# 人類活動識別的深度學習模型
> 原文: [https://machinelearningmastery.com/deep-learning-models-for-human-activity-recognition/](https://machinelearningmastery.com/deep-learning-models-for-human-activity-recognition/)
人類活動識別(HAR)是具有挑戰性的時間序列分類任務。
它涉及基于傳感器數據預測人的移動,并且傳統上涉及深度領域專業知識和來自信號處理的方法,以正確地設計來自原始數據的特征以適合機器學習模型。
最近,諸如卷積神經網絡和循環神經網絡的深度學習方法已經顯示出通過自動學習原始傳感器數據的特征而能夠甚至實現最先進的結果。
在這篇文章中,您將發現人類活動識別的問題以及在這個問題上實現最先進表現的深度學習方法。
閱讀這篇文章后,你會知道:
* 活動識別是基于傳感器數據(例如智能手機中的加速度計)預測人(通常在室內)的移動的問題。
* 傳感器數據流通常被分成稱為窗口的子序列,并且每個窗口與更廣泛的活動相關聯,稱為滑動窗口方法。
* 卷積神經網絡和長期短期記憶網絡,或許兩者結合在一起,最適合從原始傳感器數據中學習特征并預測相關的運動。
讓我們開始吧。

用于人類活動識別的深度學習模型
照片由 [Simon Harrod](https://www.flickr.com/photos/sidibousaid/8238090492/) 拍攝,保留一些權利。
## 概觀
這篇文章分為五個部分;他們是:
1. 人類活動識別
2. 神經網絡建模的好處
3. 監督學習數據表示
4. 卷積神經網絡模型
5. 循環神經網絡模型
## 人類活動識別
人類活動識別(簡稱 HAR)是涉及基于傳感器數據識別人的特定運動或動作的廣泛研究領域。
運動通常是在室內進行的典型活動,例如步行,說話,站立和坐著。它們也可能是更集中的活動,例如在廚房或工廠車間進行的那些類型的活動。
可以遠程記錄傳感器數據,例如視頻,雷達或其他無線方法。或者,可以將數據直接記錄在對象上,例如通過攜帶具有加速度計和陀螺儀的定制硬件或智能電話。
> 基于傳感器的活動識別從大量低水平傳感器讀數中尋找關于人類活動的深刻的高級知識
- [基于傳感器的活動識別深度學習:調查](https://www.sciencedirect.com/science/article/pii/S016786551830045X),2018。
從歷史上看,用于活動識別的傳感器數據具有挑戰性且收集成本高,需要定制硬件。現在,用于健身和健康監測的智能手機和其他個人跟蹤設備便宜且無處不在。因此,來自這些設備的傳感器數據收集起來更便宜,更常見,因此是一般活動識別問題的更常研究的版本。
問題是在給定傳感器數據快照的情況下預測活動,通常是來自一個或少數傳感器類型的數據。通常,該問題被構造為單變量或多變量時間序列分類任務。
這是一個具有挑戰性的問題,因為沒有明顯或直接的方式將記錄的傳感器數據與特定的人類活動相關聯,并且每個受試者可能執行具有顯著變化的活動,導致所記錄的傳感器數據的變化。
目的是記錄特定受試者的傳感器數據和相應活動,根據該數據擬合模型,并推廣模型以根據傳感器數據對新看不見的受試者的活動進行分類。
## 神經網絡建模的好處
傳統上,來自信號處理領域的方法用于分析和提取收集的傳感器數據。
這些方法用于特征工程,創建特定于域的,特定于傳感器或特定于信號處理的特征以及原始數據的視圖。然后對處理后的數據版本訓練統計和機器學習模型。
