# 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)
> 原文: [https://machinelearningmastery.com/understand-machine-learning-algorithms-by-implementing-them-from-scratch/](https://machinelearningmastery.com/understand-machine-learning-algorithms-by-implementing-them-from-scratch/)
從頭開始實現機器學習算法似乎是程序員理解機器學習的好方法。
也許是。
但這種方法也存在一些缺點。
在這篇文章中,您將發現一些可用于從頭開始實現機器學習算法的優秀資源。
您還將發現這種看似完美的方法的一些局限性。
您是否已從頭開始實施機器學習算法以努力了解它發表評論,我很想知道您的體驗。

從頭開始實現機器學習算法!
攝影: [Tambako The Jaguar](https://www.flickr.com/photos/tambako/4283191966) ,保留一些權利。
## 從頭開始實施機器學習算法的好處
我提倡從頭開始實現機器學習算法的想法。
我想你可以學到很多關于算法如何工作的知識。我還認為,作為一名開發人員,它為學習機器學習中使用的數學符號,描述和直覺提供了橋梁。
我之前已經討論了從頭開始實現算法的好處[“HTG0]從頭開始實現機器學習算法的好處”。
在帖子中,我列出了以下好處:
1. 你獲得的理解
2. 它提供的起點
3. 它所強制的算法和代碼的所有權
同樣在那篇文章中,我評論了如何通過利用現有的教程和書籍來簡化流程。開始時有很多好的資源,但也有值得關注的絆腳石。
在下一節中,我指出了您可以遵循的三本書,從頭開始實現機器學習算法。
在過去的幾年里,我幫助了許多程序員開始進行機器學習。根據我的經驗,我列出了5個最常見的絆腳石,我看到絆倒了程序員以及你可以用來克服它們的策略。
最后,您將發現3個快速提示,以便從代碼教程中獲得最大收益,并從復制粘貼程序員(如果您恰好是一個)中真正深入了解機器學習算法的漏洞。
## 獲取免費算法思維導圖

方便的機器學習算法思維導圖的樣本。
我已經創建了一個由類型組織的60多種算法的方便思維導圖。
下載,打印并使用它。
## 可以用來實現算法的好書
我已經從頭開始實施了很多算法,直接來自研究論文。這可能非常困難。
遵循別人的教程是一個更溫和的開始。
您可以使用許多優秀的資源從頭開始實現機器學習算法。
也許最權威的是指導您完成教程的書籍。
從一本書開始有很多好處。例如:
* 其他人已經找到了算法以及如何將其轉換為代碼。
* 您可以將其用作修補和實驗的已知工作起點。
一些指導您逐步實施機器學習算法的優秀書籍包括:
### Scratch的數據科學:Joel Grus的Python的第一原理
這真的是從零開始,通過可視化,統計,概率,處理數據,然后是大約12種不同的機器學習算法。
這是我今年最喜歡的初學機器學習書籍之一。
[](http://www.amazon.com/dp/149190142X?tag=inspiredalgor-20)
### 機器學習:Stephen Marsland的算法視角
這是期待已久的第二版這本暢銷書。這涵蓋了大量不同的機器學習算法和實現。
我喜歡它,它提供了數學描述,偽代碼以及工作源代碼的混合。
[](http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20)
### Peter Harrington的“機器學習”
本書通過10種最流行的機器學習算法進行工作,這些算法提供案例研究問題并在Python中使用代碼示例。
我喜歡使用編號和箭頭將代碼與描述聯系起來。
[](http://www.amazon.com/dp/1617290181?tag=inspiredalgor-20)
我是否錯過了一本好書,它提供了從頭開始實現機器學習算法的編程教程?
請在評論中告訴我。
## 從頭開始實現算法時的5個絆腳石(以及如何克服它們)
使用教程從頭開始實現機器學習算法非常有趣。
但是可能存在絆腳石,如果你不小心,他們可能會絆倒你并扼殺你的動力。
在本節中,我想指出我看到的5個最常見的絆腳石以及如何使用它們而不是讓它們阻擋你。我希望你能夠解開(或繼續學習另一個教程)。
避免下面出現絆腳石的一些好的一般建議是在深入研究教程之前仔細檢查書籍的評論(或博客文章的評論)。您希望確保代碼有效并且您不會浪費時間。
另一個普遍的策略是無論如何潛入并找出不起作用的部件并自己重新實施。這是強迫理解的一個很好的黑客,但它可能不適合初學者,你可能需要一個很好的技術參考。
無論如何,讓我們從頭開始學習機器學習的5個常見絆腳石:
### 1)守則不起作用
最糟糕的也許是最常見的絆腳石是示例中的代碼不起作用。
事實上,如果您花一些時間在亞馬遜的書評中查看某些文本或大博客帖子的評論,很明顯這個問題比您想象的更為普遍。
這是怎么發生的?我想到的一些原因可能會為您提供應用自己的修復程序并繼續執行的線索:
* **代碼從未起作過**。這意味著該書出版時沒有經過仔細編輯。除了可能進入作者的思想并試圖找出他們的意思之外,你在這里做的不多。甚至可以嘗試聯系作者或出版商。
* **語言已經移動**。這種情況可能發生,特別是如果帖子陳舊或者書籍已經印刷了很長時間。兩個很好的例子是Ruby的版本從1.x移動到2.x,Python從2.x移動到3.x.
