分分析用于人脸识别
- 线性代数的温和介绍
- Python NumPy 的 N 维数组的温和介绍
- 机器学习向量的温和介绍
- 如何在 Python 中为机器学习索引,切片和重塑 NumPy 数组
- 机器学习的矩阵和矩阵算法简介
- 机器学习中的特征分解,特征值和特征向量的温和介绍
- NumPy 期望值,方差和协方差的简要介绍
- 机器学习矩阵分解的温和介绍
- 机器学习中的 NumPy 张量的温和介绍
- 机器学习中的线性代数中的矩阵类型简介
- 机器学习中的线性代数备忘单
- 深度学习中的线性代数
- 机器学习中的线性代数(7 天迷你课程)
- 机器学习中的线性代数
- 机器学习中的矩阵运算的温和介绍
- 线性代数回顾的没有废话的指南
- 如何在 NumPy 中为行和列设置轴
- 主成分分析的可视化
- 在机器学习中学习线性代数的主要资源
- 浅谈机器学习的奇异值分解
- 如何用线性代数求解线性回归
- 机器学习中的稀疏矩阵的温和介绍
- 利用奇异值分解构建推荐系统
- 机器学习中向量范数的温和介绍
- 为机器学习学习线性代数的 5 个理由
- Machine Learning Mastery LSTM 教程
- Keras 中长短期记忆模型的 5 步生命周期
- 长短期记忆循环神经网络的注意事项
- CNN 长短期记忆网络
- 深度学习中的循环神经网络的速成课程
- 可变长度输入序列的数据准备
- 如何用 Python 和 Keras 开发用于序列分类的双向 LSTM
- 如何在 Keras 中开发用于序列到序列预测的编解码器模型
- 如何诊断 LSTM 模型的过拟合和欠拟合
- 如何在 Keras 中开发带有注意力的编解码器模型
- 编解码器长短期记忆网络
- 神经网络中梯度爆炸的温和介绍
- 沿时间反向传播的温和介绍
- 生成式长短期记忆网络的温和介绍
- 专家对长短期记忆网络的简要介绍
- 在序列预测问题上充分利用 LSTM
- 编解码器循环神经网络的全局注意力的温和介绍
- 如何利用长短期记忆循环神经网络处理很长的序列
- 如何在 Python 中单热编码序列数据
- 如何使用编解码器 LSTM 来打印随机整数序列
- 带有注意力的编解码器 RNN 架构的实现模式
- 学习使用编解码器 LSTM 循环神经网络相加数字
- 如何学习在 Keras 中用 LSTM 回显随机整数
- 如何使用长短期记忆循环神经网络来打印随机整数
- Keras 长短期记忆循环神经网络的迷你课程
- LSTM 自编码器的温和介绍
- 如何在 Keras 中用长短期记忆模型做出预测
- 在 Python 中使用长短期记忆网络演示记忆
- 基于循环神经网络的序列预测模型的简要介绍
- 深度学习的循环神经网络算法之旅
- 如何重塑 Keras 长短期记忆网络的输入数据
- 如何在 Keras 中重塑长短期存储网络的输入数据
- 了解 Keras 中 LSTM 的返回序列和返回状态之间的差异
- RNN 展开的温和介绍
- 5 个使用 LSTM 循环神经网络的简单序列预测问题的示例
- 使用序列做出预测
- 栈式长短期记忆网络
- 什么是循环神经网络的教师强制?
- 如何在 Python 中对长短期记忆网络使用
TimeDistributed
层 - 如何在 Keras 中为截断 BPTT 准备序列预测
- 如何在将 LSTM 用于训练和预测时使用不同的批量大小
- Machine Learning Mastery 深度学习 NLP 教程
- 深度学习在自然语言处理中的 7 个应用
- 如何实现自然语言处理的集束搜索解码器
- 深度学习文档分类的最佳实践
- 关于自然语言处理的热门书籍
- 在 Python 中计算文本 BLEU 分数的温和介绍
- 使用编解码器模型的用于字幕生成的注入和合并架构
- 如何用 Python 为机器学习清理文本
- 如何配置神经机器翻译的编解码器模型
- 如何开始深度学习自然语言处理(7 天迷你课程)
- 自然语言处理的数据集
- 如何开发一种深度学习的词袋模型来预测电影评论情感
- 深度学习字幕生成模型的温和介绍
- 如何在 Keras 中定义神经机器翻译的编解码器序列到序列模型
- 如何利用小实验在 Keras 中开发标题生成模型
- 如何从头开发深度学习图片标题生成器
- 如何在 Keras 中开发基于字符的神经语言模型
- 如何开发用于情感分析的 N-gram 多通道卷积神经网络
- 如何从零开始开发神经机器翻译系统
- 如何用 Python 和 Keras 开发基于单词的神经语言模型
- 如何开发一种预测电影评论情感的词嵌入模型
- 如何使用 Python 和 Gensim 开发词嵌入
- 用于文本摘要的编解码器深度学习模型
- Keras 中文本摘要的编解码器模型
- 用于神经机器翻译的编解码器循环神经网络模型
- 浅谈词袋模型
- 文本摘要的温和介绍
- 编解码器循环神经网络中的注意力如何工作
- 如何利用深度学习自动生成照片的文本描述
- 如何开发一个单词级神经语言模型并用它来生成文本
- 浅谈神经机器翻译
- 什么是自然语言处理?