此方法的局限性在于分析原始數據和設計擬合模型所需的功能所需的信號處理和領域專業知識。每個新數據集或傳感器模態都需要這種專業知識。實質上,它昂貴且不可擴展。
> 然而,在大多數日常 HAR 任務中,這些方法可能嚴重依賴于啟發式手工特征提取,其通常受到人類領域知識的限制。此外,這些方法只能學習淺層特征,導致無監督和增量任務的表現下降。由于這些限制,傳統[模式識別]方法的表現在分類準確性和模型概括方面受到限制。
- [基于傳感器的活動識別深度學習:調查](https://www.sciencedirect.com/science/article/pii/S016786551830045X),2018。
理想情況下,可以使用學習方法自動學習直接從原始數據進行準確預測所需的功能。這將允許快速且廉價地采用新問題,新數據集和新傳感器模態。
最近,深度神經網絡模型已經開始實現其特征學習的承諾,并且正在實現人類活動識別的最新結果。它們能夠從原始傳感器數據執行自動功能學習,并且能夠在手工制作的特定于域的功能上執行優秀的模型。
> [...],特征提取和模型構建過程通常在深度學習模型中同時執行。這些功能可以通過網絡自動學習,而不是手動設計。此外,深層神經網絡還可以提取深層的高層表示,使其更適合于復雜的活動識別任務。
- [基于傳感器的活動識別深度學習:調查](https://www.sciencedirect.com/science/article/pii/S016786551830045X),2018。
神經網絡有兩種主要方法適用于時間序列分類,并且已經證明使用來自商品智能手機和健身追蹤設備的傳感器數據在活動識別方面表現良好。
它們是卷積神經網絡模型和循環神經網絡模型。
> 建議 RNN 和 LSTM 識別具有自然順序的短活動,而 CNN 更好地推斷長期重復活動。原因是 RNN 可以利用傳感器讀數之間的時間順序關系,CNN 更能夠學習遞歸模式中包含的深層特征。
- [基于傳感器的活動識別深度學習:調查](https://www.sciencedirect.com/science/article/pii/S016786551830045X),2018。
## 監督學習數據表示
在我們深入研究可用于人類活動識別的特定神經網絡之前,我們需要討論數據準備。
適用于時間序列分類的兩種類型的神經網絡都需要以特定方式準備數據以便適合模型。也就是說,在 _ 無監督學習 _'方式中,允許模型將信號數據與活動類相關聯。
一種直接的數據準備方法,既可用于手工制作特征的經典機器學習方法,也可用于神經網絡,包括將輸入信號數據劃分為信號窗口,其中給定窗口可能有一到幾秒的觀察時間數據。這通常被稱為'_ 滑動窗口 _。
> 人類活動識別旨在從傳感器捕獲的一組觀察中推斷出一個或多個人的行為。通常,這是通過遵循用于特征提取的固定長度滑動窗口方法來執行的,其中必須修復兩個參數:窗口的大小和移位。
- [用于活動識別的動態滑動窗口方法](https://link.springer.com/chapter/10.1007/978-3-642-22362-4_19),2011
每個窗口還與特定活動相關聯。給定的數據窗口可以具有多個變量,例如加速度計傳感器的 x,y 和 z 軸。
讓我們以一個例子來具體化。
我們有 10 分鐘的傳感器數據;可能看起來像:
```py
x, y, z, activity
1.1, 2.1, 0.1, 1
1.2, 2.2, 0.2, 1
1.3, 2.3, 0.3, 1
...
