在這里查看網(wǎng)頁(yè)
機(jī)器學(xué)習(xí)工程師
一個(gè)完整的 ML 學(xué)習(xí)路徑，專注于 TensorFlow 和 Scikit-Learn
我 強(qiáng)烈建議 你購(gòu)買(mǎi) 這本 驚人的書(shū)：O'Reilly 出版的《Scikit-Learn 與 TensorFlow 機(jī)器學(xué)習(xí)實(shí)用指南》，它激發(fā)了我的靈感，并推動(dòng)了下面列出的內(nèi)容的大部分組織和層次結(jié)構(gòu)。
除此之外，這里列出 所有內(nèi)容 都是開(kāi)源，免費(fèi)的，來(lái)自世界知名大學(xué)和開(kāi)源協(xié)會(huì)。
當(dāng)我們學(xué)習(xí)新東西時(shí)，有必要避免混淆，特別是當(dāng)主題與機(jī)器學(xué)習(xí)一樣廣泛和復(fù)雜時(shí)。在可能的情況下，我嘗試創(chuàng)建路徑的后續(xù)步驟，而不是來(lái)自同一作者或相關(guān)的內(nèi)容。除此以外，我收集了理論和示例，以及指向最佳資源的鏈接。示例和資源被列為 “_____的最佳實(shí)踐”。
我用 4 個(gè)章節(jié)重組了學(xué)習(xí)路徑
先決條件
- Python
- Jupyter Notebook
- 你需要的數(shù)學(xué)
- 機(jī)器學(xué)習(xí)環(huán)境
使用 Scikit-Learn 進(jìn)行機(jī)器學(xué)習(xí)
- 為什么是 Scikit-Learn？
- 端到端機(jī)器學(xué)習(xí)項(xiàng)目
- 線性回歸
- 分類(lèi)
- 訓(xùn)練模型
- 支持向量機(jī)
- 決策樹(shù)
- 集成學(xué)習(xí)和隨機(jī)森林
- 無(wú)監(jiān)督學(xué)習(xí)
- 結(jié)束并期待
使用 TensorFlow 的神經(jīng)網(wǎng)絡(luò)
- 為什么選擇 TensorFlow？
- 啟動(dòng)和運(yùn)行 TensorFlow
- ANN - 人工神經(jīng)網(wǎng)絡(luò)
- CNN - 卷積神經(jīng)網(wǎng)絡(luò)
- RNN - 遞歸神經(jīng)網(wǎng)絡(luò)
- 訓(xùn)練網(wǎng)絡(luò)：最佳實(shí)踐
- 自動(dòng)編碼器
- 強(qiáng)化學(xué)習(xí)
- 下一步
實(shí)用工具
- 機(jī)器學(xué)習(xí)項(xiàng)目
- 數(shù)據(jù)科學(xué)工具
- 值得一看的 博客 / YouTube 頻道 / 網(wǎng)站！
讓我們開(kāi)始吧！
先決條件
Python
根據(jù)孫子(Sun Tzu)的說(shuō)法：
如果你不了解 Python，請(qǐng)立即學(xué)習(xí)它！
Python 是最常用和最受歡迎的編程語(yǔ)言之一，有必要在機(jī)器學(xué)習(xí)領(lǐng)域完成工作。與更大的數(shù)據(jù)科學(xué)領(lǐng)域的大多數(shù)框架一樣，TensorFlow 與 Python 結(jié)合，而 Scikit-Learn 就是用 Python 編寫(xiě)的。
首先，讓我們 在你的機(jī)器上安裝 Python 3！
我們準(zhǔn)備開(kāi)始我們的旅程了！
如果你不了解 Python 的基礎(chǔ)知識(shí)，請(qǐng)從 這里 開(kāi)始。
另外，如果你知道語(yǔ)法并希望有更扎實(shí) Python 基礎(chǔ) (推薦) ，請(qǐng)參考 這里 中的中級(jí) Python 課程。
如果你正在尋找大量的練習(xí)來(lái)自己動(dòng)手并獲得 Python 經(jīng)驗(yàn)，請(qǐng)查看 這里 和 這里 。
一旦熟悉了 Python，請(qǐng)查看 Numpy ，這是一個(gè)重要的數(shù)學(xué)運(yùn)算模塊，允許你可以在 Python 中導(dǎo)入 張量(Tensor) 數(shù)據(jù)類(lèi)型，這是 ML 中使用最多的數(shù)據(jù)類(lèi)型(特別是在處理神經(jīng)網(wǎng)絡(luò)時(shí)) 。
張量 不是矩陣！
這是一個(gè)很棒的 Numpy 教程 。