- 牛津自然语言处理深度学习课程
- 如何为机器翻译准备法语到英语的数据集
- 如何为情感分析准备电影评论数据
- 如何为文本摘要准备新闻文章
- 如何准备照片标题数据集来训练深度学习模型
- 如何使用 Keras 为深度学习准备文本数据
- 如何使用 scikit-learn 为机器学习准备文本数据
- 自然语言处理神经网络模型入门
- 用于自然语言处理的深度学习的承诺
- 使用 Python 和 Keras 的 LSTM 循环神经网络的序列分类
- 斯坦福自然语言处理深度学习课程评价
- 统计语言建模和神经语言模型的简要介绍
- 使用 Python 和 Keras 的 LSTM 循环神经网络的文本生成
- 浅谈机器学习中的转导
- 如何使用 Keras 将词嵌入层用于深度学习
- 什么是用于文本的词嵌入?
- Machine Learning Mastery Sklearn 教程
- Python 机器学习库 Scikit-Learn 的温和介绍
- Python 中用于自动机器学习的 Auto-Sklearn
- 使用 Python 管道和 scikit-learn 自动化机器学习工作流程
- Python 自动机器学习(AutoML)库
- 如何用 Python 计算偏差方差权衡
- 如何以及何时使用 scikit-learn 中的的校准分类模型
- 10 个 Python 聚类算法
- 组合算法选择和超参数优化(CASH 优化)
- 如何比较 Python 和 scikit-learn 中的机器学习算法
- 面向机器学习开发人员的 Python 速成课
- 机器学习的四种距离度量
- 如何用 Python 开发弹性网络回归模型
- 使用 Python 和 scikit-learn 的集成机器学习算法
- 在 Python 中使用重采样评估机器学习算法的表现
- 使用 Python 和 Scikit-Learn 的特征选择
- Python 中机器学习的特征选择
- Python 中用于分类的高斯过程
- 如何使用 Python 和 scikit-learn 生成测试数据集
- scikit-learn 中的机器学习算法秘籍
- 如何使用 Python 处理缺失数据
- 如何配置 k 折交叉验证
- 如何将模型输入数据与机器学习的预测联系起来
- 如何修复 Sklearn 中的
FutureWarning
消息 - 如何开始将 Python 用于机器学习
- 如何使用 Python 和 Scikit-Learn 加载数据
- 如何为机器学习将 NumPy 数组保存到文件中
- Python 中概率评分方法的简要介绍
- 如何用 Scikit-Learn 调整算法参数
- 用于 Sklearn 自动化机器学习的 HyperOpt
- 随机搜索和网格搜索的超参数优化
- 调整机器学习分类算法的超参数
- 如何在 Mac OS X 上为机器学习和深度学习安装 Python 3 环境
- 机器学习中的 scikit-learn 简介
- 从 shell 到一本书,Fernando Perez 的单一工具 IPython 简介
- 如何在 Python 中开发 LARS 回归模型
- 如何在 Python 中开发 LASSO 回归模型
- Python 线性判别分析
- 如何使用 Python 3 为机器学习开发创建 Linux 虚拟机
- 如何在 Python 中加载机器学习数据
- 用于评估机器学习算法的 LOOCV
- 您在 Python 中的第一个逐步的机器学习项目
- 机器学习建模管道的温和介绍
- 如何使用 scikit-learn 做出预测
- 用于评估 Python 中机器学习算法的度量标准
- 使用 Python 和 Sklearn 的多核机器学习
- Python 多项式逻辑回归
- Python 中的最近收缩质心
- Python 机器学习的嵌套交叉验证
- 如何在 Sklearn 中识别过拟合机器学习模型
- Python 中用于分类的感知机算法
- 使用 Python 绘制机器学习算法的决策表面
- 使用 Python 和 Pandas 为机器学习准备数据
- 如何使用 Python 和 Scikit-Learn 为机器学习准备数据
- 项目聚焦:使用 Artem Yankov 在 Python 中推荐事件
- PyCaret 机器学习的温和介绍
- 机器学习中的 Python 生态系统
- Python 是应用机器学习的成长平台
