-
Machine Learning Mastery 机器学习算法教程
- 机器学习算法之旅
- 利用隔离森林和核密度估计的异样检测
- 机器学习中的装袋和随机森林集成算法
- 从零开始实现机器学习算法的益处
- 更好的奢侈贝叶斯：从奢侈贝叶斯算法中收益最大的 12 个技巧
- 机器学习的晋升和 AdaBoost
- 抉择机器学习算法：Microsoft Azure 的经验教训
- 机器学习的分类和回归树
- 什么是机器学习中的混同矩阵
- 如何应用 Python 从零开始创立算法测试工具
- 通过创立机器学习算法的指标列表来取得控制权
- 机器学习中算法和模型的区别
- 进行从零开始编写机器学习算法
- 在实现机器学习算法时，不要从开源代码开始
- 不要应用随机猜想作为基线分类器
- 浅谈机器学习中的概念漂移
- 机器学习中的偏方差衡量的温和介绍
- 机器学习中的梯度降落
- 机器学习算法如何工作（他们学习输出到输入的映射）
- 如何建设机器学习算法的直觉
- 如何在机器学习中解决大
p小n（p >> n） - 如何实现机器学习算法
- 如何钻研机器学习算法行为
- 如何学习机器学习算法
- 如何钻研机器学习算法
- 如何钻研机器学习算法
- 如何在 Python 中从零开始实现反向流传算法
- 如何用 Python 从零开始实现装袋
- 如何用 Python 从零开始实现基线机器学习算法
- 如何在 Python 中从零开始实现决策树算法
- 如何用 Python 从零开始实现学习向量量化
- 如何利用 Python 从零开始实现线性回归
- 如何利用 Python 从零开始实现逻辑回归
- 如何用 Python 从零开始实现机器学习算法指标
- 如何在 Python 中从零开始实现感知机算法
- 如何在 Python 中从零开始实现随机森林
- 如何在 Python 中从零开始实现重采样办法
- 如何用 Python 从零开始实现简略线性回归
- 如何用 Python 从零开始实现重叠泛化
- 机器学习中的 K 最近邻
- 学习机器学习中的向量量化
- 机器学习中的线性判别分析
- 机器学习中的线性回归
- 机器学习中应用梯度降落的线性回归教程
- 如何在 Python 中从零开始加载机器学习数据
- 机器学习中的逻辑回归
- 机器学习中的逻辑回归教程
- 机器学习算法迷你课程
- 如何在 Python 中从零开始实现奢侈贝叶斯
- 机器学习中的奢侈贝叶斯
- 机器学习中的奢侈贝叶斯教程
- 机器学习算法的过拟合和欠拟合
- 参数化和非参数化机器学习算法
- 了解任何机器学习算法的 6 个问题
- 在机器学习中拥抱随机性
- 如何应用 Python 从零开始扩大机器学习数据
- 机器学习中的简略线性回归教程
- 有监督和无监督的机器学习算法
- 机器学习中的反对向量机
- 在没有数学背景的状况下了解机器学习算法的 5 种技巧
- 最好的机器学习算法
- 从零开始在 Python 中实现 K 最近邻
- 通过从零开始实现机器学习算法来了解它们（以及绕过坏代码的策略）
- 应用随机森林：在 121 个数据集上测试 179 个分类器
- 为什么从零开始实现机器学习算法
-
Machine Learning Mastery 利用机器学习教程
- 五个机器学习比赛的益处
- 机器学习模型抉择的温和介绍
- 过拟合的简略直觉，或者为什么测试训练数据是一个坏主意
- 特征选择简介
- 作为搜寻问题的利用机器学习的温和介绍
- 为什么利用机器学习很难
- 为什么我的后果不如我想的那么好？你可能过拟合了
- 应用 ROC 曲线评估和比拟分类器体现
- BigML 评论：发现机器学习即服务平台的聪慧性能
- BigML 教程：开发您的第一个决策树并做出预测
- 构建生产环境的机器学习基础设施
- 分类准确率不够：能够应用更多体现测量
- 一种预测模型的奇妙利用
- 机器学习我的项目中常见的陷阱
- 数据清理：将凌乱的数据转换为整洁的数据
- 机器学习中的数据透露
- 数据，学习和建模
- 数据管理至关重要以及为什么须要认真对待它
- 将预测模型部署到生产环境中
- 参数和超参数之间有什么区别？
- 测试和验证数据集之间有什么区别？
- 为什么机器学习每次失去的后果都不一样？
- 摸索特色工程，如何设计特色以及如何取得它
- 如何开始应用 Kaggle
- 超过预测
- 如何在评估机器学习算法时抉择正确的测试选项
- 如何定义机器学习问题
- 如何评估机器学习算法
- 如何取得基线后果及其重要性
- 如何充分利用机器学习数据
- 如何辨认数据中的异样值
- 如何改良机器学习后果
- 如何在机器学习比赛中胜出
