# 在 Python 迷你課程中應用深度學習
> 原文: [https://machinelearningmastery.com/applied-deep-learning-in-python-mini-course/](https://machinelearningmastery.com/applied-deep-learning-in-python-mini-course/)
深度學習是一個迷人的研究領域,這些技術在一系列具有挑戰性的機器學習問題中取得了世界一流的成果。
深入學習可能很難開始。
您應該使用哪個庫以及您應該關注哪些技術?
在這篇文章中,您將學習一個由 14個 部分組成的 Python 深度學習速成課程,其中包含易于使用且功能強大的 Keras 庫。
這個迷你課程適用于已經熟悉 SciPy 生態學機器學習的Python機器學習從業者。
讓我們現在開始吧。
*(**提示**:你可以收藏或者可以打印這個頁面,以便于以后重新參考。)*
* **更新 March / 2018** :添加了備用鏈接以下載數據集,因為原始圖像已被刪除。

圖片由 [darkday](https://www.flickr.com/photos/drainrat/15783392494/) 提供,并保留所屬權利
## 這個迷你課程是為誰而準備的
在我們開始之前,讓我們確保您處于合適的位置,以下列表提供了有關本課程設計對象的一般指導原則。
如果你沒有完全匹配以下特點,請不要驚慌,你可能只需要在某一個領域更新您的知識,以便于開始學習這個課程。
* **開發人員且知道如何編寫一些代碼**。這意味著使用 Python 完成任務并了解如何在工作站上設置 SciPy 生態系統(先決條件)對您來說并不是什么大問題。它并不意味著你是一個向導編碼器,但它確實意味著你不怕安裝軟件包和編寫腳本。
* **知道一點機器學習的開發人員**。這意味著您了解機器學習的基礎知識,如交叉驗證,一些算法和偏差-方差權衡。這并不意味著你是一個機器學習大佬,只是你知道一些專業術語或者知道在哪里查找它們。
這個迷你課程并不是深度學習的教科書。
它將使您從熟悉 Python 的機器學習的開發人員到能夠獲得學習成果并將深度學習的強大功能應用到您自己的項目的開發人員。
## 迷你課程概述(期待什么)
這個迷你課程分為 14 個部分。
開發者每節課平均需要花費的時間大約是30分鐘,課程中的一些知識也許可以很快的學完,而另一些知識則需要花費更多的時間以便于學習的更加深入。
您可以根據自己的需要或快或慢的完成每個部分,強烈推薦您可以在兩周的時間內每天花費一些的時間完成一節課的內容。
您將在接下來的 14 節課中討論的主題如下所示:
* **第 01 課**:Theano 簡介
* **第 02 課**:TensorFlow 簡介
* **第 03 課**:Keras 簡介
* **第 04 課**:多層感知器中的速成課程
* **第 05 課**:在 Keras 開發您的第一個神經網絡
* **第 06 課**:使用帶 Scikit-Learn 的 Keras 模型
* **第 07 課**:繪制模型訓練歷史
* **第 08 課**:使用檢查點在訓練期間保存最佳模型
* **第 09 課**:通過降壓正則化減少過度擬合
* **第 10 課**:通過學習率計劃提升績效
* **第 11 課**:卷積神經網絡中的速成課程
* **第 12 課**:手寫數字識別
* **第 13 課**:小照片中的物體識別
* **第 14 課**:通過數據增強改進泛化
這將是一件很有趣的事情。
你將做一些相關工作,包括一些閱讀,一些研究和一些編程,你想學習深度學習嗎?
*(**提示**:這些課程的所有答案都可以在這個博客中使用搜索功能找到。)*
如有任何問題,請在下面的評論中發布,并在評論中分享您的結果。
堅持下去,不要放棄!
## 第 01 課:Theano 簡介
Theano 是一個用于快速數值計算的 Python 庫,有助于深度學習模型的開發。
它的核心 Theano 是 Python 中數學表達式的編譯器,能夠將您的結構轉換為使用 NumPy 和高效的本機庫的代碼,以便在 CPU 或 GPU 上盡可能快地運行。
Theano 表達式的實際語法是符號性的,這對于習慣于普通軟件開發的初學者來說可能是不適應的,具體而言,表達式實在抽象意義上定義,編譯后用于實際計算。
在本課程中,您的目標是安裝 Theano 并編寫一個小例子來演示 Theano 程序的符號性質。
例如,您可以使用 pip 安裝 Theano,如下所示:
```py
sudo pip install Theano
```
下面列出了一個可以用作起點的 Theano 程序的小例子:
```py
import theano
from theano import tensor
# 定義兩個符號性浮點數
a = tensor.dscalar()
b = tensor.dscalar()
# 創建一個簡單的表達式
c = a + b
# 將表達式轉換為可調用的對象
# 計算輸入值并將其賦值給輸出變量c
f = theano.function([a,b], c)
result = f(1.5, 2.5)
print(result)
```
您可以在 [Theano 主頁](http://deeplearning.net/software/theano/)上了解有關 Theano 的更多信息。
## 課程 02:TensorFlow 簡介
TensorFlow 是一個用于 Google 創建和發布的快速數值計算的 Python 庫,與 Theano 一樣,TensorFlow 旨在用于開發深度學習模型。
在谷歌的支持下,可能會在在谷歌 DeepMind 研究小組的某些生產系統中使用它,它是一個我們不能忽視的平臺。
與 Theano 不同,TensorFlow 確實更注重生產,能夠在 CPU,GPU 甚至非常大的集群上運行。
在本課程中,您的目標是安裝 TensorFlow,熟悉 TensorFlow 程序中使用的符號表達式的語法。
如下所示,您可以使用 pip 安裝 TensorFlow:
```py
sudo pip install TensorFlow
```
下面列出了一個可以用作起點的 TensorFlow 程序的小例子:
```py
import tensorflow as tf
# 聲明兩個符號性浮點變量
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
# 創建一個簡單的符號性表達式
add = tf.add(a, b)
# bind 1.5 to ' a ' , 2.5 to ' b ' , and evaluate ' c '
sess = tf.Session()
binding = {a: 1.5, b: 2.5}
c = sess.run(add, feed_dict=binding)
print(c)
```
您可以在 [TensorFlow 主頁](https://www.tensorflow.org/)上了解有關 TensorFlow 的更多信息。
## 第 03 課:Keras 簡介
Theano 和 TensorFlow 的難點在于它可能需要大量代碼來創建非常簡單的神經網絡模型。
這些庫主要是作為研究和開發的平臺而設計,而不是應用深度學習的實際問題。
Keras 庫通過為 Theano 和 TensorFlow 提供封裝來解決這些問題,它提供了簡潔的 API,允許您在幾行代碼中定義和評估深度學習模型。
由于易于使用,并且因為它利用了 Theano 和 TensorFlow 的強大功能,Keras 很快成為應用深度學習的首選庫。
Keras 的重點是模型的概念,模型的生命周期可歸納如下:
1. 定義您的模型,創建順序模型并添加已配置的層;
2. 編譯您的模型,指定損失函數和優化器,并在模型上調用`compile()`函數
函數。
3. 擬合您的模型,通過調用模型上的`fir()`函數,在數據樣本上訓練模型。
4. 作出預測,通過調用模型上的`evaluate()`或`predict()`等函數,使用該模型生成對新數據的預測。
您的本課目標是安裝 Keras。
例如,您可以使用 pip 安裝 Keras:
```py
sudo pip install keras
```
現在開始熟悉一下 Keras 庫,為即將到來的課程做好準備,我們將實現我們的第一個模型。
您可以在 [Keras 主頁](http://keras.io/)上了解有關 Keras 庫的更多信息。
