Machine Learning Praxis-Labs
Anfänger
Dieser Kurs enthält viele Labs für maschinelles Lernen. Jedes Lab ist ein kleines Machine Learning-Projekt mit detaillierter Anleitung und Lösungen. Sie können Ihre Machine Learning-Fähigkeiten verbessern, indem Sie diese Labs absolvieren, Ihre Programmierfähigkeiten aufbauen und lernen, wie Sie sauberen und effizienten Code schreiben.
pythonsklearndata-science
💡 Dieser Artikel wurde von AI-Assistenten übersetzt. Um die englische Version anzuzeigen, können Sie hier klicken
- Einführung
- Lehrplan
Anpassung an den Zufall bei der Bewertung der Clusterleistung
Wahrscheinlichkeitskalibrierung von Klassifizierern
Plot Causal Interpretation
Classifier Chain Ensemble
Segmentierung griechischer Münzen mit spectraler Clustering-Methode
Scikit-Learn Column Transformer
Vergleich von Manifold Learning
Kreuzvalidierungstechniken mit Scikit-Learn
Vergleich von Dimensionalitätsreduktionsstrategien
Gauß'sches Mischmodell
Dichteschätzung mit Gaussian Mixture Models
Gaussian Mixture Model Sinuskurve
Prognoseintervalle für die Gradientenboosting-Regression
Gradient Boosting Regression
Bildentrauschung mit Wörterbuchlernmethode
Induktives Clustering mit Scikit-Learn
Binäre Klassifizierung der Iris-Flower mit SVM
K-Means++ Clustering mit Scikit-Learn
Halbsupervisioniertes Lernen mit Label Spreading
Scikit-Learn Lasso-Pfad
LinearSVC Unterstützungsvektoren
Das Verständnis der Modellkomplexität
Gesichtsvervollständigung mit multi-output-Schätzern
Dimensionalitätsreduzierung mit Neighborhood Components Analysis
Beispiel für lineare Regression mit Sparsität
Gewöhnliche kleinste Quadrate und Ridge-Regressions-Varianz
One-Class SVM zur Novelty Detection
Fortgeschrittene Grafiken mit partieller Abhängigkeit
Hauptkomponentenanalyse auf dem Iris-Datensatz
Permutations-Wichtigkeit darstellen
Permutations-Wichtigkeit auf dem Breast-Cancer-Datensatz
Polynomiale und Spline-Interpolation
Vorhersageverzögerung mit Scikit-Learn-Schätzern
Robuste lineare Modellschätzung
RBF SVM-Parameteranpassung
k-Nearest-Neighbors-Regression
Scikit-Learn Ridge Regression Beispiel
Vergleich von konvexen Verlustfunktionen
Gewichteter Datensatz - Darstellung der Entscheidungsfunktion
Verwenden von Stacking, um Prädiktoren zu kombinieren
Visualisierung der Struktur des Aktienmarktes
SVM Kernel Datenklassifizierung
Das Entdecken von Parametern des linearen SVM
Nichtlineare SVM-Klassifikation
Visualisiere hochdimensionale Daten mit t-SNE
Vergleich verschiedener kategorischer Encoder
Support Vector Machine Gewichtete Stichproben
Neuentdeckungs- und Ausreißererkennung mit Scikit-Learn
Zufallsprojektion zur Dimensionsreduzierung
Kurvenanpassung mit Bayesian Ridge Regression
Klassifizierung mit den nächsten Nachbarn
Das K-Means-Clustering mit Python erkunden
Vergleiche Kreuzzerlegungsmethoden
Plotten des Konzentrations-Priors
SVM-Klassifizierung mit benutzerdefiniertem Kernel
Kreuzvalidierung auf dem Digits-Datensatz
Feature Agglomeration für hochdimensionale Daten
Agglomeratives Clustering auf dem Digits-Datensatz
Vergleich von F-Test und gegenseitiger Information
Vektorisierung mit KBinsDiscretizer
Zerlegungen des Faces Datensatzes
Gauß-Prozess-Klassifikation auf dem Iris-Datensatz
Gaussian Process Klassifikation
Gaußsche Prozesse-Klassifikation auf XOR-Datensatz
Nichtlineare Vorhersagemodelle mit Gaussian Process
Gaussian-Prozess-Regressionsmodell anpassen
Gaussian Process Regression: Kerne
Early Stopping von Gradient Boosting
Blind Source Separation
Unabhängige Komponentenanalyse mit FastICA und PCA
Iris-Blumenklassifikation mit Scikit-learn
SVM-Klassifizierer auf dem Iris-Datensatz
Einfache eindimensionale Kernel-Dichteschätzung
Aktives Lernen mit Labelpropagation
Lasso und Elastic Net
Diskriminanzanalyse Klassifizierungsalgorithmen
Hierarchische Clusteranalyse mit Scikit-Learn
Local Outlier Factor für die Neuheitserkennung
Ausreißerdetektion mit LOF