* **第三方庫繼續**。這適用于那些實現并非完全從頭開始并且使用了一些實用程序庫的情況,例如繪圖。這通常不是那么糟糕。您通常只需更新代碼即可使用最新版本的庫并修改參數以滿足API更改。甚至可以安裝舊版本的庫(如果您的開發環境中可能存在很少或沒有依賴關系)。
* **數據集已移至**。如果數據文件是URL并且不再可用(也許您可以在其他地方找到該文件),則會發生這種情況。如果該示例針對第三方API數據源(如Facebook或Twitter)進行編碼,情況會更糟。這些API可以快速改變很多。您最好的選擇是了解最新版本的API并盡可能調整代碼示例。
如果代碼不起作用,一個很好的一般策略是查找相關的勘誤表,如果它是一本書,GitHub存儲庫,代碼下載或類似。有時問題已經修復,可以在書籍或作者的網站上找到。一些簡單的谷歌搜索應該把它打開。

代碼機學習算法完全從頭開始。照片來自 [Tambako The Jaguar](https://www.flickr.com/photos/tambako/559607386) ,保留一些權利
### 2)代碼描述不佳
我認為從頭開始實現算法時第二個最糟糕的障礙是代碼提供的描述不好。
這些類型的問題對初學者來說尤其不利,因為你正在盡力保持動力,并從練習中學到一些東西。如果代碼和文本不對齊,所有這些都會消失。
我(或許好心地)稱他們為“_壞描述_”因為可能有許多癥狀和原因。例如:
* **代碼與描述不匹配**。這可能是由于在不同時間準備的代碼和文本以及未正確編輯在一起而引起的。它可能像變量名稱更改一樣小,也可能是整個函數名稱或函數本身。
* **缺少解釋**。有時你會得到大塊的代碼,你應該弄清楚。這是令人沮喪的,特別是在一本書中,它是一頁又一頁的代碼,在屏幕上更容易理解。如果是這種情況,您可能最好找到代碼的在線下載并直接使用它。
* **Terse解釋**。有時您會得到代碼的解釋,但它們太簡短了,比如“_使用信息獲取_”或其他什么。令人沮喪!您仍然可能有足夠的時間來研究這個術語,但如果作者在上下文中包含了一個解釋并且與示例相關,則會更容易。
一個很好的一般策略是在其他資源中查找算法的描述,并嘗試將它們映射到您正在使用的代碼上。從本質上講,嘗試為代碼構建自己的描述。
這可能不是初學者的選擇,您可能需要轉移到另一個資源。
### 3)代碼不是慣用語
我們程序員可以對我們語言的“正確”使用迂腐(例如Python代碼不是Pythonic)。這是一件好事,它表現出對細節和最佳實踐的良好關注。
如果示例代碼不是寫入它的語言的慣用語,那么它可能不合適。有時它會讓人分心,以致代碼無法讀取。
有很多原因可能是這種情況,例如:
* **來自其他語言**的端口。示例代碼可以是來自另一種編程語言的端口。例如Java中的FORTRAN或Python中的C語言。對于受過訓練的人來說,這顯而易見。
* **作者正在學習語言**。有時,作者可能會使用書籍或輔導項目來學習語言。這可以通過代碼示例中的不一致來體現。當示例冗長,使用語言功能和API時,這可能令人沮喪甚至分散注意力。
* **作者沒有專業地使用該語言**。這可以更加微妙,并且可以通過使用深奧的語言特性和API來體現。當您必須研究或解碼奇怪的代碼時,這可能會令人困惑。
如果慣用代碼對您來說非常重要,那么這些絆腳石可能是一個機會。您可以將代碼從“ _Java-Python_ ”混合(或其他)移植到純Pythonic實現。
通過這樣做,您將獲得對算法的更深入理解以及對代碼的更多所有權。
### 4)代碼未連接到數學
一個好的代碼示例或教程將提供從數學描述到代碼的橋梁。
這很重要,因為它允許您穿越并開始為符號和簡潔的數學描述建立直覺。
問題是,有時這座橋可能完全被打破或丟失。
* **數學錯誤。** 這對初學者來說是陰險的,因為初學者已經在努力建立從數學到代碼的連接。不正確的數學可能誤導或更糟糕的消耗大量的時間而沒有回報。知道這是可能的,這是一個良好的開端。
* **Terse數學描述**。方程式代碼可以圍繞示例代碼散布,讓您了解它是什么以及它與代碼的關系。你有幾個選擇,你可以把它當作一個無數學的例子,并參考一個不同的更完整的參考文本,或者你可以努力將數學與代碼本身聯系起來。對于那些不熟悉算法的數學描述并且似乎將其作為后續思想放棄的作者??來說,這更有可能。