## 課程 04:多層感知器中的速成課程
人工神經網絡是一個迷人的研究領域,盡管它們剛開始時可能會令人生畏。
人工神經網絡領域通常被稱為神經網絡或多層感知器之后可能是最有用的神經網絡類型。
神經網絡的構建塊是人工神經元,這些是簡單的計算單元,其具有加權輸入信號并能使用激活函數產生輸出信號。
神經元被排列成神經元網絡。一行神經元稱為層,一個網絡可以有多個層,網絡中神經元的體系結構通常稱為網絡拓撲。
神經網絡配置完成后,需要在數據集上訓練神經網絡,神經網絡經典且仍然最流行的的訓練算法稱為隨機
梯度下降算法。

簡單神經元的模型
您的本課目標是熟悉神經網絡術語,深入研究神經元,權重,激活函數,學習率等等。
## 第 05 課:在 Keras 開發您的第一個神經網絡
Keras 允許您在極少數代碼行中開發和評估深度學習模型。
在本課程中,您的目標是使用 Keras 庫開發您的第一個神經網絡。
您可以使用來自 UCI 機器學習庫的標準二進制(兩類)分類數據集,如 [Pima Indians 糖尿病](https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes)或[電離層數據集](https://archive.ics.uci.edu/ml/datasets/Ionosphere)。
編寫代碼以實現以下目標:
1. 使用 NumPy 或 Pandas 加載數據集;
2. 定義您的神經網絡模型并進行編譯;
3. 擬合您的神經網絡模型;
4. 評估模型在不可見的數據上的性能。
為了給您的學習帶來較大幫助,下面是一個完整的工作示例,您可以將其作為您的學習起點。
您可以[將 Pima Indians 數據集](https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data)下載到您當前的工作目錄中,文件名為 _pima-indians-diabetes.csv_ (更新:[從這里下載](https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv)) 。
```py
# 利用keras創建第一個神經網絡
from keras.models import Sequential
from keras.layers import Dense
import numpy
# 設置隨機種子
seed = 7
numpy.random.seed(seed)
#加載數據集
dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")
# 將數據及分割為輸入變量和輸出變量
X = dataset[:,0:8]
Y = dataset[:,8]
# 創建模型
model = Sequential()
model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu'))
model.add(Dense(8, kernel_initializer='uniform', activation='relu'))
model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid'))
編譯模型
model.compile(loss='binary_crossentropy' , optimizer='adam', metrics=['accuracy'])
# 擬合網絡
model.fit(X, Y, nb_epoch=150, batch_size=10)
# 評估網絡
scores = model.evaluate(X, Y)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
```
現在,根據此示例,您可以在利用不同數據集開發不同的模型或者繼續調整此模型。
您可以在[Keras API更多信息](http://keras.io/models/sequential/)上了解有關用于簡單模型開發的更多的知識。
## 第 06 課:使用 Scikit-Learn 的 Keras 模型
scikit-learn 庫是一個基于 SciPy 構建的 Python 通用機器學習框架。
Scikit-learn 擅長僅在幾行代碼之內評估模型性能和完成優化模型超參數等任務。
Keras 提供了一個封裝類,允許您使用 scikit-learn 的深度學習模型,例如,Keras 中的 KerasClassifier 類的實例可以封裝您的深度學習模型,并在 scikit-learn 中用作估計器。
使用 KerasClassifier 類時,必須指定該類可用于定義和編譯模型的函數的名稱。您還可以將其他參數傳遞給 KerasClassifier 類的構造函數,之后將傳遞給 `model.fit()` 調用,例如迭代次數和批量大小等。
在本課程中,您的目標是開發深度學習模型并使用 k 折交叉驗證對其進行評估。
例如,您可以定義 KerasClassifier 的實例和自定義函數來創建模型,如下所示:
```py
# KerasClassifier類中創建模型的函數
def create_model():
# 創建模型
model = Sequential()
...
# 編譯模型
model.compile(...)
return model
# 使用scikit-learn創建分類器
model = KerasClassifier(build_fn=create_model, nb_epoch=150, batch_size=10)
# 在scikit-learn中使用10折交叉驗證評估模型性能
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, X, Y, cv=kfold)
```
您可以在 Sciki-Learn API 網頁的 [Wrappers 上了解有關使用 Keras 深度學習模型和 scikit-learn 的更多信息。](http://keras.io/scikit-learn-api/)
## 第 07 課:繪制模型訓練歷史
您可以通過觀察模型整個訓練期間的性能了解更多關于神經網絡模型和深度學習更多的信息。
Keras 提供了在訓練深度學習模型時注冊回調的功能。
訓練所有深度學習模型時注冊的默認回調之一是歷史回調,它記錄每個迭代次數的訓練指標,包括損失和精確度(對于分類問題)以及驗證數據集的損失和精確度(如果已設置)。
歷史對象通過調用`fit()`函數返回,度量標準保存在返回對象的歷史成員的字典中。
您本課程的目標是研究歷史對象,并繪制模型在訓練期間的性能圖像。
例如,您可以輸出歷史對象收集的指標列表,如下所示:
```py
# 歷史對象中的所有數據
history = model.fit(...)
print(history.history.keys())
```
您可以在 Keras 中了解有關 [History 對象和回調 API 的更多信息。](http://keras.io/callbacks/#history)
## 第 08 課:使用檢查點在訓練期間保存最佳模型
應用程序檢查點是一種適用于長時間運行過程的容錯技術。
Keras 庫通過回調 API 提供檢查點功能, ModelCheckpoint回調類允許您定義模型權重參數檢查點的位置,文件命名規范和創建模型檢查點的條件。
如果訓練運行過早停止,則檢查點可用于跟蹤模型權重,也可以跟蹤訓練期間觀察到的最佳模型。
在本課程中,您的目標是使用 Keras 中的 ModelCheckpoint 回調來跟蹤訓練期間觀察到的最佳模型。
您可以定義 ModelCheckpoint,每次觀察到改進時,都會將網絡權重保存到同一文件中。例如:
```py
from keras.callbacks import ModelCheckpoint
...
checkpoint = ModelCheckpoint('weights.best.hdf5', monitor='val_acc', save_best_only=True, mode='max')
callbacks_list = [checkpoint]
#擬合網絡
model.fit(..., callbacks=callbacks_list)
```
了解有關在 Keras 中使用 [ModelCheckpoint 回調的更多信息。](http://keras.io/callbacks/#modelcheckpoint)
## 第 09 課:通過隨機失活正則化減少過擬合
過度學習訓練數據集是神經網絡面臨的一個大問題!