我還建議你安裝 PyCharm 社區(qū)版 ，一個(gè)完整的 Python 開(kāi)發(fā) IDE，以及 設(shè)置一個(gè)新的 Python 虛擬環(huán)境 用于你的實(shí)驗(yàn)。
Jupyter Notebook
直接轉(zhuǎn)自 這里 ：“Jupyter Notebook 是一個(gè)開(kāi)源 Web 應(yīng)用程序，允許你創(chuàng)建和共享包含實(shí)時(shí)代碼，方程，可視化和敘述文本的文檔。用途包括：數(shù)據(jù)清理和轉(zhuǎn)換，數(shù)值模擬，統(tǒng)計(jì)建模，數(shù)據(jù)可視化，機(jī)器學(xué)習(xí)等等?！?br> 使用數(shù)據(jù)意味著 -> 大量實(shí)驗(yàn)。要記錄實(shí)驗(yàn)，并以有價(jià)值的方式組織它們以獲得見(jiàn)解，你肯定需要在學(xué)習(xí)途中使用 Jupyter Notebook。 為什么 ？
你需要的數(shù)學(xué)
無(wú)論誰(shuí)告訴你機(jī)器學(xué)習(xí)背后的數(shù)學(xué)很難...... 都沒(méi)有錯(cuò)！但是你必須考慮到每次你要使用它時(shí)，機(jī)器都會(huì)為你處理它！因此，重要的是掌握主要概念并認(rèn)識(shí)到這些概念的限制和應(yīng)用。沒(méi)有人會(huì)要求你手工計(jì)算梯度！所以，如果你不熟悉這些概念，請(qǐng)檢查它們，因?yàn)樗鼈兪且磺斜澈蟮脑颉?br> 有了這三種資源，你將充分了解你真正需要深入了解的內(nèi)容。
關(guān)于線性代數(shù)的頂級(jí)課程在 這里 。
與基本概率和統(tǒng)計(jì)概念相結(jié)合在 這里 。
你需要的大部分剩余數(shù)學(xué)在 這里 。
機(jī)器學(xué)習(xí)總覽
直接摘自前面引用的書(shū)，這是 你需要機(jī)器學(xué)習(xí)的最簡(jiǎn)潔和最有啟發(fā)性的概述。 讓我們停止使用流行語(yǔ)！
檢查 這里 。
這也是 必須的 。
使用 Scikit-Learn 進(jìn)行機(jī)器學(xué)習(xí)
安裝 Scikit-Learn
python pip install -U scikit-learn
如果遇到一些問(wèn)題，可能是因?yàn)槟銢](méi)有最新版本的 pip。所以在同一個(gè)文件夾中運(yùn)行：
python -m pip install --upgrade pip
為什么選擇 Scikit-Learn
Scikit-Learn 是機(jī)器學(xué)習(xí)任務(wù)中最完整，最成熟，良好文檔的庫(kù)之一。它開(kāi)箱即用，具有強(qiáng)大而先進(jìn)的模型，可為數(shù)據(jù)科學(xué)過(guò)程提供設(shè)施功能。
我們將沿著這條路學(xué)習(xí)和使用其他模塊。要快速使用，請(qǐng)查看他們的官方文檔。
端到端機(jī)器學(xué)習(xí)項(xiàng)目
作為第一次嘗試，我建議你瀏覽 這個(gè) Kaggle notebook，它有一個(gè) ML 任務(wù)的經(jīng)典例子。目標(biāo)是試圖預(yù)測(cè)泰坦尼克號(hào)乘客是否最有可能存活?，F(xiàn)在很多事情都不清楚，但不要擔(dān)心，以后會(huì)全面解釋。很高興獲得 “應(yīng)用” 項(xiàng)目的圖片，通過(guò)應(yīng)用機(jī)器學(xué)習(xí)的經(jīng)典步驟(問(wèn)題框架，數(shù)據(jù)探索，問(wèn)題公式......) 。
這個(gè) notebook 在 Kaggle 上，它是 ML 和一般數(shù)據(jù)科學(xué)項(xiàng)目的首選平臺(tái)，它提供了大量免費(fèi)數(shù)據(jù)集，并提供了有趣的挑戰(zhàn)和 ML 模型實(shí)驗(yàn)。
請(qǐng)記?。洪喿x notebook 并嘗試了解該過(guò)程的大局。稍后將更清楚一些細(xì)節(jié)，功能和代碼。
線性回歸
這是最簡(jiǎn)單的機(jī)器學(xué)習(xí)形式，也是每個(gè)有興趣預(yù)測(cè)數(shù)據(jù)集結(jié)果的人的起點(diǎn)。
檢查 這里 來(lái)自 Andrew NG 的理論課，然后通過(guò)這些例子，從最簡(jiǎn)單到最復(fù)雜。