- Python 机器学习书籍
- Python 机器学习迷你课程
- 使用 Pandas 的快速和肮脏的数据分析
- 使用 Python 的半径邻居分类器算法
- 机器学习的回归度量
- Python 中用于模型评估的重复 k 折交叉验证
- 使用 Python 和 Scikit-Learn 重缩放机器学习数据
- 标准机器学习数据集的最佳结果
- 如何在 Python 中开发岭回归模型
- Python 中机器学习的稳健回归
- 如何以及何时在 Python 中对分类使用 ROC 曲线和精确召回曲线
- 使用 Python 和 scikit-learn 保存和加载机器学习模型
- scikit-learn 秘籍的书评
- 用于机器学习中的超参数调整的 SkOpt
- 如何将 Seaborn 数据可视化用于机器学习
- 使用标签传播的半监督学习
- 使用标签传播的半监督学习
- 数据集大小 VS 模型表现的敏感性分析
- 如何使用 Anaconda 为机器学习和深度学习设置 Python 环境
- 使用 Python 和 scikit-learn 采样检查分类机器学习算法
- 如何在 Python 中开发可重复使用的采样检查算法框架
- 使用 Python 和 scikit-learn 采样检查回归机器学习算法
- 用于 Python 自动机器学习 TPOT
- 用于评估机器学习算法的训练测试分割
- 机器学习中的 4 种分类任务
- 使用 Python 中的描述性统计量来了解您的机器学习数据
- 使用 OpenCV,Python 和模板匹配来播放“哪里是 Waldo?”
- 使用 Python 和 Pandas 可视化机器学习数据
- 什么是半监督学习
- Machine Learning Mastery 机器学习入门教程
- 机器学习入门的四个步骤:初学者入门与实践的自上而下策略
- 你应该专注的 5 个机器学习领域
- 一种选择机器学习算法的数据驱动方法
- Sigmoid 函数的温和介绍
- 机器学习中的解析与数值解
- 应用机器学习是一种精英统治
- 机器学习的基本概念
- 如何成为数据科学家
- 初学者如何在机器学习中犯错
- 机器学习的最佳编程语言
- 构建机器学习项目库
- 机器学习中分类与回归的区别
- 像数据科学家一样评估自己
- 探索 Kaggle 大师的方法论和心态:对 Diogo Ferreira 的采访
- 扩展机器学习工具并展示熟练度
- 通过寻找地标开始机器学习
- 预测性建模的温和简介
- 通过提供结果在机器学习中获得梦想的工作
- 如何开始机器学习:自学蓝图
- 开始并在机器学习方面取得进展
- 应用机器学习的 Hello World
- 初学者如何使用小型项目开始机器学习并在 Kaggle 上打比赛
- 我如何开始机器学习?(简短版)
- 我是如何开始机器学习的
- 如何在机器学习中取得更好的成绩
- 如何从在银行工作到担任 Target 的高级数据科学家
- 如何学习任何机器学习工具
- 使用小型目标项目深入了解机器学习工具
- 应用机器学习获得回报
- 机器学习工具概览
- 机器学习开发环境
- 机器学习与赚钱
- 面向程序员的机器学习
- 机器学习很有意思
- 机器学习是 Kaggle 比赛
- 机器学习现在很受欢迎
- 掌握机器学习的方法
- 机器学习很重要
- 机器学习 Q&A:概念漂移,更好的结果和更快的学习
- 自学机器学习的失落的路线图
- 机器学习很重要
- 快速了解任何机器学习工具(即使您是初学者)
- 机器学习工具
- 找到你的机器学习部落
- 一年内掌握机器学习
- 通过持续的竞赛精通 Kaggle
- 5 个程序员在机器学习中的错误
- 哲学毕业生到机器学习从业者(Brian Thomas 采访)
- 机器学习入门的实用建议
- 实用机器学习问题
- 使用来自 UCI 机器学习库的数据集练习机器学习
- 使用任何机器学习工具和秘籍快速启动
- 程序员可以入门机器学习
- 程序员应该入门机器学习
- 项目聚焦:Shashank Singh 的人脸识别
- 项目聚焦:将 Mahout 和 Konstantin Slisenko 用于 StackExchange 聚类
- 机器学习自学指南
- 4 个自学机器学习项目
- AlvaroLemos 如何在数据科学团队中获得机器学习实习
- 如何思考机器学习
- 现实世界的机器学习问题之旅
- 机器学习中的 14 种不同类型的学习
- 机器学习的有用知识
- 如果我没有学位怎么办?