隨機失活(Dropout) 是一種簡單但非常有效的減少丟失的技術,并且已證明在大型深度學習模型中很有用。
隨機失活是一種在訓練過程中隨機選擇被忽略的神經元的技術,而這些神經元是隨機選擇的。這意味著它們對下游神經元激活的貢獻在正向通道時暫時消除,并且任何權重參數的更新都不會應用于后向通過的的神經元。
您可以使用 Dropout 層類將隨機失活層添加到深度學習模型中。
在本課程中,您的目標是嘗試在神經網絡的不同節點添加隨機dropout,并設置不同的dropout的概率值。
例如,您可以創建一個概率為 20%的隨機失活層,并將其添加到您的模型中,如下所示:
```py
from keras.layers import Dropout
...
model.add(Dropout(0.2))
```
你可以在 Keras 中了解更多關于的[dropout.](http://keras.io/layers/core/#dropout)的更多信息。
## 第 10 課: 通過學習率計劃提升模型性能
通過使用學習率計劃,您通常可以提高模型的性能。
通常稱為自適應學習率或退火學習率,隨機梯度下降的學習率在訓練模型時會發生變化的技術。
Keras 具有基于時間的學習率計劃,該表內置于 SGD 類中的隨機梯度下降算法的實現中。
構建類時,您可以指定衰減數量,即您的學習率(也是被指定的)每次迭代時減少的數量,當使用學習率衰減數量時,你應該指定您的初始學習率值并考慮增加一個大的動量值,如0.8或者0.9.
您在本課程中的目標是嘗試 Keras 內置的基于時間的學習率計劃。
例如,您可以指定從 0.1 開始的學習率計劃,每次迭代下降 0.0001,如下所示:
```py
from keras.optimizers import SGD
...
sgd = SGD(lr=0.1, momentum=0.9, decay=0.0001, nesterov=False)
model.compile(..., optimizer=sgd)
```
您可以在此處了解更多關于 Keras 的 [SGD 課程](http://keras.io/optimizers/#sgd)。
## 第 11 課:卷積神經網絡中的速成課程
卷積神經網絡是一種強大的人工神經網絡技術。
他們通過使用小方塊格式的輸入數據學習其內部特征表示來期望并保持圖像中像素之間的空間關系。
在整個圖像中學習和使用特征,允許圖像中的物體在場景中移動或平移,并且仍然可以被網絡檢測到,這就是為什么這種類型的網絡對于照片不同方向中的物體識別,數字識別,人臉識別別等非常有用的原因。
卷積神經網絡中的三種類型:
1. **卷積層**: 由過濾器和特征圖組成。
2. **池化層**: 從特征圖中下采樣激活。
3. **完全連接層**: 連接于模型的末端,可用于進行預測。
在本課中,您需要熟悉描述卷積神經網絡時使用的術語。
這可能需要您自己進行一些研究,但是不要過分擔心它們如何工作,只需學習這種網絡中使用的各種層的術語和配置。
## 第 12 課:手寫數字識別
手寫數字識別是一類復雜的計算機視覺分類問題。
MNIST 數據集是用于評估手寫數字識別問題的算法的標準問題。它包含可用于訓練模型的 60,000 個數字圖像,以及可用于評估其性能的 10,000 個圖像,如下圖所示:

使用卷積神經網絡可以在 MNIST 問題上實現現有技術的結果,Keras 使得加載 MNIST 數據集變得更加容易。
在本課程中,您的目標是為 MNIST 問題開發一個非常簡單的卷積神經網絡,該模型由一個卷積層,一個池化層和一個用來預測的完全連接層組成。
您可以在 Keras 中加載 MNIST 數據集,如下所示:
```py
from keras.datasets import mnist
...
(X_train, y_train), (X_test, y_test) = mnist.load_data()
```
將文件下載到您的計算機可能需要一些時間。
>一個小提示:您 Keras [Conv2D](http://keras.io/layers/convolutional/) 作為您的第一個隱藏層,數據的格式為`通道 x 寬 x 高`的圖像數據,其中 MNIST 數據集具有 1 個通道,因為圖像是寬度和高度都是28像素的灰度級圖像,您可以很容易的在代碼中重新改變數據的格式,如下代碼所示:
```py
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)
```
您還需要對輸出類值進行單熱編碼,Keras 還提供了一個方便的輔助函數來實現:
```py
from keras.utils import np_utils
...
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
```
作為最后的提示,這里是一個模型定義示例,您可以將其作為您的學習起點起點:
```py
model = Sequential()
model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(1, 28, 28),
activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
```
## 第 13 課:小照片中的物體識別
物體識別是您的模型必須能夠識別出每個小照片中具體物體的問題
深度學習模型使用深度卷積神經網絡在該問題中取得最先進的研究結果。
用于評估此類問題模型的最為流行的標準數據集稱為 CIFAR-10,它包含 60,000 張小照片,每張照片都是 10 個物體中的一個,如貓,船或飛機等,如下所示:

與 MNIST 數據集一樣,Keras 提供了一個方便的函數,您可以使用它來加載數據集,并在您第一次嘗試加載數據集時將其下載到您的計算機,數據集為 163 MB,因此下載可能需要幾分鐘。
您在本課程中的目標是為 CIFAR-10 數據集開發一個深度卷積神經網絡。考慮嘗試隨機失活和較長的訓練時間,我建議您使用重復模式的卷積層和池化層。。
例如,您可以在 Keras 中加載 CIFAR-10 數據集并與卷積神經網絡一起使用,如下所示:
```py
from keras.datasets import cifar10
from keras.utils import np_utils
# 加載數據
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
# 正則化輸出
X_train = X_train.astype('float32') X_test = X_test.astype('float32')
X_train = X_train / 255.0
X_test = X_test / 255.0
# 單熱編碼輸出
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
```
## 第 14 課:通過數據擴充改進泛化
使用神經網絡和深度學習模型時,需要對數據進行預處理。
更復雜的對象識別任務也會導致越來越多的數據擴充,這是您使用隨機翻轉和移位修改數據集中的圖像的位置的結果,這實質上會使您的訓練數據集更大,并且有助于您的模型生成位置和方向信息。
Keras 提供了一個圖像增強 API,可以及時在數據集中創建圖像的修改版本, [ImageDataGenerator](http://keras.io/preprocessing/image/) 類可用于定義要執行的圖像增強操作,這些操作可擬合數據集,然后在訓練模型時用于代替數據集。
本課程的目標是使用您在上一課(如 MNIST 或 CIFAR-10)中熟悉的數據集來試驗 Keras 圖像增強 API。
例如,下面的示例在 MNIST 數據集中創建最多 90 度圖像的隨機旋轉。
```py
# 隨機旋轉
from keras.datasets import mnist
from keras.preprocessing.image import ImageDataGenerator
from matplotlib import pyplot
# 加載數據
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# 重新改變圖像的數據格式
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)
# 將整型數據轉換為浮點型數據
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
# 定義數據預處理
datagen = ImageDataGenerator(rotation_range=90)
# 從數據中擬合參數
datagen.fit(X_train)
# configure batch size and retrieve one batch of images
for X_batch, y_batch in datagen.flow(X_train, y_train, batch_size=9):
# 創建一個3×3的網格圖像
for i in range(0, 9):
pyplot.subplot(330 + 1 + i)
pyplot.imshow(X_batch[i].reshape(28, 28), cmap=pyplot.get_cmap('gray'))
# 顯示突襲iang
pyplot.show()
break
```
您可以了解有關 [Keras 圖像增強 API](http://keras.io/preprocessing/image/) 的更多信息。
## 深度學習迷你課程評論
恭喜你,你做到了。做得好!