這個(gè) 是線性回歸背后的數(shù)學(xué)。
著手 這個(gè) 是一個(gè)非常好的挑戰(zhàn)，在進(jìn)入下一部分之前解決它。
分類(lèi)
當(dāng)想要預(yù)測(cè)不同可能性的結(jié)果時(shí)，分類(lèi)是最重要的 ML 任務(wù)之一。例如，給定手寫(xiě)數(shù)字，用盡可能最低的錯(cuò)誤對(duì)它們進(jìn)行分類(lèi)。
最簡(jiǎn)單的情況是二元分類(lèi)(是或否，獲救或未獲救) ，看看 這里 。
查看 這里 以獲得分類(lèi)邏輯回歸理論的簡(jiǎn)要說(shuō)明，并查看 [這里](https:// www.youtube.com/watch?v=VCJdg7YBbAQ) 深入理解(使用泰坦尼克號(hào)數(shù)據(jù)集) 。
你可以使用許多不同的 ML 模型對(duì)事物進(jìn)行分類(lèi)，甚至是神經(jīng)網(wǎng)絡(luò)！現(xiàn)在，只需看看 這里 ，你可以在其中看到不同模型之間的準(zhǔn)確性和召回比較示例。
這里 你有一篇關(guān)于用于 評(píng)估指標(biāo)的文章 你的分類(lèi)器。
訓(xùn)練模型
在這里，我將 ML 任務(wù)中使用的一些技術(shù)分組以訓(xùn)練模型。
在這個(gè) Google 速成課程中，你會(huì)發(fā)現(xiàn)：
支持向量機(jī)
這是創(chuàng)建 ML 模型的另一種經(jīng)典算法。
這里 你有理論的解釋，這里 一個(gè)更實(shí)用的方法。兩個(gè)都要檢查。
這里 是 Scikit-Learn 中非常好的解釋 + 練習(xí)的應(yīng)用程序。
決策樹(shù)
決策樹(shù)是預(yù)測(cè)結(jié)果背后最簡(jiǎn)單但最有效的思想之一，它們以多種方式使用(例如隨機(jī)森林)。選中 此處 并瀏覽播放列表以獲得決策樹(shù)(ID3)的理論概述。
這里 你有 ID3 的實(shí)際應(yīng)用。
這里有 Scikit-Learn 的一些端到端示例：
集成學(xué)習(xí)(Ensemble Learning)和隨機(jī)森林
集成學(xué)習(xí)的想法是利用幾個(gè) ML 模型的所有不同特征，優(yōu)點(diǎn)和缺點(diǎn)來(lái)獲得一組 “選民”，對(duì)于每個(gè)預(yù)測(cè)，給出最可能的結(jié)果，由不同的分類(lèi)器投票(SVM，ID3，也許是 Logistic 回歸) 。
這里 你得到了整體學(xué)習(xí)模型的基礎(chǔ)知識(shí)，這里 你會(huì)找到最經(jīng)典的隨機(jī)森林。雖然這個(gè)想法很簡(jiǎn)單，但這個(gè)集合模型在處理甚至一些 “硬” 分類(lèi)問(wèn)題或者大量數(shù)據(jù)方面都非常有效。
這里 你可以全面了解集成學(xué)習(xí)的最佳實(shí)踐，[這里](https://towardsdatascience.com/random- forest-in-python-24d0893d51c0) 你找到了一個(gè)隨機(jī)森林與 Scikit-Learn 的例子。這兩個(gè)鏈接都附帶了一些有用的技術(shù)，可以在實(shí)踐中使用。
無(wú)監(jiān)督學(xué)習(xí)
首先看(按順序) ：
- 這里 你有一個(gè)簡(jiǎn)短的介紹性視頻。
- 這里 文章非常好地解釋了無(wú)監(jiān)督學(xué)習(xí)。
- 這里 是關(guān)于監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)之間差異的有趣讀物。
這里最重要的兩個(gè)技術(shù)是 關(guān)聯(lián)規(guī)則探索 和 聚類(lèi) 。我提供了兩者的示例和教程。
關(guān)聯(lián)規(guī)則教程和示例：1, 2, 3, 4, 5 。
其次看：
斯坦福幻燈片 。
麻省理工學(xué)院幻燈片 。
結(jié)束并期待