- 如何晓得您的机器学习模型是否具备良好的体现
- 如何布局和治理您的机器学习我的项目
- 如何为机器学习筹备数据
- 如何缩小最终机器学习模型中的方差
- 如何应用机器学习后果
- 如何像数据科学家一样解决问题
- 通过数据预处理进步模型准确率
- 解决机器学习的大数据文件的 7 种办法
- 建设机器学习零碎的经验教训
- 如何应用机器学习清单牢靠地取得精确的预测（即便您是初学者）
- 机器学习模型运行期间要做什么
- 机器学习体现改良备忘单
- 来自世界级从业者 Phil Brierley 的机器学习技巧
- 模型预测准确率与机器学习中的解释
- 机器学习比赛的模型抉择技巧
- 机器学习须要多少训练数据？
- 如何系统地布局和运行机器学习试验
- 利用机器学习的过程
- 默认状况下可重现的机器学习后果
- 10 个实际利用机器学习的规范数据集
- 通往最佳机器学习算法的简略三步法
- 反抗机器学习数据集中不均衡类别的 8 种策略
- 模型体现不匹配问题（以及如何解决）
- 黑盒机器学习的引诱陷阱
- 如何训练最终的机器学习模型
- 正确实现训练 - 验证 - 测试拆分和穿插验证
- 应用探索性数据分析理解您的问题并取得更好的后果
- 什么是数据挖掘和 KDD
- 为什么在机器学习中单热编码数据？
- 为什么你应该在你的机器学习问题上采样查看算法
- 所以，你正在钻研机器学习问题 ……
-
Machine Learning Mastery 深度学习工夫序列教程
- 如何开发用于人类流动辨认的一维卷积神经网络模型
- 用于人类流动辨认的深度学习模型
- 如何评估用于人类流动辨认的机器学习算法
- 用于工夫序列预测的多层感知机网络的探索性配置
- 比拟工夫序列预测的的经典和机器学习办法的后果
- 如何通过深度学习疾速取得工夫序列预测的后果
- 如何利用 Python 解决序列预测问题中的缺失工夫步长
- 如何建设预测大气每日净化的概率预测模型
- 如何开发一种纯熟的机器学习工夫序列预测模型
- 如何构建用于家庭用电的自回归预测模型
- 如何开发用于多步空气污染工夫序列预测的自回归预测模型
- 如何开发用于多站点多元空气污染工夫序列预测的基线预测
- 如何开发用于工夫序列预测的卷积神经网络模型
- 如何开发用于多步工夫序列预测的卷积神经网络
- 如何开发用于单变量工夫序列预测的深度学习模型
- 如何开发用于家庭用电的多步工夫序列预测的 LSTM 模型
- 如何开发用于工夫序列预测的 LSTM 模型
- 如何开发用于多元多步空气污染工夫序列预测的机器学习模型
- 如何开发用于工夫序列预测的多层感知机模型
- 如何为人类流动辨认工夫序列分类开发 RNN 模型
- 如何开始用于工夫序列预测的深度学习（7 天迷你课程）
- 如何为工夫序列预测网格搜寻深度学习模型
- 如何为单变量工夫序列预测网格搜寻奢侈办法
- 如何在 Python 中为工夫序列预测搜寻 SARIMA 模型超参数
- 如何在 Python 中为工夫序列预测网格搜寻三次指数平滑
- 一个规范的人类流动辨认问题的温和介绍
- 如何加载和摸索家庭用电数据
- 如何加载，可视化和摸索简单的多变量多步工夫序列预测数据集
- 如何从智能手机数据建模人类流动
- 如何依据环境因素预测房间占用率
- 如何应用脑波预测人眼是关上还是敞开
- 如何在 Python 中扩大长短期记忆网络的数据
- 如何将 Keras
TimeseriesGenerator用于工夫序列预测 - 基于机器学习算法的室内运动工夫序列分类
- 用于工夫序列预测的有状态 LSTM 在线学习的不稳定性
- 用于常见事件工夫序列预测的 LSTM 模型架构
- 用于工夫序列预测的 4 种通用机器学习数据变换
- Python 中应用长短期记忆网络的多步工夫序列预测
- 用于家庭用电机器学习的多步工夫序列预测
- Keras 中应用 LSTM 的多变量工夫序列预测
- 如何开发和评估奢侈的家庭用电量预测办法
- 如何为长短期记忆网络筹备单变量工夫序列数据
- 循环神经网络在工夫序列预测中的利用
- 如何在 Python 中应用差分变换删除趋势和季节性
- 如何在 Python 和 LSTM 中为工夫序列预测收获状态
- 应用 Python 用于工夫序列预测的有状态和无状态 LSTM
- 长短期记忆网络在工夫序列预测中的适用性
- 工夫序列预测问题的分类零碎
- Python 中应用长短期记忆网络的工夫序列预测
- 基于 Python 和 Keras 的应用 LSTM 循环神经网络的工夫序列预测
- Keras 中应用深度学习的工夫序列预测
