# 用于機器學習的線性代數(7 天迷你課程)
> 原文: [https://machinelearningmastery.com/linear-algebra-machine-learning-7-day-mini-course/](https://machinelearningmastery.com/linear-algebra-machine-learning-7-day-mini-course/)
### 機器學習速成課程的線性代數。
#### 在 7 天內掌握機器學習中使用的線性代數。
線性代數是一個數學領域,普遍認為它是更深入理解機器學習的先決條件。
盡管線性代數是一個具有許多深奧理論和發現的大型領域,但機械學習從業者需要從該領域獲取的螺母和螺栓工具和符號。憑借線性代數的堅實基礎,可以專注于良好或相關的部分。
在本速成課程中,您將了解如何開始并自信地閱讀并實現 7 天內使用 Python 進行機器學習時使用的線性代數符號。
這是一個重要且重要的帖子。您可能想要將其加入書簽。
讓我們開始吧。
* **更新 Mar / 2018** :修正了 SVD 課程中的一個小錯字。

用于機器學習的線性代數(7 天迷你課程)
照片由 [Jeff Kubina](https://www.flickr.com/photos/kubina/118170566/) 拍攝,保留一些權利。
## 誰是這個崩潰課程?
在我們開始之前,讓我們確保您在正確的位置。
本課程適用于可能了解某些應用機器學習的開發人員。也許你知道如何使用流行的工具來完成預測性建模問題的端到端,或者至少是大多數主要步驟。
本課程的課程會假設您的一些事情,例如:
* 你知道你的基本 Python 編程方式。
你可能知道一些基本的 NumPy 用于數組操作。
* 您想學習線性代數,以加深您對機器學習的理解和應用。
你不需要知道:
* 你不需要成為一個數學家!
* 您不需要成為機器學習專家!
這個速成課程將帶您從了解機器學習的開發人員到可以瀏覽線性代數基礎知識的開發人員。
注意:此速成課程假設您有一個至少安裝了 NumPy 的 Python3 SciPy 環境。如果您需要有關環境的幫助,可以按照此處的分步教程進行操作:
* [如何使用 Anaconda 設置用于機器學習和深度學習的 Python 環境](https://machinelearningmastery.com/setup-python-environment-machine-learning-deep-learning-anaconda/)
## 速成課程概述
這個速成課程分為 7 節課。
您可以每天完成一節課(推薦)或在一天內完成所有課程(硬核)。這取決于你有空的時間和你的熱情程度。
下面列出了 7 個課程,這些課程將幫助您開始并使用線性代數在 Python 中進行機器學習:
* **第 01 課**:用于機器學習的線性代數
* **第 02 課**:線性代數
* **第 03 課**:向量
* **第 04 課**:矩陣
* **第 05 課**:矩陣類型和操作
* **第 06 課**:矩陣分解
* **第 07 課**:奇異值分解
每節課可能需要 60 秒或 30 分鐘。花點時間,按照自己的進度完成課程。在下面的評論中提出問題甚至發布結果。
課程期望你去學習如何做事。我會給你提示,但每節課的部分內容是強迫你學習去尋找有關線性代數和 NumPy API 以及 Python 中最好的工具的幫助(提示:我直接在這個博客上得到了所有的答案;使用搜索框)。
我確實以相關帖子的鏈接形式提供了更多幫助,因為我希望你建立一些信心和慣性。
在評論中發布您的結果;我會為你加油!