```
如果數據以 8 Hz 記錄,則意味著執行活動所用的一秒鐘將有八行數據。
我們可以選擇讓一個數據窗口代表一秒鐘的數據;這意味著 8 Hz 傳感器有 8 行數據。如果我們有 x,y 和 z 數據,那意味著我們將有 3 個變量。因此,單個數據窗口將是具有八個時間步長和三個特征的二維陣列。
一個窗口代表一個樣本。一分鐘的數據代表 480 個傳感器數據點,或 60 個 8 個時間步長的窗口。總共 10 分鐘的數據將代表 4,800 個數據點,或 600 個數據窗口。
可以方便地根據樣本或窗口的數量,窗口中的時間步數以及在每個時間步驟觀察到的特征的數量來描述我們準備的傳感器數據的形狀。
```py
[samples, time steps, features]
```
我們以 8 Hz 記錄的 10 分鐘加速度計數據的示例將被概括為具有以下尺寸的三維陣列:
```py
[600, 8, 3]
```
沒有最佳窗口大小,它實際上取決于所使用的特定模型,收集的傳感器數據的性質以及被分類的活動。
窗戶的大小和模型的大小都有張力。較大的窗戶需要較大的模型,較慢的訓練,而較小的窗戶需要較小的模型,更容易適應。
> 直觀地,減小窗口大小允許更快的活動檢測,以及減少的資源和能量需求。相反,通常考慮使用大數據窗口來識別復雜的活動
- [人類活動識別中的窗口大小影響](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4029702/),2014 年。
然而,通常使用一到兩秒的傳感器數據以便對活動的當前片段進行分類。
> 從結果來看,減少的窗口(2 秒或更短)被證明可以提供最準確的檢測表現。事實上,對于非常短的窗口(0.25-0.5 秒),可獲得最精確的識別器,從而可以完美識別大多數活動。與通常認為的相反,本研究表明,大窗口尺寸不一定轉化為更好的識別表現。
- [人類活動識別中的窗口大小影響](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4029702/),2014 年。
將傳感器數據流分成窗口可能會導致窗口錯過一個活動到另一個活動的轉換。因此,傳統上將數據分成具有重疊的窗口是常見的,使得窗口的前半部分包含來自前一窗口的后半部分的觀察,在 50%重疊的情況下。
> [...]不正確的長度可能會截斷活動實例。在許多情況下,當窗口與一個活動的結尾和下一個活動的開頭重疊時,錯誤會出現在活動的開頭或結尾。在其他情況下,窗口長度可能太短而不能為識別過程提供最佳信息。
- [用于活動識別的動態滑動窗口方法](https://link.springer.com/chapter/10.1007/978-3-642-22362-4_19),2011
目前還不清楚給定問題是否需要具有重疊的窗口。
在采用神經網絡模型時,使用重疊(例如 50%重疊)將使訓練數據的大小加倍,這可能有助于建模較小的數據集,但也可能導致過度擬合訓練數據集的模型。
> 對于某些應用,允許相鄰窗口之間的重疊;但是,這種使用頻率較低。
- [人類活動識別中的窗口大小影響](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4029702/),2014 年。
## 卷積神經網絡模型
卷積神經網絡模型(簡稱 CNN)是一種深度神經網絡,它被開發用于圖像數據,例如,如手寫識別。
事實證明,它們在大規模訓練時可以有效地挑戰計算機視覺問題,例如識別和定位圖像中的對象以及自動描述圖像內容。
它們是由兩種主要類型的元素組成的模型:卷積層和池化層。
卷積層使用內核讀取輸入,例如 2D 圖像或 1D 信號,該內核一次讀取小段并跨越整個輸入字段。每次讀取都會生成投影到濾鏡圖上的輸入,并表示輸入的內部解釋。
池化層采用特征圖投影并將其提取到最基本的元素,例如使用信號平均或信號最大化過程。
卷積和合并層可以在深度重復,提供輸入信號的多層抽象。
這些網絡的輸出通常是一個或多個完全連接的層,用于解釋已讀取的內容并將此內部表示映射到類值。
有關卷積神經網絡的更多信息,可以看到帖子:
* [用于機器學習的卷積神經網絡的速成課程](https://machinelearningmastery.com/crash-course-convolutional-neural-networks/)
CNN 可以應用于人類活動識別數據。
CNN 模型學習將給定的信號數據窗口映射到模型讀取每個數據窗口的活動,并準備窗口的內部表示。
