用Scikit-Learn和TensorFlow实践机器学习
Introduction
第一部分:机器学习基础
第一章:机器学习景致
1.1 什么是机器学习?
1.2 为什么使用机器学习
1.3 机器学习系统的类型
1.3.1 监督/无监督学习
1.3.2 批量和在线学习
1.3.3 基于实例和基于模型的学习
1.4 机器学习的主要挑战
1.4.1 训练数据的数量不足
1.4.2 没有代表性的训练数据
1.4.3 低质量数据
1.4.4 不相关的特征
1.4.5 过度拟合训练数据
1.4.6 欠拟合训练数据
1.4.7 回顾
1.5 测试和验证
1.6 练习
第二章:端到端机器学习项目
2.1 使用真实的数据
2.2 纵观全局
2.2.1 构建问题
2.2.2 选择一个性能度量
2.2.3 检查假设
2.3 获取数据
2.3.1 创建工作区
2.3.2 下载数据
2.3.3 快速浏览一下数据结构
2.3.4 创建一个测试集
2.4 发现并可视化数据以获得认识
2.4.1 可视化地区数据
2.4.2 寻找相关性
2.4.3 尝试属性组合
2.5 为机器学习算法准备数据
2.5.1 数据清洗
2.5.2 处理文本和分类属性
2.5.3 自定义转换
2.5.4 特征缩放
2.5.5 转换管道
2.6 选择并训练一个模型
2.6.1 在训练集上训练和评估
2.6.2 使用交叉验证更好的评估
2.7 调整你的模型
2.7.1 网格搜索
2.7.2 随机搜索
2.7.3 集成方法
2.7.4 分析最好的模型及其错误
2.7.5 在测试集中评估您的系统
2.8 启动、监视和维护系统
2.9 试试看
第三章 分类[Classification]
3.1 MNIST
3.2 训练一个二元分类器
3.3 性能检测
3.3.1 使用交叉验证测量精度
3.3.2 混淆矩阵
3.3.3 准确率和召回率
3.3.4 精度/召回权衡
3.3.5 ROC 曲线
3.4 多类别分类
3.5 误差分析
3.7 多标签分类
3.8 多输出[Multioutput]分类
第四章 训练模型
4.1 线性回归
4.1.1 正规方程
4.1.2 计算复杂度
4.2 梯度下降
4.2.1 批梯度下降
4.2.2 随机梯度下降
4.4 计算复杂性
4.3 批梯度下降
Powered by
GitBook
2.6 选择并训练一个模型
终于!你将问题构建完了,得到了数据,并对其进行了探索,你抽取了一个训练集和一个测试集,然后编写了转换管道来自动清理和准备机器学习算法的数据。现在您可以选择并训练机器学习模型了。
results matching "
"
No results matching "
"