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 机器学习 示例的问题,于是小编就整理了3个相关介绍Python 机器学习 示例的解答,让我们一起看看吧。
python做机器学习的话有哪些推荐的书跟课程?
机器学习:
1.理论研究和推导可以看周志华老师的《机器学习》,也称为西瓜书,里面讲了各种算法的推导,比如线性回归,k值最近邻,支撑向量机等可解释模型,缺少神经网络的具体讲解。(还有一点就是其中不涉及到代码)
2.被奉为神作的是一本名为《Hands-On Machine Learning with Scikit-Learn,Keras&TensorFlow》,这本书把机器学习的讲解和代码结合在一块,从线性回归到支撑向量机再到深度学习都有设计(但以机器学习为主)
3.《机器学习实战》,真本书是一本比较经典的书,书比较老了,但是讲的挺好,这本书主要偏重代码,没有涉及到深度学习
深度学习:
1.理论研究的话可以参考花书《深度学习》,这本书纯粹讲理论推导,不涉及代码,是一本比较经典的书
2.《TensorFlow深度学习》,这本书Github上有免费的电子版,把深度学习的TF2.0相结合,俗称龙书,应该是TF书里面比较好的了
3.《动手学深度学习》pytorch版,这本书是把深度学习和Pytorch相结合,是Pytorch里面比较好的书籍了
课程的话:入门机器学习可以看吴恩达的课,主要是我一般喜欢看书自己学[捂脸][捂脸][捂脸]
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!
机器学习有哪些学习路线?
首先,你要了解算法的过程,可以专门买一本数据挖掘方面的书来看,其次,你说你懂Python,那么你要学习Python机器学习包,比如,numpy,pandas,skearn,matplotlib等库,要熟悉各种算法接口,尤其是算法类的参数,最后是提升,你要懂算法原理,只懂算法过程只能算是入门,但是要提高自己,必须要冻原理,算法原理涉及的数学知识比较多,统计学,概率学,微积分,代数等等,真正搞懂各个算法原理并不是容易的事,但是你说你有数学基础,那么学这些其实并不算很难。
当然,人工智能的发展,需要你对深度学习也要会,还要会spark分布式计算,这些可以慢慢来,工作中提升。
没有什么捷径,只有不断学习学习😊
我想你应该是还没有毕业的学生吧。刚毕业的应届生,企业要求不高,你在电脑上安装python,下载好机器学习库,然后安装一个深度学习框架,这样好入手,我用的是tensorflow,你也可以弄弄,然后建议你看看李航的《统计学习方法》和周志华的《机器学习》,在把深度学习里面经典网络跑一跑,弄清楚里面数据运算过程,这样秋招不用愁
到此,以上就是小编对于python 机器学习 示例的问题就介绍到这了,希望介绍关于python 机器学习 示例的3点解答对大家有用。