* **缺少數學**。根據設計,一些參考文獻是免費的。在這種情況下,您可能需要找到自己的參考文本并自己構建橋。這可能不適合初學者,但這是一項值得投入時間的技巧。
初學者可能希望堅持使用代碼并忽略數學,以建立信心和動力。之后,它將投資于高質量的參考文本,并開始將代碼與數學相關聯。
您希望善于將代數與標準代碼構造相關聯,并為所涉及的過程建立直覺。這是一種應用技巧。你需要投入工作和實踐。
### 5)不完整的代碼清單
我們在2)中看到,您可以沒有描述和長列表代碼。如果沒有足夠的代碼,可以反轉此問題。代碼清單不完整時就是這種情況。
我是完整代碼清單的忠實信徒。我認為代碼清單應該為您提供“_完整_”和工作實現所需的一切,即使它是最簡單的情況。
你可以建立一個簡單的案例,你不能運行一個不完整的例子。你必須投入工作并將它們捆綁在一起。
可能出現這種絆腳石的一些原因是:
* **詳細說明**。冗長的寫作可能是思維不完整的標志。并非總是,但有時候。如果某些事情沒有得到很好的理解,可能會有一種隱含的嘗試,用一句話來掩蓋它。如果根本沒有代碼,您可以將其作為從描述中設計算法的挑戰,并從其他描述和資源中證實它。
* **代碼段**。可以精心描述概念,然后使用小代碼片段進行演示。這有助于將概念與代碼片段緊密聯系起來,但是需要代表您進行大量工作才能將它們整合到一個工作系統中。
* **沒有樣品輸出**。代碼示例中經常缺少的一個關鍵方面是示例輸出。如果存在,這可以讓您明確地了解運行時會發生什么。沒有樣本輸出,這是一個總猜測。
在某些情況下,必須自己將代碼綁在一起可能會帶來一個有趣的挑戰。同樣,不適合初學者,但是一旦你掌握了一些算法,這可能是一個有趣的練習。
## 從實現算法中獲得最大收益的3個技巧
您可以實現相當數量的算法。一旦你做了一些,你可能會做更多的事情,在你知道它之前,你已經構建了自己的小算法庫,你可以親密理解。
在本節中,我將為您提供3個快速提示,您可以使用它們來充分利用實現機器學習算法的經驗。
1. **添加高級功能**。以您的工作代碼示例為基礎并構建它。如果教程有任何好處,它將列出擴展的想法。如果沒有,你可以自己研究一下。列出算法的一些候選擴展并逐個實現它們。這將迫使您至少理解代碼足以進行修改。
2. **適應另一個問題**。在不同的數據集上運行算法。修復任何問題,如果它中斷。更進一步,使實施適應不同的問題。如果代碼示例是兩級分類,則將其更新為多類分類或回歸。
3. **可視化算法行為**。我發現即使在今天,實時繪制算法表現和行為也是一種非常有價值的學習工具。您可以通過在測試和訓練數據集上繪制迭代級別(所有算法在某種程度上迭代)精度來開始。從那里,您可以選擇特定于算法的可視化,例如自組織映射的2D網格,回歸中時間序列的系數,以及k-Nearest Neighbors算法的voronoi鑲嵌。
我認為這些技巧將使您比教程和代碼示例更進一步。
最后一點尤其會讓您深入了解算法行為,很少有從業者花時間去獲取。
## 你的行動步驟
這是一篇很長的文章,您已經學會了如何從頭開始實現機器學習算法。
重要的是,你已經了解了最常見的絆腳石,一些關于它們如何發生的框架,以及一些可以用來將它們變成機會的策略。
您的下一步是顯而易見的:從頭開始實施算法。
### 不確定從哪里開始?
從這里開始,我有一個[溫和的教程,用于在Python中實現k-Nearest Neighbors](http://machinelearningmastery.com/tutorial-to-implement-k-nearest-neighbors-in-python-from-scratch/) 算法。
### 仍然不確定?
從Scratch獲取[數據科學的副本:Python的第一原理](http://www.amazon.com/dp/149190142X?tag=inspiredalgor-20)。你不會后悔的。
### 分享您的經驗
發表評論并讓我了解您從頭開始實施機器學習算法的經驗。
- 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