SheriffRabbit / 100-Days-Of-ML-Code

100-Days-Of-ML-Code中文版

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

机器学习100天

英文原版请移步Avik-Jain。数据在这里

翻译前请先阅读规范。常见问题解答见FAQ

目录

数据预处理 | 第1天

数据预处理实现

简单线性回归 | 第2天

简单线性回归实现

多元线性回归 | 第3天

多元线性回归实现

逻辑回归 | 第4天

逻辑回归 | 第5天

今天我深入研究了逻辑回归到底是什么,以及它背后的数学是什么。学习了如何计算代价函数,以及如何使用梯度下降法来将代价函数降低到最小。
由于时间关系,我将隔天发布信息图。如果有人在机器学习领域有一定经验,并愿意帮我编写代码文档,也了解github的Markdown语法,请在领英联系我。

逻辑回归 | 第6天

逻辑回归实现

K近邻法(k-NN) | 第7天

逻辑回归背后的数学 | 第8天

为了使我对逻辑回归的见解更加清晰,我在网上搜索了一些资源或文章,然后我就发现了Saishruthi Swaminathan的这篇文章

它给出了逻辑回归的详细描述。请务必看一看。

支持向量机(SVM) | 第9天

直观了解SVM是什么以及如何使用它来解决分类问题。

支持向量机和K近邻法 | 第10天

了解更多关于SVM如何工作和实现knn算法的知识。

K近邻法(k-NN) | 第11天

K近邻法(k-NN)实现

支持向量机(SVM) | 第12天

支持向量机(SVM) | 第13天

SVM实现

支持向量机(SVM)的实现 | 第14天

今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器,我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见此处,Jupyter notebook见此处

朴素贝叶斯分类器(Naive Bayes Classifier)和黑盒机器学习(Black Box Machine Learning) | 第15天

学习不同类型的朴素贝叶斯分类器同时开始Bloomberg的课程。课程列表中的第一个是黑盒机器学习。它给出了预测函数,特征提取,学习算法,性能评估,交叉验证,样本偏差,非平稳性,过度拟合和超参数调整的整体观点。

通过内核技巧实现支持向量机 | 第16天

使用Scikit-Learn库实现了SVM算法以及内核函数,该函数将我们的数据点映射到更高维度以找到最佳超平面。

在Coursera开始深度学习的专业课程 | 第17天

在1天内完成第1周和第2周内容以及学习课程中的逻辑回归神经网络。

继续Coursera上的深度学习专业课程 | 第18天

完成课程1。用Python自己实现一个神经网络。

学习问题和Yaser Abu-Mostafa教授 | 第19天

开始Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程1。这基本上是对即将到来的课程的一种介绍。他也介绍了感知算法。

深度学习专业课程2 | 第20天

完成改进深度神经网络第1周内容:参数调整,正则化和优化。

网页搜罗 | 第21天

观看了一些关于如何使用Beautiful Soup进行网络爬虫的教程,以便收集用于构建模型的数据。

学习还可行吗? | 第22天

完成Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程2。学习Hoeffding不等式。

决策树 | 第23天

统计学习理论的介绍 | 第24天

Bloomberg ML课程的第3课介绍了一些核心概念,如输入空间,动作空间,结果空间,预测函数,损失函数和假设空间。

决策树 | 第25天

决策树实现

跳到复习线性代数 | 第26天

发现YouTube一个神奇的频道3Blue1Brown,它有一个播放列表《线性代数的本质》。看完了4个视频,包括了向量,线性组合,跨度,基向量,线性变换和矩阵乘法。

B站播放列表在这里

跳到复习线性代数 | 第27天

继续观看了4个视频,内容包括三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。

B站播放列表在这里

跳到复习线性代数 | 第28天

继续观看了3个视频,内容包括点积和叉积。

B站播放列表在这里

跳到复习线性代数 | 第29天

观看了剩余的视频12到14,内容包括特征向量和特征值,以及抽象向量空间。

B站播放列表在这里

微积分的本质 | 第30天

完成上一播放列表后,YouTube推荐了新内容《微积分的本质》,今天看完了其中的3个视频,包括导数、链式法则、乘积法则和指数导数。

B站播放列表在这里

微积分的本质 | 第31天

观看了2个视频,内容包括隐分化与极限。

B站播放列表在这里

微积分的本质 | 第32天

观看了剩余的4个视频,内容包括积分与高阶导数。

B站播放列表在这里

随机森林 | 第33天

随机森林 | 第34天

随机森林实现

什么是神经网络? | 深度学习,第1章 | 第 35天

Youtube频道3Blue1Brown中有精彩的视频介绍神经网络。这个视频提供了很好的解释,并使用手写数字数据集演示基本概念。

B站视频在这里

梯度下降法,神经网络如何学习 | 深度学习,第2章 | 第36天

Youtube频道3Blue1Brown关于神经网络的第2部分,这个视频用有趣的方式解释了梯度下降法。推荐必须观看169.

