共计 7484 个字符，预计需要花费 19 分钟才能阅读完成。
-
Machine Learning Mastery 计算机视觉教程
- 通道在前和通道在后图像格式的温和介绍
- 深度学习在计算机视觉中的 9 个利用
- 为 CNN 筹备和裁减图像数据的最佳实际
- 8 本计算机视觉入门书籍
- 卷积层在深度学习神经网络中是如何工作的？
- DeepLearningAI 卷积神经网络课程（温习）
- 如何在 Keras 中配置图像数据裁减
- 如何从零开始为 CIFAR-10 照片分类开发 CNN
- 用于 Fashion-MNIST 服装分类的深度学习 CNN
- 如何为 MNIST 手写数字分类开发 CNN
- 如何分类猫狗照片（准确率 97%）
- 亚马逊雨林卫星照片多标签分类
- 如何应用 FaceNet 在 Keras 中开发人脸识别零碎
- 如何通过深度学习开发计算机视觉能力
- 如何用 CNN 评估图像分类的像素缩放办法
- 如何开始计算机视觉深度学习（7 天迷你课程）
- 如何在 Keras 从头开发 VGG、Inception 和 ResNet 模块
- 如何应用 PIL/Pillow
- 如何用 Keras 加载和可视化规范计算机视觉数据集
- 如何应用 Keras API 加载、转换和保留图像
- 如何为 Keras 深度学习从目录加载大数据集
- 如何为深度学习手动缩放图像像素数据
- 如何在 Keras 中对图像像素归一化、居中和标准化
- 如何将深度学习用于人脸检测
- 如何在 Keras 中将 VGGFace2 用于人脸识别
- 如何在 Keras 中将 Mask RCNN 用于照片中的对象检测
- 如何在 Keras 中将 YOLOv3 用于对象检测
- 如何应用 Keras 训练对象检测模型
- 如何应用测试工夫裁减做出更好的预测
- 在 Keras 中将计算机视觉模型用于迁徙学习
- 如何在卷积神经网络中可视化过滤器和特色图
- 用于治理模型复杂性
1×1卷积的温和介绍 - 面向人脸识别的深度学习入门
- ImageNet 挑战赛（ILSVRC）的温和介绍
- 深度学习对象辨认入门
- 用于人脸识别的单样本学习
- 卷积神经网络填充和步长的温和介绍
- 卷积神经网络池化层的简略介绍
- 深度学习计算机视觉前景的温和介绍
- 用于图像分类的卷积神经网络模型翻新
- 斯坦福卷积神经网络视觉辨认课程（温习）
- 深度学习迁徙学习入门
- 计算机视觉入门
-
Machine Learning Mastery 数据筹备教程
- 如何用 Python 进行机器学习的数据荡涤
- 为机器学习的缺失值增加二元标记
- 8 本对于数据清理和特色工程的顶级书籍
- 如何用 Python 计算特色重要性
- 如何抉择机器学习的数据筹备形式
- 如何将列转换器用于数据筹备
- 如何为 Sklearn 创立自定义数据转换
- 机器学习的数据筹备（7 天迷你课程）
- 为什么数据筹备在机器学习中如此重要
- 机器学习的数据筹备技术之旅
- 执行数据筹备时如何防止数据泄露
- 6 种 Python 降维算法
- 机器学习降维介绍
- 如何为机器学习应用离散化变换
- 特色工程与抉择（书评）
- 如何为机器学习在表格数据上应用特征提取
- 如何对回归数据执行特征选择
- 如何对类别数据执行特征选择
- 如何对数值输出数据执行特征选择
- 如何抉择机器学习的特征选择办法
- 机器学习中数据筹备技术的框架
- 如何网格搜寻数据筹备技术
- 如何爬坡机器学习测试集
- 如何在 Sklearn 中保留和重用数据筹备对象
- 如何在 Python 中转换回归的指标变量
- 机器学习中缺失值的迭代插补
- 机器学习中缺失值的 KNN 插补
- Python 中用于降维的线性判别分析
- Python 中的 4 种主动异样值检测算法
- 类别数据的程序编码和单热编码
- 如何为机器学习应用多项式特色变换
- 如何为机器学习应用幂变换
- Python 中用于降维的主成分剖析
- 如何为机器学习应用分位数变换
- Python 中用于特征选择的递归特色打消（RFE）
- 如何为机器学习缩放带有异样值的数据
- 如何选择性缩放机器学习的数值输出变量
- Python 中用于降维的奇怪值合成