掛在那里;不要放棄。
注意:這只是一個速成課程。有關更多細節和充實的教程,請參閱我的書,主題為“[機器學習線性代數基礎知識](https://machinelearningmastery.com/linear_algebra_for_machine_learning/)”。
## 第 01 課:機器學習的線性代數
在本課程中,您將了解機器學習從業者應該加深對線性代數理解的 5 個理由。
### 1.你需要學習線性代數表示法
您需要能夠讀取和寫入向量和矩陣表示法。使用向量和矩陣表示法在書籍,論文和網站上描述算法。
### 你需要學習線性代數算術
與線性代數的符號相結合是執行的算術運算。您需要知道如何添加,減去和乘以標量,向量和矩陣。
### 你需要學習線性代數的統計學
您必須學習線性代數才能學習統計數據。特別是多變量統計。為了能夠閱讀和解釋統計數據,您必須學習線性代數的符號和操作。現代統計學使用線性代數的符號和工具來描述統計方法的工具和技術。從用于數據均值和方差的向量,到描述多個高斯變量之間的關系的協方差矩陣。
### 4.你需要學習矩陣分解
基于符號和算術的構思是矩陣分解的思想,也稱為矩陣分解。您需要知道如何對矩陣進行分解以及它意味著什么。矩陣分解是線性代數中的關鍵工具,廣泛用作線性代數(如矩陣逆)和機器學習(最小二乘)中許多更復雜運算的元素。
### 5.你需要學習線性最小二乘法
您需要知道如何使用矩陣分解來求解線性最小二乘法。這種類型的問題可以被定義為平方誤差的最小化,稱為最小二乘,并且可以用線性代數的語言重新編程,稱為線性最小二乘。線性最小二乘問題可以使用諸如矩陣分解之類的矩陣運算在計算機上有效地解決。
### 還有一個原因
如果我能再給出一個理由,那就是:因為它很有趣。認真。
### 你的任務
在本課程中,您必須列出 3 個理由,為什么您個人想要學習線性代數。
在下面的評論中發表您的答案。我很樂意看到你想出了什么。
在下一課中,您將發現線性代數的簡明定義。
## 第 02 課:線性代數
在本課程中,您將發現線性代數的簡明定義。
### 線性代數
線性代數是數學的一個分支,但事實是線性代數是數學的數學。矩陣和向量是數據的語言。
線性代數是線性組合。也就是說,使用稱為向量的數字列和稱為矩陣的二維數字數組的算術來創建新的列和數字數組。
### 數值線性代數
線性代數在計算機中的應用通常被稱為數值線性代數。
它不僅僅是代碼庫中線性代數運算的實現;它還包括仔細處理應用數學問題,例如使用數字計算機的有限浮點精度。
### 線性代數的應用
由于線性代數是數據的數學,線性代數的工具被用于許多領域。
* 工程中的矩陣,例如一系列彈簧。
* 圖形和網絡,例如分析網絡。
* 馬爾可夫矩陣,人口和經濟學,如人口增長。
* 線性規劃,單純形優化方法。
* 傅立葉級數:函數線性代數,廣泛用于信號處理。
* 用于統計和概率的線性代數,例如回歸的最小二乘法。
* 計算機圖形學,例如圖像的各種平移,縮放和旋轉。
### Your Task
在本課程中,您必須從定義線性代數領域的研究論文,博客或書籍中找到五個引號。
在下面的評論中發表您的答案。我很樂意看到你發現了什么。
在下一課中,您將發現向量和簡單的向量算法。
## 第 03 課:向量
在本課程中,您將發現向量和簡單的向量算法。
### 什么是向量?
向量是一個或多個稱為標量的值的元組。
向量通常用小寫字符表示,例如“v”;例如:
```
v = (v1, v2, v3)
```
其中 v1,v2,v3 是標量值,通常是實數值。
### 定義向量
我們可以將 Python 中的向量表示為 NumPy 數組。
可以從數字列表創建 NumPy 數組。例如,下面我們定義一個長度為 3 且整數值為 1,2 和 3 的向量。
```
# create a vector
from numpy import array
v = array([1, 2, 3])
print(v)
```
### 向量乘法
兩個相等長度的向量可以相乘。
```
c = a * b
```
與加法和減法一樣,該操作以元素方式執行以產生相同長度的新向量。
```
a * b = (a1 * b1, a2 * b2, a3 * b3)
```
我們可以直接在 NumPy 中執行此操作。
```
# multiply vectors
from numpy import array
a = array([1, 2, 3])
print(a)
b = array([1, 2, 3])
print(b)
c = a * b
print(c)
```
### Your Task
在本課程中,您必須實現其他向量算術運算,例如加法,除法,減法和向量點積。
Post your answer in the comments below. I would love to see what you discover.