> 當應用于像 HAR 這樣的時間序列分類時,CNN 比其他模型具有兩個優點:局部依賴性和尺度不變性。局部依賴性意味著 HAR 中的附近信號可能是相關的,而尺度不變性是指不同步幅或頻率的尺度不變。
- [基于傳感器的活動識別深度學習:調查](https://www.sciencedirect.com/science/article/pii/S016786551830045X),2018。
使用 CNN 進行 HAR 的第一項重要工作是 Ming Zeng 等人在他們的 2014 年論文“使用移動傳感器進行人類活動識別的 Co [nvolutional 神經網絡”。](https://ieeexplore.ieee.org/document/7026300/)
在本文中,作者為加速度計數據開發了一個簡單的 CNN 模型,其中加速度計數據的每個軸被饋送到單獨的卷積層,匯集層,然后在被隱藏的完全連接層解釋之前連接。
從紙上得到的圖清楚地顯示了模型的拓撲結構。它提供了一個很好的模板,用于 CNN 如何用于 HAR 問題和一般的時間序列分類。

用于加速度計數據的 CNN 模型的描述
取自“使用移動傳感器進行人類活動識別的卷積神經網絡”
有許多方法可以模擬 CNN 的 HAR 問題。
一個有趣的例子是 Heeryon Cho 和 Sang Min Yoon 在他們的 2018 年論文題為“[基于劃分和征服的 1N CNN 人類活動識別使用測試數據銳化](http://www.mdpi.com/1424-8220/18/4/1055)”。
在其中,他們將活動分為涉及運動的那些,稱為“_ 動態 _”,以及那些主體靜止的,稱為“_ 靜態 _”,然后開發 CNN 模型來區分這兩個主要類別。然后,在每個類中,開發模型以區分該類型的活動,例如動態的“_ 行走 _”和靜態的“_ 坐 _”。

將活動分離為動態或靜態
取自“基于劃分和征服的 1N CNN 人類活動識別使用測試數據銳化”
他們將此稱為兩階段建模方法。
> 我們不是直接使用單個 6 級分類器識別單個活動,而是應用分而治之的方法并構建一個兩階段活動識別過程,其中首先使用 2-來識別抽象活動,即動態和靜態活動。類或二元分類器,然后使用兩個 3 級分類器識別單個活動。
- [基于劃分和征服的 1D CNN 人類活動識別使用測試數據銳化](http://www.mdpi.com/1424-8220/18/4/1055),2018。
開發了相當大的 CNN 模型,這反過來又使作者能夠在具有挑戰性的標準人類活動識別數據集上獲得最先進的結果。
另一個有趣的方法是由 Wenchao Jiang 和 Zhaozheng Yin 在其 2015 年題為“[深度卷積神經網絡](https://dl.acm.org/citation.cfm?id=2806333)使用可穿戴傳感器的人類活動識別”的論文中提出的。
它們不是在信號數據上使用 1D CNN,而是將信號數據組合在一起以創建“_ 圖像 _”,然后將其饋送到 2D CNN 并作為圖像數據處理,其中信號的時間軸上有卷積,跨信號變量,特別是加速度計和陀螺儀數據。
> 首先,將原始信號逐行堆疊成信號圖像[...]。在信號圖像中,每個信號序列都有機會與每個其他序列相鄰,這使得 DCNN 能夠提取相鄰信號之間的隱藏相關性。然后,將 2D 離散傅里葉變換(DFT)應用于信號圖像,并選擇其幅度作為我們的活動圖像
- [通過深度卷積神經網絡使用可穿戴傳感器進行人類活動識別](https://dl.acm.org/citation.cfm?id=2806333),2015 年。
下面描述了將原始傳感器數據處理成圖像,然后從圖像處理成“_ 活動圖像 _”,即離散傅立葉變換的結果。

將原始傳感器數據處理成圖像
取自“通過深度卷積神經網絡使用可穿戴傳感器的人類活動識別”
最后,關于這一主題的另一篇優秀論文是 Charissa Ann Ronao 和 Sung-Bae Cho 在 2016 年題為“[使用深度學習神經網絡](https://www.sciencedirect.com/science/article/pii/S0957417416302056)的智能手機傳感器進行人類活動識別”。
仔細研究 CNN 的使用表明,較大的內核大小的信號數據是有用的并且有限的匯集。
> 實驗表明,盡管每個附加層的特征復雜度水平差異減小,但是對于每個附加層,回歸實際上都會得到相關且更復雜的特征。可以利用更寬的時間局部相關時間跨度(1×9-1×14),并且低池化大小(1×2 -1×3)被證明是有益的。