- 如何用 Keras 为工夫序列预测调整 LSTM 超参数
- 如何在工夫序列预测训练期间更新 LSTM 网络
- 如何为工夫序列预测应用 LSTM 网络的抛弃法
- 如何为工夫序列预测应用 LSTM 网络中的特色
- 如何将 LSTM 网络用于工夫序列预测
- 如何为工夫序列预测应用 LSTM 网络的权重正则化
-
Machine Learning Mastery Keras 深度学习教程
- Keras 中神经网络模型的 5 步生命周期
- Python 迷你课程中的利用深度学习
- 用于分类的自编码器特征提取
- 用于回归的自编码器特征提取
- 如何将 AutoKeras 用于分类和回归
- Keras 深度学习库的二分类教程
- 如何用 Keras 构建多层感知机神经网络模型
- 如何在 Keras 中查看深度学习模型
- 如何抉择深度学习的激活函数
- 10 个用于 Amazon Web Services 深度学习的命令行秘籍
- 机器学习卷积神经网络的速成课程
- 如何在 Python 和 Keras 中对深度学习应用度量
- 深度学习书籍
- 深度学习能力的三个档次
- 深度学习课程
- 你所晓得的深度学习是一种谎话
- 用于多输入回归的深度学习模型
- 为伍兹乳腺摄影数据集开发神经网络
- 如何设置 Amazon AWS EC2 GPU 来训练 Keras 深度学习模型（分步）
- 神经网络中批量和周期之间的区别是什么？
- 反向流传和随机梯度降落的区别
- 在 Keras 中展现深度学习模型训练历史
- Keras 深度学习模型中的抛弃正则化
- 评估 Keras 中深度学习模型的体现
- 如何评估深度学习模型的体现
- 小批量梯度降落的简要介绍以及如何配置批量大小
- 在 Keras 深度学习中取得帮忙的 9 种办法
- 如何应用 Python 和 Keras 网格搜寻深度学习模型的超参数
- 应用 Python 和 Keras 将卷积神经网络用于手写数字辨认
- 如何计算深度学习模型的准确率、召回率、F1 等
- 如何用 Keras 做出预测
- 深度学习类别变量的 3 种编码方式
- 将 Keras 用于深度学习的图像增强
- 8 个深度学习的鼓舞人心的利用
- Python 深度学习库 Keras 简介
- Python 深度学习库 TensorFlow 简介
- Python 深度学习库 Theano 简介
- 如何将 Keras 函数式 API 用于深度学习
- Keras 深度学习库的多分类教程
- 深度学习的多标签分类
- 开发钞票甄别的神经网络
- 为癌症存活数据集开发神经网络
- 用于组合分类和回归的神经网络模型
- 神经网络是函数近似算法
- 多层感知机神经网络速成课程
- Keras 深度学习库中基于卷积神经网络的的指标辨认
- 风行的深度学习库
- 面向程序员的实用深度学习（温习）
- 应用深度学习预测电影评论的情感
- 如何开发预测车险赔付的神经网络
- 如何开发预测电离层扰动的神经网络
- 深度学习神经网络的预测区间
- PyTorch 教程：如何用 Python 开发深度学习模型
- Python 中的 Keras 深度学习库的回归教程
- 如何应用 Keras 取得可重现的后果
- 如何在 Linux 服务器上运行深度学习试验
- 保留并加载您的 Keras 深度学习模型
- Python 的 Softmax 激活函数
- TensorFlow 2 教程：应用
tf.keras开始深度学习 - 应用 Python 和 Keras 逐渐开发第一个神经网络
- 应用 Python 和 Keras 了解有状态 LSTM 循环神经网络
- 如何用更多数据更新神经网络模型
- 将 Keras 深度学习模型和 Python Scikit-Learn 一起应用
- 如何应用预训练的 VGG 模型分类照片中的物体
- 在 Python 和 Keras 中对深度学习模型应用学习率调度
- 如何在 Keras 中可视化深度学习神经网络模型
- 深度学习神经网络的权重初始化
- 什么是深度学习？
- 何时应用 MLP，CNN 和 RNN 神经网络
- 神经网络的权重为什么要随机初始化？
-
Machine Learning Mastery 线性代数教程
- 向量空间模型的温和介绍
- 什么是机器学习中的 Argmax？
- 机器学习中数学符号的基础知识
- NumPy 数组播送的温和介绍
- 如何在 Python 中从零开始计算主成分剖析（PCA）
- 面向程序员的计算线性代数回顾
- 10 个机器学习中的线性代数示例
- 将主成分剖析用于人脸识别
- 线性代数的温和介绍