在下一課中,您將發現矩陣和簡單矩陣算法。
## 第 04 課:矩陣
在本課程中,您將發現矩陣和簡單矩陣運算。
### 什么是矩陣?
矩陣是具有一個或多個列和一個或多個行的標量的二維陣列。
矩陣的符號通常是大寫字母,例如 A,并且條目由它們的行(i)和列(j)的二維下標引用,例如 aij。例如:
```
A = ((a11, a12), (a21, a22), (a31, a32))
```
### 定義矩陣
我們可以使用二維 NumPy 數組在 Python 中表示矩陣。
可以在給定列表列表的情況下構造 NumPy 數組。例如,下面是 2 行 3 列矩陣。
```
# create matrix
from numpy import array
A = array([[1, 2, 3], [4, 5, 6]])
print(A)
```
### 矩陣加法
可以將具有相同尺寸的兩個矩陣相加在一起以創建新的第三矩陣。
```
C = A + B
```
所得矩陣中的標量元素被計算為添加的每個矩陣中元素的相加。
我們可以在 python 中使用 plus 運算符直接在兩個 NumPy 數組上實現它。
```
# add matrices
from numpy import array
A = array([[1, 2, 3], [4, 5, 6]])
print(A)
B = array([[1, 2, 3], [4, 5, 6]])
print(B)
C = A + B
print(C)
```
### 矩陣點產品
矩陣乘法(也稱為矩陣點乘積)比先前的操作更復雜并且涉及規則,因為并非所有矩陣都可以相乘。
```
C = A * B
```
矩陣乘法的規則如下:第一矩陣(A)中的列數(n)必須等于第二矩陣(B)中的行數(m)。
例如,矩陣 A 的尺寸為 m 行 n 列,矩陣 B 的尺寸為 n 和 k。 A 行和 n 行 b 中的 n 列相等。結果是一個 m 行和 k 列的新矩陣。
```
C(m,k) = A(m,n) * B(n,k)
```
矩陣乘法的直覺是我們計算矩陣 A 中每一行與矩陣 B 中每列之間的點積。例如,我們可以逐步降低 A 列的行數并將每一行乘以 B 中的第 1 列來給出標量 C 列第 1 列中的值
矩陣乘法運算可以使用 dot()函數在 NumPy 中實現。
```
# matrix dot product
from numpy import array
A = array([[1, 2], [3, 4], [5, 6]])
print(A)
B = array([[1, 2], [3, 4]])
print(B)
C = A.dot(B)
print(C)
```
### Your Task
在本課程中,您必須實現更多矩陣算術運算,例如減法,除法,Hadamard 乘積和向量矩陣乘法。
Post your answer in the comments below. I would love to see what you come up with.
在下一課中,您將發現不同類型的矩陣和矩陣運算。
## 第 05 課:矩陣類型和操作
在本課程中,您將發現不同類型的矩陣和矩陣運算。
### 顛倒
可以轉置定義的矩陣,這將創建一個新的矩陣,其中列和行的數量被翻轉。
這由矩陣旁邊的上標“T”表示。
```
C = A^T
```
我們可以通過調用 T 屬性在 NumPy 中轉置矩陣。
```
# transpose matrix
from numpy import array
A = array([[1, 2], [3, 4], [5, 6]])
print(A)
C = A.T
print(C)
```
### 逆溫
反轉矩陣的操作由矩陣旁邊的-1 上標表示;例如,A ^ -1。該操作的結果稱為原始矩陣的逆;例如,B 是 A 的倒數。
```
B = A^-1
```
并非所有矩陣都是可逆的。
可以使用 inv()函數在 NumPy 中反轉矩陣。
```
# invert matrix
from numpy import array
from numpy.linalg import inv
# define matrix
A = array([[1.0, 2.0], [3.0, 4.0]])
print(A)
# invert matrix
B = inv(A)
print(B)
```
### 方陣
方陣是矩陣,其中行數(n)等于列數(m)。
```
n = m
```
方矩陣與矩形矩陣形成對比,矩形矩陣的行數和列數不相等。
### 對稱矩陣
對稱矩陣是一種方形矩陣,其中右上角三角形與左下角三角形相同。
為了對稱,對稱軸始終是矩陣的主要對角線,從左上角到右下角。
對稱矩陣總是正方形并且等于它自己的轉置。
```
M = M^T
```
### 三角矩陣
三角矩陣是一種方矩陣,其在矩陣的右上或左下具有所有值,其余元素填充零值。
僅在主對角線上方具有值的三角矩陣稱為上三角矩陣。然而,僅在主對角線下方具有值的三角矩陣被稱為下三角矩陣。
### 對角矩陣
對角矩陣是主對角線外部的值具有零值的矩陣,其中主對角線從矩陣的左上角到右下角。
對角矩陣通常用變量 D 表示,并且可以表示為完整矩陣或主對角線上的值向量。
### Your Task
在本課程中,您必須為其他矩陣運算開發示例,例如行列式,跟蹤和排名。
Post your answer in the comments below. I would love to see what you come up with.
