收录了 如何学习python 频道下的 50 篇内容
程序员应该学习 Python 的十大理由。
**编者按**:本文节选自方巍著《Python数据挖掘与机器学习实战》一书中的部分章节。
机器学习保罗万象,在学习这门技术时,最好可以有一些速查手册之类的东西在手边,它们列出了需要了解的关键点。Robbie Allen整理了20多个与机器学习相关的速查资料,并分享出来,或许也可以帮助其他学习这门技术的人。
本文翻译自 Madison May 发布的 Python Deep Learning Frameworks Reviewed,经原作者授权由InfoQ中文站翻译并分享。本文对于常用的基于 Python 的深度学习框架 Theano、 Lasagne、 Blocks、 TensorFlow、Keras、MXNet、PyTorch 进行了介绍与优劣比较,有助于深度学习入门者对于这些框架形成初步的认识。
**编者按**:本文节选自方巍著《Python数据挖掘与机器学习实战》一书中的部分章节。
随着数据科学的崛起,究竟哪种语言更适合该领域中机器学习方法的实现一直是一个颇具争论性的话题。近日,Sebastian Raschka再次发起了机器学习编程语言之争,分析了自己选择Python的原因。
今年的PyCon四月9-17日在加拿大蒙特利尔召开,和其他语言的会议最不同的地方,是Python在学术界的广泛应用,这当然仰仗Python快速的原型实现能力。近来其官方网站发布了大会tutorial部分的视频和幻灯片,其中有很多(接近一半数量)跟数据挖掘和机器学习相关的内容,本文对此逐一介绍。
R和Python都是数据科学家最常用的工具,它们有相似的特性和功能。这两种语言都是开源的,而且从此以后都是免费的,但是Python被构造成一种广泛使用的编程语言,而R则是为统计分析而创建的。
使用Rust作为训练后端和部署平台的主意并不像听起来那样疯狂
本文,我们将通过 Python 语言包,来构建一些机器学习模型。
在 GitHub 2018 年的 Octoverse 报告中,机器学习和数据科学是 GitHub 上的热门话题。其中,tensorflow / tensorflow 是项目贡献最多的项目之一,pytorch / pytorch 是增长最快的项目之一,而 Python 是 GitHub 上第三大最受欢迎的语言。于是,GitHub 决定更加深入地研究一下,机器学习和数据科学在该平台究竟是怎样的情况。
本系列将探讨各种关于机器学习的主题和技术,机器学习可以说是最近几年最有讨论价值的技术和计算机科学领域。我们会从本文开始,结合一个Python扩展的“案例研究”:我们可以如何构建用于检测信用卡诈骗的机器学习模型?
Python 用于脚本,Go 用于基础设施
**编者按**:本文节选自方巍著《Python数据挖掘与机器学习实战》一书中的部分章节。
Python 适用于机器学习,而 Go 适用于基础设施。
这些算法之所以与众不同,是因为它们包含了一些在其它算法中并不普遍的优点。
Metaflow可以帮助数据科学家更快地将机器学习模型部署到实际生产环境。
在这篇文章中,我们用一个直观的案例研究概述了无监督深度学习的概念。并且详解了在MNIST数据集上进行无监督学习的代码,包括K-Means、自编码器以及DEC算法。
**编者按**:本文节选自方巍著《Python数据挖掘与机器学习实战》一书中的部分章节。
**编者按**:本文节选自方巍著《Python数据挖掘与机器学习实战》一书中的部分章节。