- Python NumPy 的 N 维数组的温和介绍
- 机器学习向量的温和介绍
- 如何在 Python 中为机器学习索引，切片和重塑 NumPy 数组
- 机器学习的矩阵和矩阵算法简介
- 机器学习中的特色合成，特征值和特征向量的温和介绍
- NumPy 期望值，方差和协方差的简要介绍
- 机器学习矩阵合成的温和介绍
- 机器学习中的 NumPy 张量的温和介绍
- 机器学习中的线性代数中的矩阵类型简介
- 机器学习中的线性代数备忘单
- 深度学习中的线性代数
- 机器学习中的线性代数（7 天迷你课程）
- 机器学习中的线性代数
- 机器学习中的矩阵运算的温和介绍
- 线性代数回顾的没有废话的指南
- 如何在 NumPy 中为行和列设置轴
- 主成分剖析的可视化
- 在机器学习中学习线性代数的次要资源
- 浅谈机器学习的奇怪值合成
- 如何用线性代数求解线性回归
- 机器学习中的稠密矩阵的温和介绍
- 利用奇怪值合成构建举荐零碎
- 机器学习中向量范数的温和介绍
- 为机器学习学习线性代数的 5 个理由
-
Machine Learning Mastery LSTM 教程
- Keras 中长短期记忆模型的 5 步生命周期
- 长短期记忆循环神经网络的注意事项
- CNN 长短期记忆网络
- 深度学习中的循环神经网络的速成课程
- 可变长度输出序列的数据筹备
- 如何用 Python 和 Keras 开发用于序列分类的双向 LSTM
- 如何在 Keras 中开发用于序列到序列预测的编解码器模型
- 如何诊断 LSTM 模型的过拟合和欠拟合
- 如何在 Keras 中开发带有注意力的编解码器模型
- 编解码器长短期记忆网络
- 神经网络中梯度爆炸的温和介绍
- 沿工夫反向流传的温和介绍
- 生成式长短期记忆网络的温和介绍
- 专家对长短期记忆网络的简要介绍
- 在序列预测问题上充分利用 LSTM
- 编解码器循环神经网络的全局注意力的温和介绍
- 如何利用长短期记忆循环神经网络解决很长的序列
- 如何在 Python 中单热编码序列数据
- 如何应用编解码器 LSTM 来打印随机整数序列
- 带有注意力的编解码器 RNN 架构的实现模式
- 学习应用编解码器 LSTM 循环神经网络相加数字
- 如何学习在 Keras 中用 LSTM 回显随机整数
- 如何应用长短期记忆循环神经网络来打印随机整数
- Keras 长短期记忆循环神经网络的迷你课程
- LSTM 自编码器的温和介绍
- 如何在 Keras 中用长短期记忆模型做出预测
- 在 Python 中应用长短期记忆网络演示记忆
- 基于循环神经网络的序列预测模型的简要介绍
- 深度学习的循环神经网络算法之旅
- 如何重塑 Keras 长短期记忆网络的输出数据
- 如何在 Keras 中重塑长短期存储网络的输出数据
- 理解 Keras 中 LSTM 的返回序列和返回状态之间的差别
- RNN 开展的温和介绍
- 5 个应用 LSTM 循环神经网络的简略序列预测问题的示例
- 应用序列做出预测
- 栈式长短期记忆网络
- 什么是循环神经网络的老师强制？
- 如何在 Python 中对长短期记忆网络应用
TimeDistributed层 - 如何在 Keras 中为截断 BPTT 筹备序列预测
- 如何在将 LSTM 用于训练和预测时应用不同的批量大小
-
Machine Learning Mastery 深度学习 NLP 教程
- 深度学习在自然语言解决中的 7 个利用
- 如何实现自然语言解决的集束搜寻解码器
- 深度学习文档分类的最佳实际
- 对于自然语言解决的热门书籍
- 在 Python 中计算文本 BLEU 分数的温和介绍
- 应用编解码器模型的用于字幕生成的注入和合并架构
- 如何用 Python 为机器学习清理文本
- 如何配置神经机器翻译的编解码器模型
- 如何开始深度学习自然语言解决（7 天迷你课程）
- 自然语言解决的数据集
- 如何开发一种深度学习的词袋模型来预测电影评论情感
- 深度学习字幕生成模型的温和介绍
- 如何在 Keras 中定义神经机器翻译的编解码器序列到序列模型
- 如何利用小试验在 Keras 中开发题目生成模型
- 如何从头开发深度学习图片题目生成器
- 如何在 Keras 中开发基于字符的神经语言模型
- 如何开发用于情感剖析的 N-gram 多通道卷积神经网络
- 如何从零开始开发神经机器翻译零碎
- 如何用 Python 和 Keras 开发基于单词的神经语言模型
- 如何开发一种预测电影评论情感的词嵌入模型
- 如何应用 Python 和 Gensim 开发词嵌入