現(xiàn)在，如果你按照所有步驟并瀏覽了我發(fā)布的所有資源，你可能會(huì)對(duì)機(jī)器學(xué)習(xí)更有信心并且對(duì)事物有一個(gè)大概的了解。當(dāng)然，你需要探索和了解更多信息，因?yàn)檫@個(gè)領(lǐng)域每天都在改變和增強(qiáng)技術(shù)和方法！我們看到的所有算法都廣泛應(yīng)用于數(shù)據(jù)科學(xué)和分析領(lǐng)域，但是有一些復(fù)雜的任務(wù)會(huì)導(dǎo)致它們失敗或者性能很差?，F(xiàn)在我們已經(jīng)準(zhǔn)備好深入兔子洞，并嘗試了解神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)如何幫助解決數(shù)百萬(wàn)變量的問(wèn)題。
為什么使用深度學(xué)習(xí)而非經(jīng)典 ML 算法？
TensorFlow 神經(jīng)網(wǎng)絡(luò)
在本節(jié)中，我們將按照斯坦福大學(xué)深度學(xué)習(xí)課程和我通過(guò)互聯(lián)網(wǎng)搜索的一些教程，遵循一條將我們從神經(jīng)網(wǎng)絡(luò)的零知識(shí)帶到完全理解它們的軌道。其中一些來(lái)自谷歌，其他來(lái)自斯坦福大學(xué)或劍橋大學(xué)，你將學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò) (ANN，CNN，RNN) 進(jìn)行幾種 ML 任務(wù)。
這些是使用 TensorFlow 進(jìn)行 ML 任務(wù)的 某些用例 。
乍一看，理解神經(jīng)網(wǎng)絡(luò)的理論和應(yīng)用并不容易。 你需要反復(fù)閱讀教程才能完全理解該主題。 我花了相當(dāng)多的時(shí)間試圖理解它們。 閱讀文章，官方論壇，學(xué)習(xí)路徑（如此）和相關(guān)的 subreddits 是深入學(xué)習(xí)概念，公式，權(quán)衡的最有效方式......
我提出了這種方法，但你可以根據(jù)自己的喜好調(diào)整它，因?yàn)槊總€(gè)想法都是不同的。
在獲取 TensorFlow 部分后，應(yīng)用此部分
3 步迭代循環(huán)：
- 1 通過(guò)這個(gè) 斯坦福課程 的整個(gè)傳遞來(lái)了解主要概念，不要擔(dān)心太多關(guān)于數(shù)學(xué)解釋，關(guān)注 什么 和 為什么 。
- 2 一次深入探索 一個(gè)主題 ，理論 + 教程 + 例子(例如 RNN 理論 + RNN 教程 + RNN 示例)
使用指南主題部分的鏈接和資源。
- 3 在為每個(gè)主題迭代第 2 步之后，再次瀏覽整個(gè)斯坦福大學(xué)課程。這次你可以完全理解所有公式，連接它們并捕捉課程的 “數(shù)學(xué)流程”。
這個(gè)迭代過(guò)程(1-2-2-2-2 .....- 3) 可以根據(jù)需要重復(fù)多次，并且可能會(huì)在你的腦海中構(gòu)建一個(gè)很好的 一般模式 。在每個(gè)完整的迭代中，你可以刪除一個(gè)或多個(gè)主題，并專注于那些對(duì)你更有趣或不太清楚的主題。
在每個(gè)部分中，我首次將內(nèi)容放在那里(在第一次完整的迭代期間) ，以及下次到達(dá)那里時(shí)的一些內(nèi)容(在第 3 步之后) 。
該結(jié)構(gòu)遵循令人敬畏的斯坦福大學(xué)課程提出的軌道。你可以找到幻燈片 這里 。
這里 是麻省理工學(xué)院的另類(lèi)課程，或多或少相同的內(nèi)容。值得觀察它來(lái)比較并對(duì)你正在學(xué)習(xí)的東西有不同的觀點(diǎn)，除了聆聽(tīng)世界上最好的教授探索每個(gè)主題。
這是我在每個(gè)部分中提到的 書(shū) 。
為什么選擇 TensorFlow？
由 Google Brain 團(tuán)隊(duì)創(chuàng)建，TensorFlow 是一個(gè)用于數(shù)值計(jì)算和大型數(shù)據(jù)計(jì)算的機(jī)器學(xué)習(xí)開(kāi)源庫(kù)。 TensorFlow 將大量機(jī)器學(xué)習(xí)和深度學(xué)習(xí)(又稱神經(jīng)網(wǎng)絡(luò)) 模型和算法捆綁在一起，并通過(guò)一個(gè)常見(jiàn)的比喻使它們變得有用。它使用 Python 提供方便的前端 API，用于使用框架構(gòu)建應(yīng)用程序，同時(shí)在高性能 C++ 中執(zhí)行這些應(yīng)用程序。