- 如何在 Python 中应用规范缩放器和最小最大缩放器变换
- 机器学习中缺失值的统计插补
- 应用 Sklearn 的表格数据测试工夫加强
- 如何在机器学习中训练测试集
- 什么是机器学习我的项目中的数据筹备
-
Machine Learning Mastery 深度学习体现教程
- 训练深度学习神经网络模型的挑战的温和介绍
- 深度学习中激活正则化的温和介绍
- 深度学习 Adam 优化算法的温和介绍
- 深度神经网络批量归一化简介
- 配置反向流传来训练更好的神经网络的 8 个技巧
- 如何取得更好的深度学习效果（7 天迷你课程）
- 3 本深度学习实践者必备书籍
- 用于深度神经网络正则化的抛弃法的温和介绍
- 防止适度训练神经网络的提前进行的温和介绍
- 深度学习神经网络的集成学习办法
- 更好的深度学习框架
- 如何在深度学习神经网络中应用贪心逐层预训练
- 如何开发程度投票深度学习集成来缩小方差
- 如何利用批量归一化减速深度神经网络的学习
- 如何防止梯度裁剪带来的梯度爆炸
- 训练深度学习神经网络时如何抉择损失函数
- 如何配置神经网络的层数和节点数
- 如何应用节点和层管制神经网络模型容量
- 如何应用批量大小管制神经网络训练的稳定性
- 如何在 Keras 中创立深度学习模型的装袋集成
- 如何通过深度学习展现本人的基本功
- 如何应用 ReLU 修复梯度隐没问题
- 如何通过增加噪声来进步深度学习模型的鲁棒性
- 如何应用数据缩放进步深度学习模型的稳定性和体现
- 如何利用迁徙学习来进步深度学习神经网络的体现
- 如何利用 Keras 中的流动正则化缩小泛化误差
- 如何在 Keras 中利用权重衰减缩小神经网络的过拟合
- 如何在 Keras 中利用权重束缚缩小过拟合
- 如何在 Keras 中利用抛弃正则化缩小过拟合
- 适时应用提前进行来进行神经网络的训练
- 数据集大小对深度学习模型技巧和体现评估的影响
- 如何进步深度学习体现
- 如何防止深度学习神经网络中的过拟合
- 深度学习中权重限度的温和介绍
- 如何利用学习曲线诊断机器学习模型体现
- 训练深度学习神经网络时如何配置学习率
- 用于训练深度学习神经网络的损失和损失函数
- 如何在 Keras 开发深度学习模型集成
- 神经网络窍门（书评）
- 在 Keras 中集成神经网络模型权重（Polyak 均匀）
- 深度学习神经网络从业者举荐
- 整流线性单元的温和介绍
- Python 中深度学习神经网络的快照集成
- Python 中深度学习神经网络的重叠集成
- 应用噪声训练神经网络来缩小过拟合
- 理解学习率对神经网络体现的影响
- 可视化梯度隐没问题
- 使用权重正则化缩小深度学习模型的过拟合
- 如何为深度学习神经网络开发加权均匀集成
- 为什么训练神经网络很难
-
Machine Learning Mastery 集成学习教程
- 如何用 Python 开发 AdaBoost 集成
- 应用不同数据转换开发装袋集成
- 如何用 Python 开发装袋集成
- 应用 Python 的混合集成机器学习
- 如何组合集成学习的预测
- Python 中的动静分类器抉择集成
- Python 中用于分类的动静集成抉择(DES)
- 机器学习集成多样性的温和介绍
- 集成学习算法复杂度和奥卡姆剃刀
- 6 本集成学习书籍
- Python 集成机器学习（7 天迷你课程）
- 机器学习的纠错输入码（ECOC）
- 机器学习晋升集成的实质
- 自举聚合集成的实质
- 机器学习重叠集成的实质
- 如何应用 Python 开发额定树汇合
- Python 中的极限梯度晋升（XGBoost）集成
- 如何在 Python 中开发特征选择子空间集成
- 如何在 Python 中开发梯度提升机集成
- 将 Sklearn、XGBoost、LightGBM 和 CatBoost 用于梯度晋升
- Python 中的成长和修剪集成
- Python 中基于直方图的梯度晋升集成
- 开发对集成学习如何工作的直觉
- 如何开轻量梯度提升机（LightGBM）汇合
- 什么是机器学习中的元学习？
- 混合专家集成的温和介绍
- 如何用 Python 开发多输入回归模型
- 多模型机器学习入门
- Python 中的多元自适应回归样条（MARS）