花點時間回顧一下你走了多遠:
* 您在 python 中了解了深度學習庫,包括可用于深度學習的強大的數值庫 Theano 和 TensorFlow 以及易于使用的 Keras 庫。
* 您使用 Keras 構建了第一個神經網絡,并學習了如何使用 scikit-learn 的深度學習模型以及如何檢索和繪制模型的訓練歷史記錄。
* 您了解了更多高級技術,例如隨機失活正則化和基于時間的學習率計劃,以及如何在 Keras 中使用這些技術。
* 最后,您了解并開發了用于復雜計算機視覺任務的卷積神經網絡,并了解了圖像數據的增強的相關知識。
不要輕視這一點,你在很短的時間內走了很長的路,這只是您在 Python 中深入學習的旅程的開始。請繼續練習和發展你的技能。
你喜歡這個迷你課程嗎?你有任何問題或疑點可以發表評論!
- Machine Learning Mastery 應用機器學習教程
- 5競爭機器學習的好處
- 過度擬合的簡單直覺,或者為什么測試訓練數據是一個壞主意
- 特征選擇簡介
- 應用機器學習作為一個搜索問題的溫和介紹
- 為什么應用機器學習很難
- 為什么我的結果不如我想的那么好?你可能過度擬合了
- 用ROC曲線評估和比較分類器表現
- BigML評論:發現本機學習即服務平臺的聰明功能
- BigML教程:開發您的第一個決策樹并進行預測
- 構建生產機器學習基礎設施
- 分類準確性不夠:可以使用更多表現測量
- 一種預測模型的巧妙應用
- 機器學習項目中常見的陷阱
- 數據清理:將凌亂的數據轉換為整潔的數據
- 機器學習中的數據泄漏
- 數據,學習和建模
- 數據管理至關重要以及為什么需要認真對待它
- 將預測模型部署到生產中
- 參數和超參數之間有什么區別?
- 測試和驗證數據集之間有什么區別?
- 發現特征工程,如何設計特征以及如何獲得它
- 如何開始使用Kaggle
- 超越預測
- 如何在評估機器學習算法時選擇正確的測試選項
- 如何定義機器學習問題
- 如何評估機器學習算法
- 如何獲得基線結果及其重要性
- 如何充分利用機器學習數據
- 如何識別數據中的異常值
- 如何提高機器學習效果
- 如何在競爭機器學習中踢屁股
- 如何知道您的機器學習模型是否具有良好的表現
- 如何布局和管理您的機器學習項目
- 如何為機器學習準備數據
- 如何減少最終機器學習模型中的方差
- 如何使用機器學習結果
- 如何解決像數據科學家這樣的問題
- 通過數據預處理提高模型精度
- 處理機器學習的大數據文件的7種方法
- 建立機器學習系統的經驗教訓
- 如何使用機器學習清單可靠地獲得準確的預測(即使您是初學者)
- 機器學習模型運行期間要做什么
- 機器學習表現改進備忘單
- 來自世界級從業者的機器學習技巧:Phil Brierley
- 模型預測精度與機器學習中的解釋
- 競爭機器學習的模型選擇技巧
- 機器學習需要多少訓練數據?
- 如何系統地規劃和運行機器學習實驗
- 應用機器學習過程
- 默認情況下可重現的機器學習結果
- 10個實踐應用機器學習的標準數據集
- 簡單的三步法到最佳機器學習算法
- 打擊機器學習數據集中不平衡類的8種策略
- 模型表現不匹配問題(以及如何處理)
- 黑箱機器學習的誘惑陷阱
- 如何培養最終的機器學習模型
- 使用探索性數據分析了解您的問題并獲得更好的結果
- 什么是數據挖掘和KDD
- 為什么One-Hot在機器學習中編碼數據?
- 為什么你應該在你的機器學習問題上進行抽樣檢查算法
- 所以,你正在研究機器學習問題......
- Machine Learning Mastery Keras 深度學習教程
- Keras 中神經網絡模型的 5 步生命周期
- 在 Python 迷你課程中應用深度學習
- Keras 深度學習庫的二元分類教程
- 如何用 Keras 構建多層感知器神經網絡模型
- 如何在 Keras 中檢查深度學習模型
- 10 個用于 Amazon Web Services 深度學習的命令行秘籍
- 機器學習卷積神經網絡的速成課程
- 如何在 Python 中使用 Keras 進行深度學習的度量
- 深度學習書籍
- 深度學習課程
- 你所知道的深度學習是一種謊言
- 如何設置 Amazon AWS EC2 GPU 以訓練 Keras 深度學習模型(分步)
- 神經網絡中批量和迭代之間的區別是什么?
- 在 Keras 展示深度學習模型訓練歷史
- 基于 Keras 的深度學習模型中的dropout正則化
- 評估 Keras 中深度學習模型的表現
- 如何評價深度學習模型的技巧
- 小批量梯度下降的簡要介紹以及如何配置批量大小
- 在 Keras 中獲得深度學習幫助的 9 種方法
- 如何使用 Keras 在 Python 中網格搜索深度學習模型的超參數
- 用 Keras 在 Python 中使用卷積神經網絡進行手寫數字識別
- 如何用 Keras 進行預測
- 用 Keras 進行深度學習的圖像增強
- 8 個深度學習的鼓舞人心的應用
- Python 深度學習庫 Keras 簡介
- Python 深度學習庫 TensorFlow 簡介
- Python 深度學習庫 Theano 簡介
- 如何使用 Keras 函數式 API 進行深度學習
- Keras 深度學習庫的多類分類教程
- 多層感知器神經網絡速成課程
- 基于卷積神經網絡的 Keras 深度學習庫中的目標識別
- 流行的深度學習庫
- 用深度學習預測電影評論的情感
- Python 中的 Keras 深度學習庫的回歸教程
- 如何使用 Keras 獲得可重現的結果
- 如何在 Linux 服務器上運行深度學習實驗
- 保存并加載您的 Keras 深度學習模型
- 用 Keras 逐步開發 Python 中的第一個神經網絡
- 用 Keras 理解 Python 中的有狀態 LSTM 循環神經網絡
- 在 Python 中使用 Keras 深度學習模型和 Scikit-Learn
- 如何使用預訓練的 VGG 模型對照片中的物體進行分類
- 在 Python 和 Keras 中對深度學習模型使用學習率調度
- 如何在 Keras 中可視化深度學習神經網絡模型
- 什么是深度學習?