TensorFlow 是需要實(shí)施機(jī)器學(xué)習(xí)算法的主要行業(yè)規(guī)模公司的事實(shí)標(biāo)準(zhǔn)。它專為擴(kuò)展而設(shè)計(jì)，具有非?？岬墓δ?，可以在多個(gè) GPU 或設(shè)備上并行化訓(xùn)練。
啟動(dòng)并運(yùn)行 TensorFlow
假設(shè)你 Python 存儲(chǔ)在變量 PATH 中 ，要安裝 TensorFlow 庫(kù)，你只需在內(nèi)部打開(kāi)一個(gè)終端 Python 安裝文件夾并運(yùn)行此命令。
python pip install tensorflow
我推薦你的第一個(gè)讀物是 這個(gè) 。
第二件事是直接從 很棒的 Google Education。頁(yè)面跟隨到這個(gè) TensorFlow 簡(jiǎn)介 。
同樣，一些理論概念可能不清楚，但重點(diǎn)關(guān)注如何構(gòu)思 TensorFlow 庫(kù)和流程。
這里 是后者的一個(gè)很好的簡(jiǎn)歷。
來(lái)自谷歌的另一個(gè)初學(xué)者教程 。
這里 是關(guān)于 TensorFlow 2.0 更新的。
這些 1 和 2 解釋 TensorFlow 要掌握的 “難” 事。強(qiáng)烈推薦。
現(xiàn)在你很可能熟悉 TensorFlow 作為工具，現(xiàn)在是時(shí)候理解 如何使用 它來(lái)構(gòu)建大規(guī)模神經(jīng)網(wǎng)絡(luò)。
ANN - 人工神經(jīng)網(wǎng)絡(luò)
首先看(按順序) ：
- 此視頻 。
- 這是你的圣經(jīng) ，要完全理解。
- 這是一個(gè)寶藏 并閱讀來(lái)自作者的 這個(gè) 。
- 這個(gè) 是一個(gè)非?？焖俚娜?，從頭開(kāi)始實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)庫(kù)，對(duì)于理解 NN 的核心非常有用是用 Python 實(shí)現(xiàn)的。你可以想象每個(gè)現(xiàn)有框架只是這個(gè)概念庫(kù)的巨大擴(kuò)展。
- 這個(gè) 是使用微積分的逐步反向傳播示例。
其次看：
提示與最佳實(shí)踐：
1, 2, 3, 4, 5, 6, 7, 8。
CNN - 卷積神經(jīng)網(wǎng)絡(luò)
首先看(按順序) ：
- 這里 是一個(gè)很棒的深刻解釋。
- 這里 另一個(gè)超級(jí)好的。
- 此處 是來(lái)自 Google 的嚴(yán)肅的 CNN 教程。
- 這里 你有一個(gè)驚人的互動(dòng)演示。
其次看：
提示與最佳實(shí)踐：
1, 2, 3, 4, 5, 6, 7, 8。
RNN - 遞歸神經(jīng)網(wǎng)絡(luò)
首先看(按順序) ：
- 這里 ，一個(gè)溫和但詳細(xì)的解釋。
- 這里 是另一個(gè)有趣的解釋。
- 這里 是一個(gè)更實(shí)用的視頻。
- 這里 ，在 TensorFlow 中實(shí)施 RNN 的指南。
- 這里 ，一篇長(zhǎng)達(dá) 7 頁(yè)的關(guān)于 TensorFlow 實(shí)施的博文。
其次看：
提示與最佳實(shí)踐：
1, 2, 3, 4, 5, 6, 7 。
訓(xùn)練網(wǎng)絡(luò)：最佳實(shí)踐
首先看(按順序) ：
我強(qiáng)烈建議 ** 你參考斯坦福大學(xué)的 本頁(yè) 并瀏覽所有模塊 1 和 2。
我還在這里列出了在討論如何在現(xiàn)實(shí)生活應(yīng)用中訓(xùn)練 NN 時(shí)要探索的各種主題的列表。
- 過(guò)擬合與欠擬合：1, 2, 3, 4, 5。
- 梯度消失/爆炸：1, 2, 3, 4, 5。
- 遷移學(xué)習(xí)：1, 2, 3, 4, 5。
- 更快的優(yōu)化器：1, 2, 3, 4。
- 通過(guò)正則化避免過(guò)擬合：1, 2, 3, 4。
其次看：
自動(dòng)編碼器
首先看(按順序) ：
其次看：
AutoEncoders Chapter 。
強(qiáng)化學(xué)習(xí)
首先看(按順序) ：
- 這里 你有一個(gè)解釋視頻。
- 這里 文章很好地解釋了 RL。
- 這里 是一本有趣的讀物。
- 這篇文章 將一個(gè)直觀的例子與一些正式的定義結(jié)合起來(lái)。
- 一些例子：1, 2, 3, 4。
其次看：
指南.