在下一課中,您將發現矩陣分解。
## 課 06:矩陣分解
在本課程中,您將了解矩陣分解的基礎知識,也稱為矩陣分解。
### 什么是矩陣分解?
矩陣分解是一種將矩陣簡化為其組成部分的方法。
這種方法可以簡化更復雜的矩陣運算,這些運算可以在分解的矩陣上執行,而不是在原始矩陣本身上執行。
矩陣分解的一個常見類比是數字因式分解,例如將因子分解為 5×5。因此,矩陣分解也稱為矩陣分解。與分解實數值一樣,有許多方法可以分解矩陣,因此存在一系列不同的矩陣分解技術。
### LU 矩陣分解
LU 分解用于方形矩陣,并將矩陣分解為 L 和 U 分量。
```
A = L . U
```
其中 A 是我們希望分解的方陣,L 是下三角矩陣,U 是上三角矩陣。在實踐中數值上更穩定的這種分解的變化稱為 LUP 分解,或具有部分樞轉的 LU 分解。
```
A = P . L . U
```
重新排序父矩陣的行以簡化分解過程,并且附加的 P 矩陣指定用于置換結果或將結果返回到原始順序的方式。 LU 還有其他變體。
LU 分解通常用于簡化線性方程組的求解,例如在線性回歸中找到系數。
LU 分解可以使用 lu()函數在 Python 中實現。更具體地說,該函數計算 LPU 分解。
```
# LU decomposition
from numpy import array
from scipy.linalg import lu
# define a square matrix
A = array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(A)
# LU decomposition
P, L, U = lu(A)
print(P)
print(L)
print(U)
# reconstruct
B = P.dot(L).dot(U)
print(B)
```
### Your Task
在本課程中,您必須實現其他簡單方法的小例子進行矩陣分解,例如 QR 分解,Cholesky 分解和特征分解。
Post your answer in the comments below. I would love to see what you come up with.
在下一課中,您將發現用于矩陣分解的奇異值分解方法。
## 第 07 課:奇異值分解
在本課程中,您將發現用于矩陣分解的奇異值分解方法。
奇異值分解
奇異值分解(簡稱 SVD)是一種矩陣分解方法,用于將矩陣簡化為其組成部分,以使某些后續矩陣計算更簡單。
```
A = U . Sigma . V^T
```
其中 A 是我們希望分解的真實 mxn 矩陣,U 是 mxm 矩陣,Sigma(通常由大寫希臘字母 Sigma 表示)是 mxn 對角矩陣,V ^ T 是 nxn 矩陣的轉置,其中 T 是一個上標。
### 計算奇異值分解
可以通過調用 svd()函數來計算 SVD。
該函數采用矩陣并返回 U,Sigma 和 V ^ T 元素。 Sigma 對角矩陣作為奇異值的向量返回。 V 矩陣以轉置的形式返回,例如, V.T.
```
# Singular-value decomposition
from numpy import array
from scipy.linalg import svd
# define a matrix
A = array([[1, 2], [3, 4], [5, 6]])
print(A)
# SVD
U, s, V = svd(A)
print(U)
print(s)
print(V)
```
### Your Task
在本課程中,您必須列出 5 個 SVD 應用程序。
如果你能用 Python 中的一個小例子演示每一個,那么獎勵積分。
Post your answer in the comments below. I would love to see what you discover.
這是迷你課程的最后一課。
## 結束!
(_ 看你有多遠 _)
你做到了。做得好!
花點時間回顧一下你到底有多遠。
你發現:
* 線性代數對應用機器學習的重要性。
* 什么是線性代數。
* 向量是什么以及如何執行向量運算。
* 什么是矩陣以及如何執行矩陣運算,包括矩陣乘法。
* 一套類型的矩陣,它們的屬性以及涉及矩陣的高級操作。
* 矩陣分解方法和 LU 分解方法詳細說明。
* 用于機器學習的流行的奇異值分解方法。
這只是您使用線性代數進行機器學習的旅程的開始。繼續練習和發展你的技能。
下一步,查看我的關于[機器學習線性代數](https://machinelearningmastery.com/linear_algebra_for_machine_learning/)的書。
## 摘要
_ 你如何處理迷你課程?_
你喜歡這個速成班嗎?
_ 你有什么問題嗎?有沒有任何問題?_
讓我知道。在下面發表評論。
- 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