- 用于文本摘要的编解码器深度学习模型
- Keras 中文本摘要的编解码器模型
- 用于神经机器翻译的编解码器循环神经网络模型
- 浅谈词袋模型
- 文本摘要的温和介绍
- 编解码器循环神经网络中的注意力如何工作
- 如何利用深度学习主动生成照片的文本形容
- 如何开发一个单词级神经语言模型并用它来生成文本
- 浅谈神经机器翻译
- 什么是自然语言解决？
- 牛津自然语言解决深度学习课程
- 如何为机器翻译筹备法语到英语的数据集
- 如何为情感剖析筹备电影评论数据
- 如何为文本摘要筹备新闻文章
- 如何筹备照片题目数据集来训练深度学习模型
- 如何应用 Keras 为深度学习筹备文本数据
- 如何应用 scikit-learn 为机器学习筹备文本数据
- 自然语言解决神经网络模型入门
- 用于自然语言解决的深度学习的承诺
- 应用 Python 和 Keras 的 LSTM 循环神经网络的序列分类
- 斯坦福自然语言解决深度学习课程评估
- 统计语言建模和神经语言模型的简要介绍
- 应用 Python 和 Keras 的 LSTM 循环神经网络的文本生成
- 浅谈机器学习中的转导
- 如何应用 Keras 将词嵌入层用于深度学习
- 什么是用于文本的词嵌入？
-
Machine Learning Mastery Sklearn 教程
- Python 机器学习库 Scikit-Learn 的温和介绍
- Python 中用于主动机器学习的 Auto-Sklearn
- 应用 Python 管道和 scikit-learn 自动化机器学习工作流程
- Python 主动机器学习（AutoML）库
- 如何用 Python 计算偏差方差衡量
- 如何以及何时应用 scikit-learn 中的的校准分类模型
- 10 个 Python 聚类算法
- 组合算法抉择和超参数优化（CASH 优化）
- 如何比拟 Python 和 scikit-learn 中的机器学习算法
- 面向机器学习开发人员的 Python 速成课
- 机器学习的四种间隔度量
- 如何用 Python 开发弹性网络回归模型
- 应用 Python 和 scikit-learn 的集成机器学习算法
- 在 Python 中应用重采样评估机器学习算法的体现
- 应用 Python 和 Scikit-Learn 的特征选择
- Python 中机器学习的特征选择
- Python 中用于分类的高斯过程
- 如何应用 Python 和 scikit-learn 生成测试数据集
- scikit-learn 中的机器学习算法秘籍
- 如何应用 Python 解决缺失数据
- 如何配置 k 折穿插验证
- 如何将模型输出数据与机器学习的预测分割起来
- 如何修复 Sklearn 中的
FutureWarning音讯 - 如何开始将 Python 用于机器学习
- 如何应用 Python 和 Scikit-Learn 加载数据
- 如何为机器学习将 NumPy 数组保留到文件中
- Python 中概率评分办法的简要介绍
- 如何用 Scikit-Learn 调整算法参数
- 用于 Sklearn 自动化机器学习的 HyperOpt
- 随机搜寻和网格搜寻的超参数优化
- 调整机器学习分类算法的超参数
- 如何在 Mac OS X 上为机器学习和深度学习装置 Python 3 环境
- 机器学习中的 scikit-learn 简介
- 从 shell 到一本书，Fernando Perez 的繁多工具 IPython 简介
- 如何在 Python 中开发 LARS 回归模型
- 如何在 Python 中开发 LASSO 回归模型
- Python 线性判别分析
- 如何应用 Python 3 为机器学习开发创立 Linux 虚拟机
- 如何在 Python 中加载机器学习数据
- 用于评估机器学习算法的 LOOCV
- 您在 Python 中的第一个逐渐的机器学习我的项目
- 机器学习建模管道的温和介绍
- 如何应用 scikit-learn 做出预测
- 用于评估 Python 中机器学习算法的度量规范
- 应用 Python 和 Sklearn 的多核机器学习
- Python 多项式逻辑回归
- Python 中的最近膨胀质心
- Python 机器学习的嵌套穿插验证
- 如何在 Sklearn 中辨认过拟合机器学习模型
- Python 中用于分类的感知机算法
- 应用 Python 绘制机器学习算法的决策外表
- 应用 Python 和 Pandas 为机器学习筹备数据
- 如何应用 Python 和 Scikit-Learn 为机器学习筹备数据