- 何時使用 MLP,CNN 和 RNN 神經網絡
- 為什么用隨機權重初始化神經網絡?
- Machine Learning Mastery 深度學習 NLP 教程
- 深度學習在自然語言處理中的 7 個應用
- 如何實現自然語言處理的波束搜索解碼器
- 深度學習文檔分類的最佳實踐
- 關于自然語言處理的熱門書籍
- 在 Python 中計算文本 BLEU 分數的溫和介紹
- 使用編碼器 - 解碼器模型的用于字幕生成的注入和合并架構
- 如何用 Python 清理機器學習的文本
- 如何配置神經機器翻譯的編碼器 - 解碼器模型
- 如何開始深度學習自然語言處理(7 天迷你課程)
- 自然語言處理的數據集
- 如何開發一種深度學習的詞袋模型來預測電影評論情感
- 深度學習字幕生成模型的溫和介紹
- 如何在 Keras 中定義神經機器翻譯的編碼器 - 解碼器序列 - 序列模型
- 如何利用小實驗在 Keras 中開發字幕生成模型
- 如何從頭開發深度學習圖片標題生成器
- 如何在 Keras 中開發基于字符的神經語言模型
- 如何開發用于情感分析的 N-gram 多通道卷積神經網絡
- 如何從零開始開發神經機器翻譯系統
- 如何在 Python 中用 Keras 開發基于單詞的神經語言模型
- 如何開發一種預測電影評論情感的詞嵌入模型
- 如何使用 Gensim 在 Python 中開發詞嵌入
- 用于文本摘要的編碼器 - 解碼器深度學習模型
- Keras 中文本摘要的編碼器 - 解碼器模型
- 用于神經機器翻譯的編碼器 - 解碼器循環神經網絡模型
- 淺談詞袋模型
- 文本摘要的溫和介紹
- 編碼器 - 解碼器循環神經網絡中的注意力如何工作
- 如何利用深度學習自動生成照片的文本描述
- 如何開發一個單詞級神經語言模型并用它來生成文本
- 淺談神經機器翻譯
- 什么是自然語言處理?
- 牛津自然語言處理深度學習課程
- 如何為機器翻譯準備法語到英語的數據集
- 如何為情感分析準備電影評論數據
- 如何為文本摘要準備新聞文章
- 如何準備照片標題數據集以訓練深度學習模型
- 如何使用 Keras 為深度學習準備文本數據
- 如何使用 scikit-learn 為機器學習準備文本數據
- 自然語言處理神經網絡模型入門
- 對自然語言處理的深度學習的承諾
- 在 Python 中用 Keras 進行 LSTM 循環神經網絡的序列分類
- 斯坦福自然語言處理深度學習課程評價
- 統計語言建模和神經語言模型的簡要介紹
- 使用 Keras 在 Python 中進行 LSTM 循環神經網絡的文本生成
- 淺談機器學習中的轉換
- 如何使用 Keras 將詞嵌入層用于深度學習
- 什么是用于文本的詞嵌入
- Machine Learning Mastery 深度學習時間序列教程
- 如何開發人類活動識別的一維卷積神經網絡模型
- 人類活動識別的深度學習模型
- 如何評估人類活動識別的機器學習算法
- 時間序列預測的多層感知器網絡探索性配置
- 比較經典和機器學習方法進行時間序列預測的結果
- 如何通過深度學習快速獲得時間序列預測的結果
- 如何利用 Python 處理序列預測問題中的缺失時間步長
- 如何建立預測大氣污染日的概率預測模型
- 如何開發一種熟練的機器學習時間序列預測模型
- 如何構建家庭用電自回歸預測模型
- 如何開發多步空氣污染時間序列預測的自回歸預測模型
- 如何制定多站點多元空氣污染時間序列預測的基線預測
- 如何開發時間序列預測的卷積神經網絡模型
- 如何開發卷積神經網絡用于多步時間序列預測
- 如何開發單變量時間序列預測的深度學習模型
- 如何開發 LSTM 模型用于家庭用電的多步時間序列預測
- 如何開發 LSTM 模型進行時間序列預測
- 如何開發多元多步空氣污染時間序列預測的機器學習模型
- 如何開發多層感知器模型進行時間序列預測
- 如何開發人類活動識別時間序列分類的 RNN 模型
- 如何開始深度學習的時間序列預測(7 天迷你課程)
- 如何網格搜索深度學習模型進行時間序列預測
- 如何對單變量時間序列預測的網格搜索樸素方法
- 如何在 Python 中搜索 SARIMA 模型超參數用于時間序列預測
- 如何在 Python 中進行時間序列預測的網格搜索三次指數平滑
- 一個標準的人類活動識別問題的溫和介紹
- 如何加載和探索家庭用電數據
- 如何加載,可視化和探索復雜的多變量多步時間序列預測數據集
- 如何從智能手機數據模擬人類活動
- 如何根據環境因素預測房間占用率
- 如何使用腦波預測人眼是開放還是閉合
- 如何在 Python 中擴展長短期內存網絡的數據
- 如何使用 TimeseriesGenerator 進行 Keras 中的時間序列預測
- 基于機器學習算法的室內運動時間序列分類
- 用于時間序列預測的狀態 LSTM 在線學習的不穩定性
- 用于罕見事件時間序列預測的 LSTM 模型體系結構
- 用于時間序列預測的 4 種通用機器學習數據變換
- Python 中長短期記憶網絡的多步時間序列預測
- 家庭用電機器學習的多步時間序列預測
- Keras 中 LSTM 的多變量時間序列預測
- 如何開發和評估樸素的家庭用電量預測方法
- 如何為長短期記憶網絡準備單變量時間序列數據
- 循環神經網絡在時間序列預測中的應用
- 如何在 Python 中使用差異變換刪除趨勢和季節性
- 如何在 LSTM 中種子狀態用于 Python 中的時間序列預測
- 使用 Python 進行時間序列預測的有狀態和無狀態 LSTM
- 長短時記憶網絡在時間序列預測中的適用性
- 時間序列預測問題的分類
- Python 中長短期記憶網絡的時間序列預測
- 基于 Keras 的 Python 中 LSTM 循環神經網絡的時間序列預測
- Keras 中深度學習的時間序列預測
- 如何用 Keras 調整 LSTM 超參數進行時間序列預測
- 如何在時間序列預測訓練期間更新 LSTM 網絡
- 如何使用 LSTM 網絡的 Dropout 進行時間序列預測
- 如何使用 LSTM 網絡中的特征進行時間序列預測
- 如何在 LSTM 網絡中使用時間序列進行時間序列預測
- 如何利用 LSTM 網絡進行權重正則化進行時間序列預測
- Machine Learning Mastery 線性代數教程
- 機器學習數學符號的基礎知識