- 多类分类的一对一和一对残余
- 如何在机器学习中应用折外预测
- 如何用 Python 开发随机森林集成
- 如何用 XGBoost 开发随机森林集成
- 如何用 Python 开发随机子空间集成
- 应用 Python 开发重叠集成机器学习
- 集成学习中强学习器与弱学习器
- 如何在 Python 中开发超级学习器集成
- 集成学习算法的温和介绍
- 如何用 Python 开发投票集成
- 如何用 Python 开发加权均匀集成
- 集成学习入门
- 为什么应用集成学习？
-
Machine Learning Mastery 生成反抗网络教程
- Pix2Pix 生成反抗网络的温和介绍
- 大型生成反抗网络 BigGAN 的温和介绍
- 9 本对于生成反抗网络的书
- 如何用 Keras 开发用于图像到图像转换的 CycleGAN
- 生成对抗性网络损失函数的温和介绍
- 如何从零开始开发 Wasserstein 生成反抗网络
- 如何在 Keras 中实现 GAN Hacks 来训练稳固模型
- 如何编写 GAN 训练算法和损失函数
- 如何从头开发一个条件 GAN（CGAN）
- 如何在 Keras 从零开始开发 1D 生成反抗网络
- 如何开发 GAN 来生成 CIFAR10 小型彩色照片
- 如何开发 GAN 来生成 MNIST 手写数字
- 如何开发用于图像到图像转换的 Pix2Pix GAN
- 如何用 Keras 从零开始开发辅助分类器 GAN(AC-GAN)
- 如何在 Keras 开发信息最大化 GAN（InfoGAN）
- 如何用 Keras 从零开始实现 CycleGAN 模型
- 如何评估生成反抗网络
- 如何入门生成反抗网络（7 天小型课程）
- 如何用 Keras 从零开始实现 Pix2Pix GAN 模型
- 如何在 Keras 中实现渐进式增长 GAN 模型
- 如何实现评估 GANs 的 Frechet 初始间隔
- 如何实现评估 GANs 的初始得分
- 如何实现生成反抗网络的 Wasserstein 损失
- 如何在生成人脸时摸索 GAN 潜在空间
- 如何在 Keras 训练一个渐进式增长的 GAN 来合成人脸
- 训练稳固生成反抗网络的技巧
- 生成反抗网络的 18 个令人印象粗浅的利用
- 渐进式增长 GAN 的温和介绍
- StyleGAN 的温和介绍——格调生成反抗网络
- 如何在 Keras 开发最小二乘生成反抗网络
- 如何辨认和诊断 GAN 故障模式
- 开始应用 GANs 的最佳资源
- 如何在 Keras 中从头实现半监督 GAN（SGAN）
- 生成反抗网络模型之旅
- 如何在 Keras 中应用 UpSampling2D 和 Conv2D 转置层
- 生成反抗网络（GANs）的温和介绍
- CycleGAN 图像转换的温和介绍
-
Machine Learning Mastery 不均衡数据教程
- 用于不均衡分类的装袋和随机森林
- 如何为不均衡分类联合过采样和欠采样
- 用于不均衡分类的老本敏感决策树
- 不均衡分类的老本敏感学习
- 不均衡分类的老本敏感逻辑回归
- 如何为不均衡分类开发成本敏感的神经网络
- 用于不均衡分类的老本敏感 SVM
- 如何为不均衡分类修复 K 折穿插验证
- 不均衡类别的数据采样办法之旅
- 不均衡类别散布的分类准确率故障
- 机器学习的 Fbeta 测量的温和介绍
- 不均衡分类我的项目的分步框架
- 如何为乳腺癌患者存活建设概率模型
- 开发重大偏斜的类散布的直觉
- 不均衡分类为什么难？
- 检测乳腺摄影微钙化的不均衡分类模型
- 如何开发不均衡分类模型来检测漏油
- 开发信用好坏的不均衡分类模型
- Python 不均衡分类（7 天迷你课程）
- 成人支出数据集的不均衡分类
- 欺诈性信用卡交易数据集的不均衡分类
- 大肠杆菌数据集的不均衡多类分类
- 玻璃辨认数据集的不均衡多类分类
- 多类不均衡分类
- 每个不均衡分类度量的奢侈分类器是什么？
- 不均衡数据集的单类分类算法
- 如何计算不均衡分类的准确率、召回率和 F-Measure
- 音素不均衡类别数据集的预测模型
- 如何校准不均衡分类的概率
- 不均衡分类概率度量的温和介绍
