Python机器学习教程资料/代码

2018 年 2 月 22 日 机器学习研究会
Python机器学习教程资料/代码
                                                                                                                                                                                       
点击上方 “机器学习研究会”可以订阅
摘要
 

转自:爱可可-爱生活

This tutorial will teach you the basics of scikit-learn. I will give you a brief overview of the basic concepts of classification and regression analysis, and how to build powerful predictive models from labeled data. Although it's not a requirement for attending this tutorial, I highly recommend you to check out the accompanying GitHub repository at https://github.com/rasbt/msu-datascience-ml-tutorial-2018 1-2 days before the tutorial. During the session, we will not only talk about scikit-learn, but we will also go over some live code examples to get the knack of scikit-learn's API.

If you have any questions about the tutorial, please don't hesitate to contact me. You can either open an "issue" on GitHub or reach me via email at mail_at_sebastianraschka.com. I am looking forward to meeting you soon!


  • View the presentation slides: https://speakerdeck.com/rasbt/machine-learning-with-python

  • View the code notebook: code/tutorial.ipynb


Schedule

This repository will contain the teaching material and other info for the Learning scikit-learn tutorial at the MSU Data Science held on February 21st 6:15-7:30 pm at Wells Hall (WH) B102.

  • When? Wed Feb 21, 2018 at 6:15 - 7:30 pm

  • Where? Michigan State University Wells Hall (WH) B102

I recommend watching the MSU Data Science website and Facebook group for (last minute) updates

  • http://msudatascience.com/calendar/

  • https://www.facebook.com/events/174671933295040/

Obtaining the Tutorial Material

If you already have a GitHub account, the probably most convenient way to obtain the tutorial material is to clone this GitHub repository via git clone https://github.com/rasbt/msu-datascience-ml-tutorial-2018 and fetch updates via pull origin master


链接:

https://github.com/rasbt/msu-datascience-ml-tutorial-2018


原文链接:

https://m.weibo.cn/1402400261/4210319288766371

“完整内容”请点击【阅读原文】
↓↓↓
登录查看更多
5

相关内容

Scikit-learn项目最早由数据科学家David Cournapeau 在2007 年发起,需要NumPy和SciPy等其他包的支持,是Python语言中专门针对机器学习应用而发展起来的一款开源框架。

When I started out, I had a strong quantitative background (chemical engineering undergrad, was taking PhD courses in chemical engineering) and some functional skills in programming. From there, I first dove deep into one type of machine learning (Gaussian processes) along with general ML practice (how to set up ML experiments in order to evaluate your models) because that was what I needed for my project. I learned mostly online and by reading papers, but I also took one class on data analysis for biologists that wasn’t ML-focused but did cover programming and statistical thinking. Later, I took a linear algebra class, an ML survey class, and an advanced topics class on structured learning at Caltech. Those helped me obtain a broad knowledge of ML, and then I’ve gained deeper understandings of some subfields that interest me or are especially relevant by reading papers closely (chasing down references and anything I don’t understand and/or implementing the core algorithms myself).

成为VIP会员查看完整内容
0
47
小贴士
相关资讯
《机器学习实战》代码(基于Python3)
专知
28+阅读 · 2019年10月14日
Python机器学习课程(代码与教程)
专知
21+阅读 · 2019年5月13日
机器学习线性代数速查
机器学习研究会
12+阅读 · 2018年2月25日
基于LSTM-CNN组合模型的Twitter情感分析(附代码)
机器学习研究会
42+阅读 · 2018年2月21日
【资源】15个在线机器学习课程和教程
专知
6+阅读 · 2017年12月22日
【推荐】SVM实例教程
机器学习研究会
16+阅读 · 2017年8月26日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
6+阅读 · 2017年8月23日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
23+阅读 · 2017年8月14日
相关VIP内容
【干货书】机器学习Python实战教程,366页pdf
专知会员服务
233+阅读 · 2020年3月17日
Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
88+阅读 · 2020年3月15日
机器学习速查手册,135页pdf
专知会员服务
209+阅读 · 2020年3月15日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
82+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
74+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
27+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
47+阅读 · 2019年10月10日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
24+阅读 · 2019年10月9日
相关论文
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
46+阅读 · 2020年7月2日
A Survey on Edge Intelligence
Dianlei Xu,Tong Li,Yong Li,Xiang Su,Sasu Tarkoma,Pan Hui
30+阅读 · 2020年3月26日
Liuyi Yao,Zhixuan Chu,Sheng Li,Yaliang Li,Jing Gao,Aidong Zhang
80+阅读 · 2020年2月5日
A Modern Introduction to Online Learning
Francesco Orabona
15+阅读 · 2019年12月31日
Object Detection in 20 Years: A Survey
Zhengxia Zou,Zhenwei Shi,Yuhong Guo,Jieping Ye
38+阅读 · 2019年5月13日
Antreas Antoniou,Harrison Edwards,Amos Storkey
19+阅读 · 2019年3月5日
Embedding Logical Queries on Knowledge Graphs
William L. Hamilton,Payal Bajaj,Marinka Zitnik,Dan Jurafsky,Jure Leskovec
3+阅读 · 2019年2月19日
Ziwei Zhang,Peng Cui,Wenwu Zhu
40+阅读 · 2018年12月11日
The Matrix Calculus You Need For Deep Learning
Terence Parr,Jeremy Howard
6+阅读 · 2018年7月2日
Avik Ray,Joe Neeman,Sujay Sanghavi,Sanjay Shakkottai
3+阅读 · 2018年2月24日
Top