- 用 NumPy 陣列輕松介紹廣播
- 如何從 Python 中的 Scratch 計算主成分分析(PCA)
- 用于編碼器審查的計算線性代數
- 10 機器學習中的線性代數示例
- 線性代數的溫和介紹
- 用 NumPy 輕松介紹 Python 中的 N 維數組
- 機器學習向量的溫和介紹
- 如何在 Python 中為機器學習索引,切片和重塑 NumPy 數組
- 機器學習的矩陣和矩陣算法簡介
- 溫和地介紹機器學習的特征分解,特征值和特征向量
- NumPy 對預期價值,方差和協方差的簡要介紹
- 機器學習矩陣分解的溫和介紹
- 用 NumPy 輕松介紹機器學習的張量
- 用于機器學習的線性代數中的矩陣類型簡介
- 用于機器學習的線性代數備忘單
- 線性代數的深度學習
- 用于機器學習的線性代數(7 天迷你課程)
- 機器學習的線性代數
- 機器學習矩陣運算的溫和介紹
- 線性代數評論沒有廢話指南
- 學習機器學習線性代數的主要資源
- 淺談機器學習的奇異值分解
- 如何用線性代數求解線性回歸
- 用于機器學習的稀疏矩陣的溫和介紹
- 機器學習中向量規范的溫和介紹
- 學習線性代數用于機器學習的 5 個理由
- Machine Learning Mastery LSTM 教程
- Keras中長短期記憶模型的5步生命周期
- 長短時記憶循環神經網絡的注意事項
- CNN長短期記憶網絡
- 逆向神經網絡中的深度學習速成課程
- 可變長度輸入序列的數據準備
- 如何用Keras開發用于Python序列分類的雙向LSTM
- 如何開發Keras序列到序列預測的編碼器 - 解碼器模型
- 如何診斷LSTM模型的過度擬合和欠擬合
- 如何開發一種編碼器 - 解碼器模型,注重Keras中的序列到序列預測
- 編碼器 - 解碼器長短期存儲器網絡
- 神經網絡中爆炸梯度的溫和介紹
- 對時間反向傳播的溫和介紹
- 生成長短期記憶網絡的溫和介紹
- 專家對長短期記憶網絡的簡要介紹
- 在序列預測問題上充分利用LSTM
- 編輯器 - 解碼器循環神經網絡全局注意的溫和介紹
- 如何利用長短時記憶循環神經網絡處理很長的序列
- 如何在Python中對一個熱編碼序列數據
- 如何使用編碼器 - 解碼器LSTM來回顯隨機整數序列
- 具有注意力的編碼器 - 解碼器RNN體系結構的實現模式
- 學習使用編碼器解碼器LSTM循環神經網絡添加數字
- 如何學習長短時記憶循環神經網絡回聲隨機整數
- 具有Keras的長短期記憶循環神經網絡的迷你課程
- LSTM自動編碼器的溫和介紹
- 如何用Keras中的長短期記憶模型進行預測
- 用Python中的長短期內存網絡演示內存
- 基于循環神經網絡的序列預測模型的簡要介紹
- 深度學習的循環神經網絡算法之旅
- 如何重塑Keras中長短期存儲網絡的輸入數據
- 了解Keras中LSTM的返回序列和返回狀態之間的差異
- RNN展開的溫和介紹
- 5學習LSTM循環神經網絡的簡單序列預測問題的例子
- 使用序列進行預測
- 堆疊長短期內存網絡
- 什么是教師強制循環神經網絡?
- 如何在Python中使用TimeDistributed Layer for Long Short-Term Memory Networks
- 如何準備Keras中截斷反向傳播的序列預測
- 如何在使用LSTM進行訓練和預測時使用不同的批量大小
- Machine Learning Mastery 機器學習算法教程
- 機器學習算法之旅
- 用于機器學習的裝袋和隨機森林集合算法
- 從頭開始實施機器學習算法的好處
- 更好的樸素貝葉斯:從樸素貝葉斯算法中獲取最多的12個技巧
- 機器學習的提升和AdaBoost
- 選擇機器學習算法:Microsoft Azure的經驗教訓
- 機器學習的分類和回歸樹
- 什么是機器學習中的混淆矩陣
- 如何使用Python從頭開始創建算法測試工具
- 通過創建機器學習算法的目標列表來控制
- 從頭開始停止編碼機器學習算法
- 在實現機器學習算法時,不要從開源代碼開始
- 不要使用隨機猜測作為基線分類器
- 淺談機器學習中的概念漂移
- 溫和介紹機器學習中的偏差 - 方差權衡
- 機器學習的梯度下降
- 機器學習算法如何工作(他們學習輸入到輸出的映射)
- 如何建立機器學習算法的直覺
- 如何實現機器學習算法
- 如何研究機器學習算法行為
- 如何學習機器學習算法
- 如何研究機器學習算法
- 如何研究機器學習算法
- 如何在Python中從頭開始實現反向傳播算法
- 如何用Python從頭開始實現Bagging
- 如何用Python從頭開始實現基線機器學習算法
- 如何在Python中從頭開始實現決策樹算法
- 如何用Python從頭開始實現學習向量量化
- 如何利用Python從頭開始隨機梯度下降實現線性回歸
- 如何利用Python從頭開始隨機梯度下降實現Logistic回歸
- 如何用Python從頭開始實現機器學習算法表現指標
- 如何在Python中從頭開始實現感知器算法
- 如何在Python中從零開始實現隨機森林
- 如何在Python中從頭開始實現重采樣方法
- 如何用Python從頭開始實現簡單線性回歸
- 如何用Python從頭開始實現堆棧泛化(Stacking)
- K-Nearest Neighbors for Machine Learning
- 學習機器學習的向量量化
- 機器學習的線性判別分析
- 機器學習的線性回歸
- 使用梯度下降進行機器學習的線性回歸教程
- 如何在Python中從頭開始加載機器學習數據
- 機器學習的Logistic回歸
- 機器學習的Logistic回歸教程
- 機器學習算法迷你課程
- 如何在Python中從頭開始實現樸素貝葉斯
- 樸素貝葉斯機器學習
- 樸素貝葉斯機器學習教程
- 機器學習算法的過擬合和欠擬合
- 參數化和非參數機器學習算法
- 理解任何機器學習算法的6個問題
- 在機器學習中擁抱隨機性
- 如何使用Python從頭開始擴展機器學習數據
- 機器學習的簡單線性回歸教程
- 有監督和無監督的機器學習算法
- 用于機器學習的支持向量機
- 在沒有數學背景的情況下理解機器學習算法的5種技術
- 最好的機器學習算法
- 教程從頭開始在Python中實現k-Nearest Neighbors
- 通過從零開始實現它們來理解機器學習算法(以及繞過壞代碼的策略)