- 如果我不是一个优秀的程序员怎么办?
- 如果我不擅长数学怎么办?
- 什么是机器学习中的假设?
- 为什么机器学习算法会处理以前从未见过的数据?
- 是什么阻碍了你的机器学习目标?
- 什么是机器学习?
- 机器学习适合哪里?
- 为什么要入门机器学习?
- 研究对您来说很重要的机器学习问题
- 你这样做是错的。为什么机器学习不必如此困难?
- Machine Learning Mastery 统计学教程
- 浅谈计算正态汇总统计量
- 非参数统计的温和介绍
- Python 中正态测试的温和介绍
- 浅谈自举法
- 浅谈机器学习的中心极限定理
- 浅谈机器学习中的大数定律
- 机器学习中的所有统计量
- 机器学习的算术、几何和调和均值
- 如何在 Python 中计算机器学习结果的自举置信区间
- 浅谈机器学习的卡方测试
- 机器学习中的置信区间
- 随机化在机器学习中解决混杂变量的作用
- 机器学习中的对照试验
- 机器学习中的统计学速成课
- 统计假设检验的临界值以及如何在 Python 中计算它们
- 如何在机器学习中谈论数据(统计学和计算机科学术语)
- Python 中数据可视化方法的简要介绍
- 机器学习自由度的温和介绍
- Python 中效果大小度量的温和介绍
- 估计随机机器学习算法的实验重复次数
- 机器学习中的评估统计的温和介绍
- 如何在 Python 中计算非参数秩相关性
- 如何在 Python 中计算数据的五个数字摘要
- 如何在 Python 中从零开始编写 T 检验
- 如何在 Python 中生成随机数
- 如何转换数据来更好地拟合正态分布
- 如何使用相关来理解变量之间的关系
- 如何使用统计量识别数据中的异常值
- 用于比较机器学习算法的假设检验
- Python 机器学习中的随机数生成器简介
- k 折交叉验证的温和介绍
- 如何计算 McNemar 检验来比较两种机器学习分类器
- Python 中非参数统计显着性检验简介
- 如何在 Python 中计算参数统计显着性检验
- 机器学习中的预测区间
- 应用统计学与机器学习的密切关系
- 如何使用置信区间报告分类器表现
- 统计量分布的简要介绍
- 15 个 Python 中的统计假设检验(备忘单)
- 统计假设检验的温和介绍
- 10 个在机器学习项目中使用统计方法的示例
- Python 中统计功效和功效分析的简要介绍
- 统计采样和重采样的简要介绍
- 用于比较机器学习算法的统计显着性检验
- 机器学习中统计容差区间的温和介绍
- 机器学习中的统计书籍
- 评估机器学习模型的统计量
- 机器学习中的统计(7 天迷你课程)
- 机器学习中的统计简介
- 如何使用统计显着性检验来解释机器学习结果
- 什么是统计(为什么它在机器学习中很重要)?