- [使用深度學習神經網絡的智能手機傳感器識別人類活動](https://www.sciencedirect.com/science/article/pii/S0957417416302056),2016 年。
有用的是,它們還為 CNN 模型提供了完整的超參數配置,可以為新的 HAR 和其他序列分類問題提供有用的起點,總結如下。

CNN 模型超參數配置表
取自“使用深度學習神經網絡的智能手機傳感器識別人體活動”。
## 循環神經網絡模型
循環神經網絡(簡稱 RNN)是一種神經網絡,旨在從序列數據中學習,例如隨時間觀察的序列,或句子中的單詞序列。
稱為長短期記憶網絡(或簡稱 LSTM)的特定類型的 RNN 可能是最廣泛使用的 RNN,因為其精心設計克服了在序列數據上訓練穩定的 RNN 的一般困難。
LSTM 在大規模訓練手寫識別,語言建模和機器翻譯等任務時已證明對挑戰序列預測問題有效。
LSTM 模型中的一個層由特殊單元組成,這些單元具有控制輸入,輸出和循環連接的門,其權重是學習的。每個 LSTM 單元還具有內部存儲器或狀態,當讀取輸入序列時,該內部存儲器或狀態被累積,并且可以由網絡用作一種局部變量或存儲器寄存器。
有關長期短期內存網絡的更多信息,請參閱帖子:
* [深度學習的循環神經網絡崩潰課程](https://machinelearningmastery.com/crash-course-recurrent-neural-networks-deep-learning/)
與可以讀取輸入序列的 CNN 一樣,LSTM 讀取輸入觀察序列并開發其自己的輸入序列的內部表示。與 CNN 不同,LSTM 的訓練方式應特別注意觀察結果和輸入序列中時間步長的預測誤差,稱為反向傳播。
有關隨時間反向傳播的更多信息,請參閱帖子:
* [對時間反向傳播的溫和介紹](https://machinelearningmastery.com/gentle-introduction-backpropagation-time/)
LSTM 可以應用于人類活動識別的問題。
LSTM 學習將傳感器數據的每個窗口映射到活動,其中一次一個地讀取輸入序列中的觀察,其中每個時間步驟可以包括一個或多個變量(例如,并行序列)。
簡單的 LSTM 模型在 HAR 問題上的應用有限。
其中一個例子是 Abdulmajid Murad 和 Jae-Young Pyun 2017 年題為“[用于人類活動識別的深度循環神經網絡](http://www.mdpi.com/1424-8220/17/11/2556)”的論文。
重要的是,在論文中,他們評論了 CNN 在傳感器數據的固定大小窗口上操作的要求的限制,這是 LSTM 并不嚴格限制的。
> 但是,卷積內核的大小限制了捕獲的數據樣本之間的依賴關系范圍。因此,典型的模型不適用于各種活動識別配置,并且需要固定長度的輸入窗口。
- [用于人類活動識別的深度循環神經網絡](http://www.mdpi.com/1424-8220/17/11/2556),2017 年。
他們探討了 LSTM 的使用,它們既向前(正常)又向兩個方向處理序列數據(雙向 LSTM)。有趣的是,LSTM 預測傳感器數據的子序列的每個輸入時間步的活動,然后聚合這些活動以便預測窗口的活動。
> 每個時間步驟將有一個分數來預測在時間 t 發生的活動類型。通過將各個得分合并為單個預測來獲得對整個窗口 T 的預測
- [用于人類活動識別的深度循環神經網絡](http://www.mdpi.com/1424-8220/17/11/2556),2017 年。
下面的圖表提供了 LSTM 模型的描述,后面是完全連接的層,用于解釋原始傳感器數據的內部表示。

用于活動識別的 LSTM RNN 的描述
取自“用于人類活動識別的深度循環神經網絡”。
在 CNN-LSTM 模型或 ConvLSTM 模型中,在 HAR 問題上結合 CNN 使用 LSTM 可能更常見。
這是使用 CNN 模型從原始樣本數據的子序列中提取特征的地方,然后由 LSTM 聚合解釋來自 CNN 的每個子序列的輸出特征。
這方面的一個例子是 Francisco Javier Ordonez 和 Daniel Roggen 的 2016 年論文題為“[用于多模式可穿戴活動識別的深度卷積和 LSTM 循環神經網絡](http://www.mdpi.com/1424-8220/16/1/115/html)”。
