收录了 机器学习python 频道下的 50 篇内容
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。
**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。
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。
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
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。
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。
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。
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?
**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。
谷歌研究总监Peter Norvig向数据科学新手建议,在入行前要充分建立基础技能,这样才能更有机会获得成功。
Python 用于脚本,Go 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。
自动机器学习(AutoML)是将机器学习应用于现实问题的端到端流程自动化的过程。AutoML使真正意义上的机器学习成为可能,即使对于没有该领域专业知识的人也是如此。本文介绍了一些流行的AutoML框架,这些框架的趋势是自动化部分或整个机器学习的管道。
Python 适用于机器学习,而 Go 适用于基础设施。
日,数据科学网站KDnuggets评选出了顶级Python库Top15,领域横跨数据科学、数据可视化、深度学习和机器学习。
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。
**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。
本文,我们将通过 Python 语言包,来构建一些机器学习模型。
建模可不可以被自动化?自动建模与机器学习的未来会如何发展?
**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。