大家好,今天小编关注到一个比较有意思的话题,就是关于python涉及机器学习的问题,于是小编就整理了4个相关介绍Python涉及机器学习的解答,让我们一起看看吧。
- 机器学习-如何通过Python快速入门机器学习?
- 想学习python用来做机器学习方面的内容(如建立LDA模型),该如何入门并学习?
- 用python实现一些机器学习算法时是否需要自己写轮子?
- Python机器学习,如何特征学习人脸?
机器学习-如何通过PYTHON快速入门机器学习?
想快速入门的话,你可以这么看机器学习. 把每个机器学习算法看成一个函数,你只关心他的输入输出是什么就行,这样只要有点编程基础的话就都会使用机器学习了!这个级别的就看看python的sklearn包的机器学习算法模型怎么调用就行。应用性的机器学习算法的学习可以多看看Jason Brownlee的blog,有很多例子很容易上手
再进一步的话,就对每个算法函数的参数去多做点了解,比如把某一个参数调大调小会有什么影响等等。当模型出现结果不好时,能大概知道怎么去调动参数做优化。还有就是了解下怎么去评估一个算法的好坏,当数据平衡不平衡时分别用什么metrics比较好。以及怎么处理under-fittinng 和over-fitting问题。
在快速入门也知道怎么使用这些模型时,可以花时间具体去看看每个算法的具体理论,以及他们的优缺点,这样碰到不同问题就会大概知道选用什么方法去解决了!
想学习python用来做机器学习方面的内容(如建立LDA模型),该如何入门并学习?
Python基础
首先,装ANACONDA,是PYTHON的集成环境。
ANACONDA的安装程序 ***s://***.continuum.io/downloads/ ,选择PYTHON3版本的。
推荐 菜鸟教程 PYTHON3版***://***.runoob***/python3/python3-tutorial.html
CSDN也有PYTHON的知识库,不过不够系统,可以有一定基础再看看。链接***://lib.csdn.net/base/python
***://python.jobbole***/82758/
程序很短,知识量很大。把这个搞明白了,你也就入门了。
用python实现一些机器学习算法时是否需要自己写轮子?
谢谢邀请。是否需要自己造轮子取决于自身的需要。
如果是出于学习阶段,理解机器学习的算法并自己去实现是有必要的。这可以加深对知识的理解。但即便如此,也不是要求从头开始造轮子,很多时候只是二次开发。
如果是工程应用,那么就完全没有必要去重复造轮子了。python目前提供的库已经很强大了,也相当成熟,基本上能够满足工程应用的需求,这个时候再花大量精力去重复造轮子是很没必要的。
不用自己写轮子,为了理解实现细节的话,可以自己写写。在项目中,没有必要,很多可用好用的库。只要把这些库提供的算法接口,熟练使用就行。呵呵,说起来,这就是别人眼中的调库军。其实也就是苦力活。别被吓着了啊。
其实在应用工程上有很多需要把这些算法组合,整合起来,达到应用的要求。这也很考验对机器学习算法的掌握能力。说多了。
sklearn、TensorFlow(包括TensorFlow的高层封装Keras)、PyTorch……Python有这么多优秀的库,实现各种机器学习算法很方便,何必要自己造轮子呢?
(图片来源:tertiarycourses***.sg)
你可以看看最近发表的机器学习算法方面的论文,很多论文都开源了配套的代码,这些代码基本都是基于各种框架实现模型,几乎看不到从头自己造轮子实现的。
自己造轮子,不仅写起来麻烦(这还***设你造的轮子语义上没有错误、性能上也不差),别人阅读起来也不方便。
很多人过分推崇从头写起(write X from scratch),恨不得什么都自己写,不屑于使用TensorFlow等框架。但是,TensorFlow不用,那numpy用不用呢?所以说,这种想法其实不可取。
当然,这也不是绝对的,以下情形属于例外:
- 基于学习的目的,加深对基本概念/模块的理解。比如用框架写的话,像反向传播之类的轮子都是现成的。脱离框架自己手写,可以更好地理解这些基本概念/模块。
- 基于性能需求进行优化,比如,使用了特殊的硬件,或者应用场景非常特殊,现有的轮子不能用或者不好用。
- 应付面试。其实这个可以归入第一条。因为之所以有些面试会设置脱离框架手写算法的题目,就是为了看你对基本概念/模块的理解程度。
目前机器学习主要有两种形态,其一是搞算法,主力是世界上知名大学(学院派)如MIT,大[_a***_]的发paper的核心团队,如google。他们基本都是名校毕业的博士或在职的教授,为大家造轮子;其二是工程应用,自动驾驶,医疗图像,城市公共交通,语音识别等等,主要是要快速把算法变现为可执行工程项目,绝大部分都是拿轮子直接用。
那么是不是我们做工程的就一定不用做轮子了?那到不是,根据项目需求,改造轮子或重新造轮子都是可能的。
不需要。
原因之一:Python有它非常强大并且开源的免费库,这是Python语言为什么要优于其他语言的原因。
原因之二:我们只需要找到相对应的库进行加以修改即可。
原因之三:现在机器学习的算法大多都已成熟,我们没有必要重新研究别人已经研究出来的算法,浪费时间,得不偿失。
然而,如果设计的新算法时,我推荐在已有的算法基础升级会更好,因为从无到有毕竟是很困难的。
Python机器学习,如何特征学习人脸?
对于人脸识别经过这么多年的发展,目前已经相对成熟,当然不排除双胞胎之类的识别错误,目前智能手机上其实都有人脸检测的存在,比如拍照时的定焦就可以直接根据检测出来的人脸做参照物,也有笑脸拍照这样的功能,现在苹果,华为,阿里等公司在手机解锁、支付等方面都有具体应用。
对于提取人脸特征这块主要经历两个大的算法时代,一个就是12年以前经典的Adaboost算法基本达到了工业级的人脸检测,所使用的特征就是harr特征,通过大量不同组合的简单的黑白块的对比构建人脸五官上的特征。第二个就是深度学习算法,各种检测加识别都是通过构建CNN网络从大量人脸数据中提取各种特征。
到此,以上就是小编对于python涉及机器学习的问题就介绍到这了,希望介绍关于python涉及机器学习的4点解答对大家有用。