- Machine Learning Mastery 时间序列入门教程
- 如何在 Python 中为时间序列预测创建 ARIMA 模型
- Python 中用于时间序列预测的自回归模型
- 如何为时间序列预测回测机器学习模型
- Python 中基于时间序列数据的基本特征工程
- R 时间序列预测热门书籍
- 10 个机器学习时间序列预测的挑战性问题
- 10 个具有挑战性的机器学习时间序列预测问题
- 如何将时间序列转换为 Python 中的监督学习问题
- 如何将时间序列数据分解为趋势和季节性
- 如何用 ARCH 和 GARCH 为时间序列预测建模波动率
- 如何使用 Python 差分时间序列数据集
- Python 中用于时间序列预测的指数平滑的温和介绍
- Python 中用于时间序列预测的特征选择
- 浅谈自相关和部分自相关
- 用于时间序列预测的 Box-Jenkins 方法简介
- Python 中时间序列预测的温和简介
- 如何使用 Python 网格搜索 ARIMA 模型超参数
- 如何在 Python 中加载和探索时间序列数据
- 如何使用 Python 手动预测 ARIMA 模型
- 如何用 Python 预测时间序列
- 如何使用 Python 对 ARIMA 做出样本外预测
- 如何利用 Python 建模残差来纠正时间序列预测
- Python 中用于数据准备和时间序列预测的移动平均平滑
- 多步时间序列预测的 4 种策略
- 如何在 Python 中规范化和标准化时间序列数据
- 如何利用 Python 为时间序列预测做出基线预测
- 如何使用 Python 对时间序列预测数据执行幂变换
- 用于时间序列预测的 Python 环境
- 用于时间序列预测的随机森林
- 如何重构时间序列预测问题
- 如何使用 Python 重采样和插值您的时间序列数据
- 使用 Python 为时间序列预测编写 SARIMA
- 如何在 Python 中保存 ARIMA 时间序列预测模型
- 将 Python 用于季节性持久性预测
- 基于 Python 和 ARIMA 的历史规模敏感性分析的预测技巧
- 用于测试简单的时间序列预测模型,以便不会欺骗自己
- 标准多变量,多步骤和多站点时间序列预测问题
- 如何使用 Python 检查时间序列数据是否是平稳的
- 将 Python 用于时间序列数据可视化
- 7 个机器学习的时间序列数据集
- Python 中的时间序列预测案例研究:波士顿每月武装抢劫案
- Python 中的时间序列预测案例研究:巴尔的摩的年度用水量
- Python 中的时间序列预测研究:法国香槟的月销售额
- 使用 Python 和预测区间理解时间序列预测的不确定性
- 11 个 Python 中的经典时间序列预测方法(备忘单)
- 将 Python 用于时间序列预测表现测量
- Python 中的时间序列预测的 7 天迷你课程
- 作为监督学习的时间序列预测
- Python 中使用 Prophet 的时间序列预测
- 什么是时间序列预测?
- 如何使用 Python 识别和删除时间序列数据的季节性
- 如何在 Python 中使用和删除时间序列数据中的趋势信息
- 如何在 Python 中调整 ARIMA 参数
- 如何用 Python 可视化时间序列预测残差
- Python 中的白噪声时间序列
- 如何处理时间序列预测项目
- Machine Learning Mastery XGBoost 教程
- 通过提前停止避免应用 Python 和 XGBoost 时发生的过拟合现象
- 在 Python 中如何调优 XGBoost 的多线程支持
- 如何配置梯度提升算法
- 使用 Python 和 XGBoost 为梯度提升准备数据
- 如何使用 Python 和 scikit-learn 开发您的第一个 XGBoost 模型
- 如何使用 Python 和 XGBoost 评估梯度提升模型
- 使用 Python 和 XGBoost 的特征重要性和特征选择
- 浅谈机器学习的梯度提升算法
- 应用机器学习的杀器:XGBoost 温和简介
- 应用机器学习中 XGBoost 的温和介绍
- 如何在 macOS 上为 Python 安装 XGBoost
- 如何使用 Python 和 XGBoost 保存梯度提升模型
- 从梯度提升开始,比较 165 个数据集上的 13 种算法
- 使用 Python、XGBoost 和 scikit-learn 的随机梯度提升
- 如何使用 Amazon Web Services 在云中训练 XGBoost 模型
- 使用 Python 和 XGBoost 调整梯度提升的学习率
- 使用 Python 和 XGBoost 调整决策树的数量和大小
- 通过学习曲线调整 XGBoost 表现
- 如何使用 Python 和 XGBoost 可视化梯度提升决策树
- 用于回归的 XGBoost
- 如何将 XGBoost 用于时间序列预测
- XGBoost 损失函数的温和介绍
- 开始使用 Python 和 XGBoost 的 7 步迷你课程
下载
Docker
docker pull apachecn0/ml-mastery-zh
docker run -tid -p <port>:80 apachecn0/ml-mastery-zh
# 访问 http://localhost:{port}
PYPI
pip install ml-mastery-zh
ml-mastery-zh <port>
# 访问 http://localhost:{port}
NPM
npm install -g ml-mastery-zh
ml-mastery-zh <port>
# 访问 http://localhost:{port}
贡献指南
本项目需要校对,欢迎大家提交 Pull Request。
请您勇敢地去翻译和改进翻译。虽然我们追求卓越,但我们并不要求您做到十全十美,因此请不要担心因为翻译上犯错——在大部分情况下,我们的服务器已经记录所有的翻译,因此您不必担心会因为您的失误遭到无法挽回的破坏。(改编自维基百科)
组织介绍
赞助我们
通过平台自带的打赏功能,或点击这里。