- 用于不均衡分类的随机过采样和欠采样
- 不均衡分类的最佳资源
- 不均衡分类的 ROC 曲线和准确率召回率曲线
- Python 中用于不均衡分类的 SMOTE
- 不均衡分类的规范机器学习数据集
- 用于不均衡分类的阈值挪动的温和介绍
- 不均衡分类的评估指标之旅
- 不均衡分类的欠采样算法
- 不均衡分类的温和介绍
- 如何为不均衡分类配置 XGBoost
-
Machine Learning Mastery 优化教程
- 用于函数优化的一维测试函数
- 用于函数优化的二维测试函数
- 粒子群优化的温和介绍
- 从零开始编写 Adam 优化算法
- Python 中的盆地跳跃优化
- BFGS 优化算法的温和介绍
- 遗传编程书籍
- 3 本机器学习优化书籍
- Python 曲线拟合
- Python 中从零开始的差分进化
- Python 差分进化的全局优化
- Python 双重退火优化
- Python 中从零开始的进化策略
- 应用随机优化算法的特征选择
- 应用 SciPy 的函数优化
- 如何从零开始实现梯度降落优化
- 从零开始的 AdaMax 梯度降落优化
- 从零开始的 AMSGrad 梯度降落优化
- 从零开始的 Nadam 梯度降落优化
- 从零开始的 Adadelta 梯度降落
- 从零开始的 AdaGrad 梯度降落
- 从零开始的动量梯度降落
- 从零开始的 Nesterov 动量梯度降落
- 从零开始的 RMSProp 梯度降落
- 什么是机器学习中的梯度？
- 如何在 Python 中应用 NelderMead 优化
- 函数优化的温和介绍
- Python 中从零开始的迭代式部分搜寻
- Python 线性搜寻优化
- 局部优化和全局优化的比照
- 如何手动优化机器学习模型超参数
- 如何手动优化神经网络模型
- 应用 Sklearn 建模管道优化
- 机器学习没有收费午餐定理
- 机器学习优化速成班
- 如何应用优化算法手动拟合回归模型
- 过早收敛的温和介绍
- 函数优化的随机搜寻和网格搜寻
- Python 中从零开始的简略遗传算法
- Python 中从零开始的模拟退火
- Python 中从零开始的随机爬山
- 随机优化算法的简略介绍
- 如何抉择优化算法
- Python 中的单变量函数优化
- Python 中函数优化的可视化
- 为什么优化在机器学习中很重要
-
Machine Learning Mastery 概率教程
- 简评詹森不等式
- 贝叶斯最优分类器的简略介绍
- 机器学习贝叶斯定理的温和介绍
- 如何在 Python 中从零开始开发奢侈贝叶斯分类器
- 机器学习的间断概率分布
- 机器学习穿插熵的温和介绍
- 机器学习的离散概率分布
- 如何计算机器学习的 KL 散度
- 如何在 Python 中应用教训散布函数
- 冀望最大化算法的温和介绍
- 如何开发联结概率、边缘概率和条件概率的直觉
- 如何通过工作实例开发概率的直觉
- 如何利用概率开发和评估奢侈分类器策略
- 机器学习的信息增益和互信息
- 贝叶斯信念网络的温和介绍
- 计算学习实践的温和介绍
- 应用工作实例开发贝叶斯定理的直觉
- 对联结概率、边缘概率和条件概率的温和介绍
- 最大似然预计线性回归的简略介绍
- 应用最大似然预计的逻辑回归入门
- 马尔可夫链蒙特卡罗的温和介绍
- 机器学习最大后验概率的温和介绍
- 蒙特卡罗采样的温和介绍
- 应用 AIC、BIC 和 MDL 的概率模型抉择
- 概率密度预计的简略介绍
- 面向机器学习的概率（7 天迷你课程）
- 机器学习中概率的入门资源
- 随机在机器学习中意味着什么？
- 机器学习中不确定性的温和介绍
- 概率分布的简略介绍
- 如何在 Python 中从头实现贝叶斯优化
- 信息熵的温和介绍
- 机器学习最大似然预计的温和介绍
- 什么是概率？
- 为机器学习学习概率的 5 个理由
-
Machine Learning Mastery R 机器学习教程
- 从乘客存活预测案例钻研中取得的利用机器学习教训
- R 机器学习书籍
- 用于利用预测建模的 Caret 包
- 应用 Caret R 包比拟模型并抉择最佳计划
- 在 R 中比拟机器学习算法
- R 中的凸优化
- 应用可视化更好地了解你在 R 中的数据（明天你能够应用的 10 个秘籍）