- 我的项目聚焦：应用 Artem Yankov 在 Python 中举荐事件
- PyCaret 机器学习的温和介绍
- 机器学习中的 Python 生态系统
- Python 是利用机器学习的成长平台
- Python 机器学习书籍
- Python 机器学习迷你课程
- 应用 Pandas 的疾速和恶浊的数据分析
- 应用 Python 的半径街坊分类器算法
- 机器学习的回归度量
- Python 中用于模型评估的反复 k 折穿插验证
- 应用 Python 和 Scikit-Learn 重缩放机器学习数据
- 规范机器学习数据集的最佳后果
- 如何在 Python 中开发岭回归模型
- Python 中机器学习的持重回归
- 如何以及何时在 Python 中对分类应用 ROC 曲线和准确召回曲线
- 应用 Python 和 scikit-learn 保留和加载机器学习模型
- scikit-learn 秘籍的书评
- 用于机器学习中的超参数调整的 SkOpt
- 如何将 Seaborn 数据可视化用于机器学习
- 应用标签流传的半监督学习
- 应用标签流传的半监督学习
- 数据集大小 VS 模型体现的敏感性剖析
- 如何应用 Anaconda 为机器学习和深度学习设置 Python 环境
- 应用 Python 和 scikit-learn 采样查看分类机器学习算法
- 如何在 Python 中开发可重复使用的采样查看算法框架
- 应用 Python 和 scikit-learn 采样查看回归机器学习算法
- 用于 Python 主动机器学习 TPOT
- 用于评估机器学习算法的训练测试宰割
- 机器学习中的 4 种分类工作
- 应用 Python 中的描述性统计量来理解您的机器学习数据
- 应用 OpenCV，Python 和模板匹配来播放“哪里是 Waldo？”
- 应用 Python 和 Pandas 可视化机器学习数据
- 什么是半监督学习
-
Machine Learning Mastery 机器学习入门教程
- 机器学习入门的四个步骤：初学者入门与实际的自上而下策略
- 你应该专一的 5 个机器学习畛域
- 一种抉择机器学习算法的数据驱动办法
- Sigmoid 函数的温和介绍
- 机器学习中的解析与数值解
- 利用机器学习是一种精英统治
- 机器学习的基本概念
- 如何成为数据科学家
- 初学者如何在机器学习中犯错
- 机器学习的最佳编程语言
- 构建机器学习我的项目库
- 机器学习中分类与回归的区别
- 像数据科学家一样评估本人
- 摸索 Kaggle 巨匠的方法论和心态：对 Diogo Ferreira 的采访
- 扩大机器学习工具并展现熟练度
- 通过寻找地标开始机器学习
- 预测性建模的温和简介
- 通过提供后果在机器学习中取得幻想的工作
- 如何开始机器学习：自学蓝图
- 开始并在机器学习方面获得停顿
- 利用机器学习的 Hello World
- 初学者如何应用小型我的项目开始机器学习并在 Kaggle 上打较量
- 我如何开始机器学习？（简短版）
- 我是如何开始机器学习的
- 如何在机器学习中获得更好的问题
- 如何从在银行工作到负责 Target 的高级数据科学家
- 如何学习任何机器学习工具
- 应用小型指标我的项目深刻理解机器学习工具
- 利用机器学习取得回报
- 机器学习工具概览
- 机器学习开发环境
- 机器学习与赚钱
- 面向程序员的机器学习
- 机器学习很有意思
- 机器学习是 Kaggle 较量
- 机器学习当初很受欢迎
- 把握机器学习的办法
- 机器学习很重要
- 机器学习 Q&A：概念漂移，更好的后果和更快的学习
- 自学机器学习的失落的路线图
- 机器学习很重要
- 疾速理解任何机器学习工具（即便您是初学者）
- 机器学习工具
- 找到你的机器学习部落
- 一年内把握机器学习
- 通过继续的比赛精通 Kaggle
- 5 个程序员在机器学习中的谬误
- 哲学毕业生到机器学习从业者（Brian Thomas 采访）
- 机器学习入门的实用倡议
- 实用机器学习问题
- 应用来自 UCI 机器学习库的数据集练习机器学习
- 应用任何机器学习工具和秘籍疾速启动
- 程序员能够入门机器学习
- 程序员应该入门机器学习
- 我的项目聚焦：Shashank Singh 的人脸识别
- 我的项目聚焦：将 Mahout 和 Konstantin Slisenko 用于 StackExchange 聚类
- 机器学习自学指南
- 4 个自学机器学习我的项目
- AlvaroLemos 如何在数据迷信团队中取得机器学习实习