> 我們為可穿戴活動識別引入了一個新的 DNN 框架,我們將其稱為 DeepConvLSTM。該架構結合了卷積層和循環層。卷積層充當特征提取器,并在特征映射中提供輸入傳感器數據的抽象表示。循環層模擬特征圖激活的時間動態。
- [用于多模式可穿戴活動識別的深度卷積和 LSTM 循環神經網絡](http://www.mdpi.com/1424-8220/16/1/115/html),2016。
深度網絡體系結構與四個卷積層一起使用,沒有任何池化層,接著是兩個 LSTM 層,用于在多個時間步驟中解釋提取的特征。
作者聲稱,移除池化層是其模型體系結構的關鍵部分,其中在卷積層之后使用池化層會干擾卷積層學習對原始傳感器數據進行下采樣的能力。
> 在文獻中,CNN 框架通常連續地包括卷積和匯集層,作為降低數據復雜性和引入平移不變特征的措施。然而,這種方法并不是架構的嚴格組成部分,并且在時間序列域中,DeepConvLSTM 不包括池化操作,因為網絡的輸入受到滑動窗口機制的約束[...],這一事實限制了可能性假設 DeepConvLSTM 需要由循環層處理數據序列,則對數據進行下采樣。然而,在沒有滑動窗口要求的情況下,池化機制可用于覆蓋更深層的不同傳感器數據時間尺度。
- [用于多模式可穿戴活動識別的深度卷積和 LSTM 循環神經網絡](http://www.mdpi.com/1424-8220/16/1/115/html),2016。
下圖取自紙張,使架構更清晰。請注意,圖像中的層 6 和 7 實際上是 LSTM 層。

用于活動識別的 CNN LSTM 模型的描述
取自“用于多模式可穿戴活動識別的深度卷積和 LSTM 循環神經網絡”。
## 進一步閱讀
如果您希望深入了解,本節將提供有關該主題的更多資源。
### 一般
* [基于傳感器的活動識別深度學習:調查](https://www.sciencedirect.com/science/article/pii/S016786551830045X),2018。
### 滑動窗戶
* [用于活動識別的動態滑動窗口方法](https://link.springer.com/chapter/10.1007/978-3-642-22362-4_19),2011。
* [人類活動識別中的窗口大小影響](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4029702/),2014 年。
### 細胞神經網絡
* [使用移動傳感器進行人類活動識別的卷積神經網絡](https://ieeexplore.ieee.org/document/7026300/),2014 年。
* [基于劃分和征服的 1D CNN 人類活動識別使用測試數據銳化](http://www.mdpi.com/1424-8220/18/4/1055),2018。
* [通過深度卷積神經網絡使用可穿戴傳感器進行人類活動識別](https://dl.acm.org/citation.cfm?id=2806333),2015 年。
* [使用深度學習神經網絡的智能手機傳感器識別人類活動](https://www.sciencedirect.com/science/article/pii/S0957417416302056),2016 年。
### RNNs
* [用于人類活動識別的深度循環神經網絡](http://www.mdpi.com/1424-8220/17/11/2556),2017 年。
* [用于多模式可穿戴活動識別的深度卷積和 LSTM 循環神經網絡](http://www.mdpi.com/1424-8220/16/1/115/html),2016。
## 摘要
在這篇文章中,您發現了人類活動識別的問題以及深度學習方法的使用,這些方法在這個問題上實現了最先進的表現。
具體來說,你學到了:
* 活動識別是基于傳感器數據(例如智能手機中的加速度計)預測人(通常在室內)的移動的問題。
* 傳感器數據流通常被分成稱為窗口的子序列,并且每個窗口與更廣泛的活動相關聯,稱為滑動窗口方法。
* 卷積神經網絡和長期短期記憶網絡,或許兩者結合在一起,最適合從原始傳感器數據中學習特征并預測相關的運動。
你有任何問題嗎?
在下面的評論中提出您的問題,我會盡力回答。
- 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