- 使用隨機森林:在121個數據集上測試179個分類器
- 為什么從零開始實現機器學習算法
- Machine Learning Mastery 機器學習入門教程
- 機器學習入門的四個步驟:初學者入門與實踐的自上而下策略
- 你應該培養的 5 個機器學習領域
- 一種選擇機器學習算法的數據驅動方法
- 機器學習中的分析與數值解
- 應用機器學習是一種精英政治
- 機器學習的基本概念
- 如何成為數據科學家
- 初學者如何在機器學習中弄錯
- 機器學習的最佳編程語言
- 構建機器學習組合
- 機器學習中分類與回歸的區別
- 評估自己作為數據科學家并利用結果建立驚人的數據科學團隊
- 探索 Kaggle 大師的方法論和心態:對 Diogo Ferreira 的采訪
- 擴展機器學習工具并展示掌握
- 通過尋找地標開始機器學習
- 溫和地介紹預測建模
- 通過提供結果在機器學習中獲得夢想的工作
- 如何開始機器學習:自學藍圖
- 開始并在機器學習方面取得進展
- 應用機器學習的 Hello World
- 初學者如何使用小型項目開始機器學習并在 Kaggle 上進行競爭
- 我如何開始機器學習? (簡短版)
- 我是如何開始機器學習的
- 如何在機器學習中取得更好的成績
- 如何從在銀行工作到擔任 Target 的高級數據科學家
- 如何學習任何機器學習工具
- 使用小型目標項目深入了解機器學習工具
- 獲得付費申請機器學習
- 映射機器學習工具的景觀
- 機器學習開發環境
- 機器學習金錢
- 程序員的機器學習
- 機器學習很有意思
- 機器學習是 Kaggle 比賽
- 機器學習現在很受歡迎
- 機器學習掌握方法
- 機器學習很重要
- 機器學習 Q& A:概念漂移,更好的結果和學習更快
- 缺乏自學機器學習的路線圖
- 機器學習很重要
- 快速了解任何機器學習工具(即使您是初學者)
- 機器學習工具
- 找到你的機器學習部落
- 機器學習在一年
- 通過競爭一致的大師 Kaggle
- 5 程序員在機器學習中開始犯錯誤
- 哲學畢業生到機器學習從業者(Brian Thomas 采訪)
- 機器學習入門的實用建議
- 實用機器學習問題
- 使用來自 UCI 機器學習庫的數據集練習機器學習
- 使用秘籍的任何機器學習工具快速啟動
- 程序員可以進入機器學習
- 程序員應該進入機器學習
- 項目焦點:Shashank Singh 的人臉識別
- 項目焦點:使用 Mahout 和 Konstantin Slisenko 進行堆棧交換群集
- 機器學習自學指南
- 4 個自學機器學習項目
- álvaroLemos 如何在數據科學團隊中獲得機器學習實習
- 如何思考機器學習
- 現實世界機器學習問題之旅
- 有關機器學習的有用知識
- 如果我沒有學位怎么辦?
- 如果我不是一個優秀的程序員怎么辦?
- 如果我不擅長數學怎么辦?
- 為什么機器學習算法會處理以前從未見過的數據?
- 是什么阻礙了你的機器學習目標?
- 什么是機器學習?
- 機器學習適合哪里?
- 為什么要進入機器學習?
- 研究對您來說很重要的機器學習問題
- 你這樣做是錯的。為什么機器學習不必如此困難
- Machine Learning Mastery Sklearn 教程
- Scikit-Learn 的溫和介紹:Python 機器學習庫
- 使用 Python 管道和 scikit-learn 自動化機器學習工作流程
- 如何以及何時使用帶有 scikit-learn 的校準分類模型
- 如何比較 Python 中的機器學習算法與 scikit-learn
- 用于機器學習開發人員的 Python 崩潰課程
- 用 scikit-learn 在 Python 中集成機器學習算法
- 使用重采樣評估 Python 中機器學習算法的表現
- 使用 Scikit-Learn 在 Python 中進行特征選擇
- Python 中機器學習的特征選擇
- 如何使用 scikit-learn 在 Python 中生成測試數據集
- scikit-learn 中的機器學習算法秘籍
- 如何使用 Python 處理丟失的數據
- 如何開始使用 Python 進行機器學習
- 如何使用 Scikit-Learn 在 Python 中加載數據
- Python 中概率評分方法的簡要介紹
- 如何用 Scikit-Learn 調整算法參數
- 如何在 Mac OS X 上安裝 Python 3 環境以進行機器學習和深度學習
- 使用 scikit-learn 進行機器學習簡介
- 從 shell 到一本帶有 Fernando Perez 單一工具的書的 IPython
- 如何使用 Python 3 為機器學習開發創建 Linux 虛擬機
- 如何在 Python 中加載機器學習數據
- 您在 Python 中的第一個機器學習項目循序漸進
- 如何使用 scikit-learn 進行預測
- 用于評估 Python 中機器學習算法的度量標準
- 使用 Pandas 為 Python 中的機器學習準備數據
- 如何使用 Scikit-Learn 為 Python 機器學習準備數據
- 項目焦點:使用 Artem Yankov 在 Python 中進行事件推薦
- 用于機器學習的 Python 生態系統
- Python 是應用機器學習的成長平臺
- Python 機器學習書籍
- Python 機器學習迷你課程
- 使用 Pandas 快速和骯臟的數據分析
- 使用 Scikit-Learn 重新調整 Python 中的機器學習數據
- 如何以及何時使用 ROC 曲線和精確調用曲線進行 Python 分類
- 使用 scikit-learn 在 Python 中保存和加載機器學習模型
- scikit-learn Cookbook 書評
- 如何使用 Anaconda 為機器學習和深度學習設置 Python 環境
- 使用 scikit-learn 在 Python 中進行 Spot-Check 分類機器學習算法
- 如何在 Python 中開發可重復使用的抽樣檢查算法框架
- 使用 scikit-learn 在 Python 中進行 Spot-Check 回歸機器學習算法
- 使用 Python 中的描述性統計來了解您的機器學習數據
- 使用 OpenCV,Python 和模板匹配來播放“哪里是 Waldo?”