論文 with state-of-the-art RL architecture.
關(guān)于 RL 的完整免費(fèi)書(shū)籍。
實(shí)用工具
嘿，你。
在過(guò)去的幾年里，我收集了大量的文章，網(wǎng)絡(luò)應(yīng)用程序，reddit 線程，最佳實(shí)踐，項(xiàng)目和 repo ，我想與你分享每一點(diǎn)信息，按資源類(lèi)型(博客或項(xiàng)目創(chuàng)意，以及等等) 。
機(jī)器學(xué)習(xí)項(xiàng)目
- 數(shù)據(jù)科學(xué)備忘單 極其龐大的收藏
- 真實(shí)數(shù)據(jù)科學(xué)/ML 項(xiàng)目的 無(wú)限集合
- TensorFlow 中的教程和 ML 項(xiàng)目的 無(wú)限集合
- 其他 TensorFlow 示例
工具
Youtube 頻道
博客
- 如何構(gòu)建數(shù)據(jù)科學(xué)組合
- Distill 博客
- Keras
- Paolo Galeone 博客
- TensorFlow 官方博客
- KD Nuggets
- 令人難以置信的圖解說(shuō)明
- 走向數(shù)據(jù)科學(xué)
- 機(jī)器學(xué)習(xí)掌握
- Mathspp 博客
值得一看的網(wǎng)站！
- 我讀過(guò)的最好的機(jī)器學(xué)習(xí) 短 書(shū)
- 數(shù)據(jù)相關(guān)免費(fèi)課程的怪物集
- 機(jī)器學(xué)習(xí)地圖
- 商業(yè)智能的數(shù)據(jù)建模
- 統(tǒng)計(jì)解釋
- 可視化數(shù)據(jù) - 教程
- Fast.ai
- Open.ai
- Explained.ai
- 機(jī)器學(xué)習(xí)名詞解釋
- Python ML 教程
- 對(duì)于意大利學(xué)習(xí)者！
- 沉浸式數(shù)學(xué)
- DeepLizard
- 共同統(tǒng)計(jì)謬誤
- Scikit-Learn 實(shí)用食譜
想要關(guān)注的 Subreddits！
后續(xù)步驟路線圖
由于本指南取得了巨大成功，我決定對(duì)其進(jìn)行大量擴(kuò)展，并針對(duì)不同主題進(jìn)行更多類(lèi)似的討論。
我將在接下來(lái)的幾周內(nèi)添加的一些擴(kuò)展程序包括：
- 無(wú)監(jiān)督學(xué)習(xí)：完成
- 機(jī)器學(xué)習(xí)心態(tài)框架(如何像數(shù)據(jù)科學(xué)家一樣思考)
- 使用 Pandas 進(jìn)行數(shù)據(jù)處理和準(zhǔn)備
- 功能選擇
- 特征工程
- 擴(kuò)展參數(shù)優(yōu)化部分
- Keras 庫(kù)
- TensorFlow 2.0
- 如何在 AWS 上部署我的模型
- 如何在 Azure 上部署我的模型
稍后，我將使用 AWS 和 Azure 完成云計(jì)算的整個(gè)指南！