- 如何思考机器学习
- 事实世界的机器学习问题之旅
- 机器学习中的 14 种不同类型的学习
- 机器学习的有用常识
- 如果我没有学位怎么办？
- 如果我不是一个优良的程序员怎么办？
- 如果我不善于数学怎么办？
- 什么是机器学习中的假如？
- 为什么机器学习算法会解决以前从未见过的数据？
- 是什么妨碍了你的机器学习指标？
- 什么是机器学习？
- 机器学习适宜哪里？
- 为什么要入门机器学习？
- 钻研对您来说很重要的机器学习问题
- 你这样做是错的。为什么机器学习不用如此艰难？
-
Machine Learning Mastery 统计学教程
- 浅谈计算正态汇总统计量
- 非参数统计的温和介绍
- Python 中正态测试的温和介绍
- 浅谈自举法
- 浅谈机器学习的核心极限定理
- 浅谈机器学习中的大数定律
- 机器学习中的所有统计量
- 机器学习的算术、几何和和谐均值
- 如何在 Python 中计算机器学习后果的自举置信区间
- 浅谈机器学习的卡方测试
- 机器学习中的置信区间
- 随机化在机器学习中解决混淆变量的作用
- 机器学习中的对照试验
- 机器学习中的统计学速成课
- 统计假设检验的临界值以及如何在 Python 中计算它们
- 如何在机器学习中议论数据（统计学和计算机科学术语）
- Python 中数据可视化办法的简要介绍
- 机器学习自由度的温和介绍
- Python 中成果大小度量的温和介绍
- 预计随机机器学习算法的试验反复次数
- 机器学习中的评估统计的温和介绍
- 如何在 Python 中计算非参数秩相关性
- 如何在 Python 中计算数据的五个数字摘要
- 如何在 Python 中从零开始编写 T 测验
- 如何在 Python 中生成随机数
- 如何转换数据来更好地拟合正态分布
- 如何应用相干来了解变量之间的关系
- 如何应用统计量辨认数据中的异样值
- 用于比拟机器学习算法的假设检验
- Python 机器学习中的随机数生成器简介
- k 折穿插验证的温和介绍
- 如何计算 McNemar 测验来比拟两种机器学习分类器
- Python 中非参数统计显着性测验简介
- 如何在 Python 中计算参数统计显着性测验
- 机器学习中的预测区间
- 利用统计学与机器学习的密切关系
- 如何应用置信区间报告分类器体现
- 统计量散布的简要介绍
- 15 个 Python 中的统计假设检验（备忘单）
- 统计假设检验的温和介绍
- 10 个在机器学习我的项目中应用统计办法的示例
- Python 中统计效用和效用剖析的简要介绍
- 统计采样和重采样的简要介绍
- 用于比拟机器学习算法的统计显着性测验
- 机器学习中统计容差区间的温和介绍
- 机器学习中的统计书籍
- 评估机器学习模型的统计量
- 机器学习中的统计（7 天迷你课程）
- 机器学习中的统计简介
- 如何应用统计显着性测验来解释机器学习后果
- 什么是统计（为什么它在机器学习中很重要）？
-
Machine Learning Mastery 工夫序列入门教程
- 如何在 Python 中为工夫序列预测创立 ARIMA 模型
- Python 中用于工夫序列预测的自回归模型
- 如何为工夫序列预测回测机器学习模型
- Python 中基于工夫序列数据的基本特征工程
- R 工夫序列预测热门书籍
- 10 个机器学习工夫序列预测的挑战性问题
- 10 个具备挑战性的机器学习工夫序列预测问题
- 如何将工夫序列转换为 Python 中的监督学习问题
- 如何将工夫序列数据合成为趋势和季节性
- 如何用 ARCH 和 GARCH 为工夫序列预测建模稳定率
- 如何应用 Python 差分工夫序列数据集
- Python 中用于工夫序列预测的指数平滑的温和介绍
- Python 中用于工夫序列预测的特征选择
- 浅谈自相干和局部自相干
- 用于工夫序列预测的 Box-Jenkins 办法简介
- Python 中工夫序列预测的温和简介
- 如何应用 Python 网格搜寻 ARIMA 模型超参数
- 如何在 Python 中加载和摸索工夫序列数据
- 如何应用 Python 手动预测 ARIMA 模型
- 如何用 Python 预测工夫序列
- 如何应用 Python 对 ARIMA 做出样本外预测
- 如何利用 Python 建模残差来纠正工夫序列预测
- Python 中用于数据筹备和工夫序列预测的挪动均匀平滑
- 多步工夫序列预测的 4 种策略
- 如何在 Python 中规范化和标准化工夫序列数据
- 如何利用 Python 为工夫序列预测做出基线预测
