机器学习中许多最重要概念路线图,如何学习它们以及使用什么工具来执行它们。

即:

🤔机器学习问题, 机器学习问题是什么样子? ♻️机器学习过程—一旦你发现一个问题,你会采取什么步骤来解决吗? 🛠—你该怎么使用机器学习工具来构建解决方案吗? 🧮机器学习数学,哪些部分机器学习代码要你写? 📚机器学习资源——好吧, 很酷,我该如何学习呢?

地址:

https://github.com/mrdbourke/machine-learning-roadmap

成为VIP会员查看完整内容
0
45

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

从这些令人兴奋的课程中学习,让自己沉浸在深度学习、强化学习、机器学习、计算机视觉和NLP中!!

成为VIP会员查看完整内容
0
48

机器学习正在席卷全球,许多拥有规则引擎的公司开始利用它来进行商业决策。然而,这两种技术针对的是不同的问题。规则引擎用于执行需要100%精度的离散逻辑;机器学习的重点是获取一些输入并试图预测结果。

Andrew Bonham详细介绍了规则引擎和机器学习的优点,并为它们确定了最佳用例。您还将学习将规则和机器学习结合使用的模式。例如,您可以运行一个机器学习模型,并将输出作为规则的输入。反之亦然,规则的输出是机器学习模型的特征输入。然后,Andrew使用带有机器学习模型的规则引擎来演示其中一个模式。

加入进来,学习何时应用这些技术,以及应用于哪些问题。

成为VIP会员查看完整内容
0
42

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
0
66

机器学习速成课程 是 Google 在 google.cn 推出的一些了机器学习课程,针对初学者,只要有一些基础的数学以及 python 知识,就可以开始快速入门。

这套教程可以帮你解决以下问题:

机器学习与传统编程有何不同?

什么是损失,如何衡量损失?

梯度下降法的运作方式是怎样的?

如何确定我的模型是否有效?

怎样为机器学习提供我的数据?

如何构建深度神经网络?

成为VIP会员查看完整内容
0
64
小贴士
相关资讯
【ML小白】10 个机器学习 Q&A,面试必知!
机器学习算法与Python学习
3+阅读 · 2019年9月9日
机器学习数学基础【附PPT下载】
专知
30+阅读 · 2018年9月17日
程序员精选:TensorFlow和ML前5名的课程
云栖社区
5+阅读 · 2018年8月27日
180页机器学习Python简介教程【免费下载】
机器学习算法与Python学习
4+阅读 · 2018年8月18日
相关论文
Hangbo Bao,Li Dong,Furu Wei,Wenhui Wang,Nan Yang,Xiaodong Liu,Yu Wang,Songhao Piao,Jianfeng Gao,Ming Zhou,Hsiao-Wuen Hon
7+阅读 · 2月28日
Jonghwan Mun,Linjie Yang,Zhou Ren,Ning Xu,Bohyung Han
7+阅读 · 2019年4月8日
Piotr Szymański,Tomasz Kajdanowicz,Nitesh Chawla
3+阅读 · 2019年1月1日
ML-Net: multi-label classification of biomedical texts with deep neural networks
Jingcheng Du,Qingyu Chen,Yifan Peng,Yang Xiang,Cui Tao,Zhiyong Lu
5+阅读 · 2018年11月15日
Doubly Attentive Transformer Machine Translation
Hasan Sait Arslan,Mark Fishel,Gholamreza Anbarjafari
4+阅读 · 2018年7月30日
Sergey Edunov,Myle Ott,Michael Auli,David Grangier,Marc'Aurelio Ranzato
5+阅读 · 2018年5月24日
Guillaume Lample,Myle Ott,Alexis Conneau,Ludovic Denoyer,Marc'Aurelio Ranzato
4+阅读 · 2018年4月20日
Joseph Redmon,Ali Farhadi
6+阅读 · 2018年4月8日
Hyrum S. Anderson,Anant Kharkar,Bobby Filar,David Evans,Phil Roth
3+阅读 · 2018年1月30日
Alexis Conneau,Guillaume Lample,Marc'Aurelio Ranzato,Ludovic Denoyer,Hervé Jégou
7+阅读 · 2018年1月30日
Top