- 将 Caret R 包用于数据可视化
- 应用描述性统计更好地了解你的 R 数据
- 如何用 R 评估机器学习算法
- 应用 caret 包抉择特色
- 在 R 中保留并最终确定您的机器学习模型
- 如何在 R 中开始机器学习（一个周末内取得后果）
- 如何应用 Caret 包预计 R 中的模型准确率
- 如何在 R 中入门机器学习算法
- 如何在 R 中加载机器学习数据
- 如何将 R 用于机器学习
- R 中的线性分类
- R 中的线性回归
- R 中的机器学习数据集（你当初能够应用的 10 个数据集）
- 如何在 R 中构建机器学习算法的集成
- R 中的机器学习评估指标
- R 中的第一个机器学习逐渐我的项目
- R 中的机器学习我的项目模板
- R 中的决策树非线性分类
- R 中的非线性分类
- R 中的决策树非线性回归
- R 中的非线性回归
- R 中的惩办回归
- 通过预处理为机器学习筹备好数据
- R 的超快速成班（面向开发者）
- R 机器学习迷你课程
- R 机器学习回顾
- 抽查 R 中的机器学习算法（下一个我的项目要尝试的算法）
- 调整 R 中的机器学习算法（随机森林案例钻研）
- 应用 Caret 包调整机器学习模型
- 将 R 用于机器学习
- 什么是 R
-
Machine Learning Mastery Weka 教程
- Weka 机器学习迷你课程
- 应用 Weka 放慢利用机器学习的进度
- 如何在 Weka 中更好地了解你的机器学习数据
- 我开始机器学习时犯的最大谬误，以及如何防止
- 如何在 Weka 中逐渐实现二分类我的项目
- 案例钻研：预测五年内糖尿病的发生（第 1 局部，共 3 局部）
- 案例钻研：预测五年内糖尿病的发生（第 2 局部，共 3 局部）
- 案例钻研：预测五年内糖尿病的发生（第 3 局部，共 3 局部）
- 如何在 Weka 中比拟机器学习算法的体现
- 设计并运行你在 Weka 的第一个试验
- 如何下载安装 Weka 机器学习工作台
- 如何在 Weka 中评估机器学习模型的基线体现
- 如何在 Weka 中预计机器学习算法的体现
- 用于进步准确率和缩小训练工夫的特征选择
- 如何取得更多 Weka 机器学习工作台的帮忙
- 如何应用 Weka 解决机器学习数据中的缺失值
- 如何在 Weka 中运行你的第一个分类器
- 如何在 Weka 中调整机器学习算法
- 在 Weka 中为更好的预测应用晋升、装袋和混合集成
- 如何在 Weka 中加载 CSV 机器学习数据
- 应用关联规则学习的菜篮子剖析
- 如何在 Weka 实现多类分类我的项目
- 如何在 Weka 中标准和标准化你的机器学习数据
- 如何在 Weka 中用机器学习数据执行特征选择
- 针对机器学习问题的疾速脏数据分析
- 如何在 Weka 中浏览回归机器学习我的项目
- 如何保留你的机器学习模型并在 Weka 中做出预测
- Weka 中用于练习的规范机器学习数据集
- Weka 中解决机器学习问题的模板
- Weka 机器学习工作台之旅
- 如何在 Weka 中转换你的机器学习数据
- 如何在 Weka 中调整机器学习算法
- 如何在 Weka 中应用分类机器学习算法
- 如何在 Weka 中应用集成机器学习算法
- 如何在 Weka 中应用机器学习算法
- 如何在 Weka 中应用回归机器学习算法
- 什么是 Weka 机器学习工作台
下载
Docker
docker pull apachecn0/ml-mastery-zh-pt2
docker run -tid -p <port>:80 apachecn0/ml-mastery-zh
# 拜访 http://localhost:{port}
PYPI
pip install ml-mastery-zh-pt2
ml-mastery-zh-pt2 <port>
# 拜访 http://localhost:{port}
NPM
npm install -g ml-mastery-zh-pt2
ml-mastery-zh-pt2 <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。
正文完