B站视频在这里

反向传播法究竟做什么? | 深度学习,第3章 | 第37天

Youtube频道3Blue1Brown关于神经网络的第3部分,这个视频主要介绍了偏导数和反向传播法。

B站视频在这里

反向传播法演算 | 深度学习,第4章 | 第38天

Youtube频道3Blue1Brown关于神经网络的第3部分,这个视频主要介绍了偏导数和反向传播法。

B站视频在这里

第1部分 | 深度学习基础Python,TensorFlow和Keras | 第39天

视频地址在这里
中文文字版notebook

第2部分 | 深度学习基础Python,TensorFlow和Keras | 第40天

视频地址在这里
中文文字版notebook

第3部分 | 深度学习基础Python,TensorFlow和Keras | 第41天

视频地址在这里
中文文字版notebook

第4部分 | 深度学习基础Python,TensorFlow和Keras | 第42天

视频地址在这里
中文文字版notebook

K-均值聚类 | 第43天

转到无监督学习,并研究了聚类。可在作者网站查询。发现一个奇妙的动画有助于理解K-均值聚类。

K-均值聚类 | 第44天

实现(待添加代码)

深入研究 | NUMPY | 第45天

得到JK VanderPlas写的书《Python数据科学手册(Python Data Science HandBook)》,Jupyter notebooks在这里
高清中文版pdf
第2章:NumPy介绍,包括数据类型、数组和数组计算。
代码如下:
2 NumPy入门
2.1 理解Python中的数据类型
2.2 NumPy数组基础
2.3 NumPy数组的计算:通用函数

深入研究 | NUMPY | 第46天

第2章: 聚合, 比较运算符和广播。
代码如下:
2.4 聚合:最小值、最大值和其他值
2.5 数组的计算:广播
2.6 比较、掩码和布尔运算

深入研究 | NUMPY | 第47天

第2章: 花哨的索引,数组排序,结构化数据。
代码如下:
2.7 花哨的索引
2.8 数组的排序
2.9 结构化数据:NumPy的结构化数组

深入研究 | PANDAS | 第48天

第3章:Pandas数据处理
包含Pandas对象,数据取值与选择,数值运算方法,处理缺失值,层级索引,合并数据集。
代码如下:
3 Pandas数据处理
3.1 Pandas对象简介
3.2 数据取值与选择
3.3 Pandas数值运算方法
3.4 处理缺失值
3.5 层级索引
3.6 合并数据集:ConCat和Append方法

深入研究 | PANDAS | 第49天

第3章:完成剩余内容-合并与连接,累计与分组,数据透视表。
代码如下:
3.7 合并数据集:合并与连接
3.8 累计与分组
3.9 数据透视表

深入研究 | PANDAS | 第50天

第3章:向量化字符串操作,处理时间序列。
代码如下:
3.10 向量化字符串操作
3.11 处理时间序列
3.12 高性能Pandas:eval()与query()

深入研究 | MATPLOTLIB | 第51天

第4章:Matplotlib数据可视化
学习简易线形图, 简易散点图,密度图与等高线图.
代码如下:
4 Matplotlib数据可视化
4.1 简易线形图
4.2 简易散点图
4.3 可视化异常处理
4.4 密度图与等高线图

深入研究 | MATPLOTLIB | 第52天

第4章:Matplotlib数据可视化
学习直方图,配置图例,配置颜色条,多子图。
代码如下:
4.5 直方图
4.6 配置图例
4.7 配置颜色条
4.8 多子图
4.9 文字与注释

深入研究 | MATPLOTLIB | 第53天

第4章:Matplotlib数据可视化
学习三维绘图。
4.12 画三维图

层次聚类 | 第54天

动画演示

About

100-Days-Of-ML-Code中文版

License:MIT License


Languages

Language:Jupyter Notebook 96.3%Language:Python 3.7%