- 如何应用 Python 对工夫序列预测数据执行幂变换
- 用于工夫序列预测的 Python 环境
- 用于工夫序列预测的随机森林
- 如何重构工夫序列预测问题
- 如何应用 Python 重采样和插值您的工夫序列数据
- 应用 Python 为工夫序列预测编写 SARIMA
- 如何在 Python 中保留 ARIMA 工夫序列预测模型
- 将 Python 用于季节性持久性预测
- 基于 Python 和 ARIMA 的历史规模敏感性剖析的预测技巧
- 用于测试简略的工夫序列预测模型，以便不会坑骗本人
- 规范多变量，多步骤和多站点工夫序列预测问题
- 如何应用 Python 查看工夫序列数据是否是安稳的
- 将 Python 用于工夫序列数据可视化
- 7 个机器学习的工夫序列数据集
- Python 中的工夫序列预测案例钻研：波士顿每月武装抢劫案
- Python 中的工夫序列预测案例钻研：巴尔的摩的年度用水量
- Python 中的工夫序列预测钻研：法国香槟的月销售额
- 应用 Python 和预测区间了解工夫序列预测的不确定性
- 11 个 Python 中的经典工夫序列预测办法（备忘单）
- 将 Python 用于工夫序列预测体现测量
- Python 中的工夫序列预测的 7 天迷你课程
- 作为监督学习的工夫序列预测
- Python 中应用 Prophet 的工夫序列预测
- 什么是工夫序列预测？
- 如何应用 Python 辨认和删除工夫序列数据的季节性
- 如何在 Python 中应用和删除工夫序列数据中的趋势信息
- 如何在 Python 中调整 ARIMA 参数
- 如何用 Python 可视化工夫序列预测残差
- Python 中的白噪声工夫序列
- 如何解决工夫序列预测我的项目
-
Machine Learning Mastery XGBoost 教程
- 通过提前进行防止利用 Python 和 XGBoost 时产生的过拟合景象
- 在 Python 中如何调优 XGBoost 的多线程反对
- 如何配置梯度晋升算法
- 应用 Python 和 XGBoost 为梯度晋升筹备数据
- 如何应用 Python 和 scikit-learn 开发您的第一个 XGBoost 模型
- 如何应用 Python 和 XGBoost 评估梯度晋升模型
- 应用 Python 和 XGBoost 的特色重要性和特征选择
- 浅谈机器学习的梯度晋升算法
- 利用机器学习的杀器：XGBoost 温和简介
- 利用机器学习中 XGBoost 的温和介绍
- 如何在 macOS 上为 Python 装置 XGBoost
- 如何应用 Python 和 XGBoost 保留梯度晋升模型
- 从梯度晋升开始，比拟 165 个数据集上的 13 种算法
- 应用 Python、XGBoost 和 scikit-learn 的随机梯度晋升
- 如何应用 Amazon Web Services 在云中训练 XGBoost 模型
- 应用 Python 和 XGBoost 调整梯度晋升的学习率
- 应用 Python 和 XGBoost 调整决策树的数量和大小
- 通过学习曲线调整 XGBoost 体现
- 如何应用 Python 和 XGBoost 可视化梯度晋升决策树
- 用于回归的 XGBoost
- 如何将 XGBoost 用于工夫序列预测
- XGBoost 损失函数的温和介绍
- 开始应用 Python 和 XGBoost 的 7 步迷你课程
下载
Docker
docker pull apachecn0/ml-mastery-zh
docker run -tid -p <port>:80 apachecn0/ml-mastery-zh
# 拜访 http://localhost:{port}
PYPI
pip install ml-mastery-zh
ml-mastery-zh <port>
# 拜访 http://localhost:{port}
NPM
npm install -g ml-mastery-zh
ml-mastery-zh <port>
# 拜访 http://localhost:{port}
奉献指南
本我的项目须要校对，欢送大家提交 Pull Request。
请您怯懦地去翻译和改良翻译。尽管咱们谋求卓越，但咱们并不要求您做到美中不足，因而请不要放心因为翻译上犯错——在大部分状况下，咱们的服务器曾经记录所有的翻译，因而您不用放心会因为您的失误受到无法挽回的毁坏。（改编自维基百科）
组织介绍
拜访咱们的主页。
资助咱们
通过平台自带的打赏性能，或点击这里。