- 使用 Pandas 在 Python 中可視化機器學習數據
- Machine Learning Mastery 統計學教程
- 淺談計算正態匯總統計量
- 非參數統計的溫和介紹
- Python中常態測試的溫和介紹
- 淺談Bootstrap方法
- 淺談機器學習的中心極限定理
- 淺談機器學習中的大數定律
- 機器學習的所有統計數據
- 如何計算Python中機器學習結果的Bootstrap置信區間
- 淺談機器學習的Chi-Squared測試
- 機器學習的置信區間
- 隨機化在機器學習中解決混雜變量的作用
- 機器學習中的受控實驗
- 機器學習統計學速成班
- 統計假設檢驗的關鍵值以及如何在Python中計算它們
- 如何在機器學習中談論數據(統計學和計算機科學術語)
- Python中數據可視化方法的簡要介紹
- Python中效果大小度量的溫和介紹
- 估計隨機機器學習算法的實驗重復次數
- 機器學習評估統計的溫和介紹
- 如何計算Python中的非參數秩相關性
- 如何在Python中計算數據的5位數摘要
- 如何在Python中從頭開始編寫學生t檢驗
- 如何在Python中生成隨機數
- 如何轉換數據以更好地擬合正態分布
- 如何使用相關來理解變量之間的關系
- 如何使用統計信息識別數據中的異常值
- 用于Python機器學習的隨機數生成器簡介
- k-fold交叉驗證的溫和介紹
- 如何計算McNemar的比較兩種機器學習量詞的測試
- Python中非參數統計顯著性測試簡介
- 如何在Python中使用參數統計顯著性測試
- 機器學習的預測間隔
- 應用統計學與機器學習的密切關系
- 如何使用置信區間報告分類器表現
- 統計數據分布的簡要介紹
- 15 Python中的統計假設檢驗(備忘單)
- 統計假設檢驗的溫和介紹
- 10如何在機器學習項目中使用統計方法的示例
- Python中統計功效和功耗分析的簡要介紹
- 統計抽樣和重新抽樣的簡要介紹
- 比較機器學習算法的統計顯著性檢驗
- 機器學習中統計容差區間的溫和介紹
- 機器學習統計書籍
- 評估機器學習模型的統計數據
- 機器學習統計(7天迷你課程)
- 用于機器學習的簡明英語統計
- 如何使用統計顯著性檢驗來解釋機器學習結果
- 什么是統計(為什么它在機器學習中很重要)?
- Machine Learning Mastery 時間序列入門教程
- 如何在 Python 中為時間序列預測創建 ARIMA 模型
- 用 Python 進行時間序列預測的自回歸模型
- 如何回溯機器學習模型的時間序列預測
- Python 中基于時間序列數據的基本特征工程
- R 的時間序列預測熱門書籍
- 10 挑戰機器學習時間序列預測問題
- 如何將時間序列轉換為 Python 中的監督學習問題
- 如何將時間序列數據分解為趨勢和季節性
- 如何用 ARCH 和 GARCH 模擬波動率進行時間序列預測
- 如何將時間序列數據集與 Python 區分開來
- Python 中時間序列預測的指數平滑的溫和介紹
- 用 Python 進行時間序列預測的特征選擇
- 淺談自相關和部分自相關
- 時間序列預測的 Box-Jenkins 方法簡介
- 用 Python 簡要介紹時間序列的時間序列預測
- 如何使用 Python 網格搜索 ARIMA 模型超參數
- 如何在 Python 中加載和探索時間序列數據
- 如何使用 Python 對 ARIMA 模型進行手動預測
- 如何用 Python 進行時間序列預測的預測
- 如何使用 Python 中的 ARIMA 進行樣本外預測
- 如何利用 Python 模擬殘差錯誤來糾正時間序列預測
- 使用 Python 進行數據準備,特征工程和時間序列預測的移動平均平滑
- 多步時間序列預測的 4 種策略
- 如何在 Python 中規范化和標準化時間序列數據
- 如何利用 Python 進行時間序列預測的基線預測
- 如何使用 Python 對時間序列預測數據進行功率變換
- 用于時間序列預測的 Python 環境
- 如何重構時間序列預測問題
- 如何使用 Python 重新采樣和插值您的時間序列數據
- 用 Python 編寫 SARIMA 時間序列預測
- 如何在 Python 中保存 ARIMA 時間序列預測模型
- 使用 Python 進行季節性持久性預測
- 基于 ARIMA 的 Python 歷史規模敏感性預測技巧分析
- 簡單的時間序列預測模型進行測試,這樣你就不會欺騙自己
- 標準多變量,多步驟和多站點時間序列預測問題
- 如何使用 Python 檢查時間序列數據是否是固定的
- 使用 Python 進行時間序列數據可視化
- 7 個機器學習的時間序列數據集
- 時間序列預測案例研究與 Python:波士頓每月武裝搶劫案
- Python 的時間序列預測案例研究:巴爾的摩的年度用水量
- 使用 Python 進行時間序列預測研究:法國香檳的月銷售額
- 使用 Python 的置信區間理解時間序列預測不確定性
- 11 Python 中的經典時間序列預測方法(備忘單)
- 使用 Python 進行時間序列預測表現測量
- 使用 Python 7 天迷你課程進行時間序列預測
- 時間序列預測作為監督學習
- 什么是時間序列預測?
- 如何使用 Python 識別和刪除時間序列數據的季節性
- 如何在 Python 中使用和刪除時間序列數據中的趨勢信息
- 如何在 Python 中調整 ARIMA 參數
- 如何用 Python 可視化時間序列殘差預測錯誤
- 白噪聲時間序列與 Python
- 如何通過時間序列預測項目
- Machine Learning Mastery XGBoost 教程
- 通過在 Python 中使用 XGBoost 提前停止來避免過度擬合
- 如何在 Python 中調優 XGBoost 的多線程支持
- 如何配置梯度提升算法
- 在 Python 中使用 XGBoost 進行梯度提升的數據準備
- 如何使用 scikit-learn 在 Python 中開發您的第一個 XGBoost 模型
- 如何在 Python 中使用 XGBoost 評估梯度提升模型
- 在 Python 中使用 XGBoost 的特征重要性和特征選擇
- 淺談機器學習的梯度提升算法
- 應用機器學習的 XGBoost 簡介
- 如何在 macOS 上為 Python 安裝 XGBoost
- 如何在 Python 中使用 XGBoost 保存梯度提升模型
- 從梯度提升開始,比較 165 個數據集上的 13 種算法
- 在 Python 中使用 XGBoost 和 scikit-learn 進行隨機梯度提升
- 如何使用 Amazon Web Services 在云中訓練 XGBoost 模型
- 在 Python 中使用 XGBoost 調整梯度提升的學習率
- 如何在 Python 中使用 XGBoost 調整決策樹的數量和大小
- 如何在 Python 中使用 XGBoost 可視化梯度提升決策樹
- 在 Python 中開始使用 XGBoost 的 7 步迷你課程