Logistisches Regressionsmodell
Regularisierungspfad der L1-Logistischen Regression
Vergleich von Kovarianzschätzern
Robuste Kovarianzschätzung und Relevanz von Mahalanobis-Distanzen
Mehrdimensionale Skalierung auf sphärischen Daten
Gemeinsame Merkmalsauswahl mit Multi-Task Lasso
Lineare Regression Beispiel
OPTICS-Clustering-Algorithmus
Hauptkomponentenanalyse
Zufällige Klassifikationsdatensatzdarstellung
Generierung eines Mehrfachklassifizierungsdatensatzes mit Scikit-Learn
Robuste Kovarianzschätzung in Python
Anwendung von Regularisierungstechniken mit SGD
Sparse Coding mit vorgeberechnetem Wörterbuch
Support Vector Regression
Reduktion von Swiss Roll und Swiss-Hole
Theil-Sen-Regression mit Python Scikit-Learn
Bildrekonstruktion mittels Compressive Sensing
Entscheidungsbaum-Regression
Mehrfachausgaberegression mit Entscheidungsbaum
Scikit-Learn Libsvm GUI
Wikipedia PageRank mit Randomized SVD
Nichtlineare Regression mit Isotoner Regression
Neuronale Netzwerkmodelle
Gaussian Mixture Modelle
Mannigfaltigkeitslernmethode mit Scikit-Learn
Biclustering in Scikit-Learn
Das Zerlegen von Signalen in Komponenten
Kovarianzmatrixschätzung mit Scikit-Learn
Dichteschätzung mit Kernel-Dichte
Maschinelles Lernen mit Kreuzvalidierung in Python
Feature Extraction mit Scikit-Learn
Imputation von fehlenden Werten
Kernel-Approximationstechniken in Scikit-Learn
Paarweise Maße und Kerne in Scikit-Learn
Das Vorhersageziel transformieren
Boosted Decision Tree Regression
Affinitätsfortpflanzungsklustering
Plot Agglomerative Clustering
Agglomeratives Clustering mit Metriken
Hierarchisches Clustering Dendrogramm
Daten skalieren und transformieren
Bias-Varianz-Zerlegung mit Bagging
Vergleich von BIRCH und MiniBatchKMeans
Vergleich der Leistung von Bisecting K-Means und regulärem K-Means
Vergleich von Clustering-Algorithmen
Bildsegmentierung mit hierarchischem Clustering
Scikit-Learn Konfusionsmatrix
Shrinkage Kovarianzschätzung
Kreuzvalidierung mit linearen Modellen
Gesichtsausschnitte des Wörterbuchs visualisieren
Erkennen von handschriftlichen Ziffern
Demonstration von KBinsDiscretizer-Strategien
Gram-Matrix für ElasticNet vorberechnen
Schätzung der OOB-Fehlerrate für Random Forest
Pixelwichtigkeiten mit parallelem Wald von Bäumen
Gaussian Mixture Model Kovarianzen
Auswahl von Gaußschen Mischmodellen
Wahrscheinlichkeitsprognosen mit Gaussian Process Classification
GPR Co2 plotten
Gaußsche Prozesse auf diskreten Datenstrukturen
Gradient Boosting Regularisierung
Vergleich von FeatureHasher und DictVectorizer
Demo des HDBSCAN-Clustering-Algorithmus
Vergleiche Huber und Ridge
Inkrementelle Hauptkomponentenanalyse auf dem Iris-Datensatz
Logistisches Regressionsmodell für den Iris-Datensatz
Explizite Approximation der Feature Map für RBF-Kerne
Empirische Auswertung der K-Means-Initialisierung
Label Propagation Lernen
Scikit-Learn Lasso Regression
Schritt-für-Schritt Logistische Regression
Daten auf eine Normalverteilung abbilden
Hochdimensionale Daten mit MDS visualisieren
Mean-Shift-Clustering-Algorithmus
Gradient Boosting Monotonic Constraints
Neighborhood Components Analysis
Klassifizierung mit nächstem Zentrum
Dünnes Signalrückgewinnung mit Orthogonaler Suchverfolgung
Vergleiche PCA und LDA
Spektrales Clustering für die Bildsegmentierung
Halbüberwachte Klassifizierer auf dem Iris-Datensatz
SVM: Maximale Margin trennende Hyperebene
SVM für unausgewogene Klassen
Scikit-Learn Mehrklassen-SGD-Klassifizierer
Zeichnen der Hyperebene mit SGD
Sparse Inverse Kovarianzschätzung
Artenverteilungsmodellierung
Kern-Dichteschätzung von Artenverbreitungen
SVM Tie Breaking
Scikit-Learn Elastic-Net-Regressionsmodell
Halbüberwachte Lernalgorithmen
Unüberwachtes Clustering mit k-Means
Vorverarbeitungstechniken in Scikit-Learn
Farbquantisierung mit K-Means
Vergleich von GPR und KRR in einem Plot
Nachträgliches Pruning von Entscheidungsbäumen
Ziffernklassifizierung mit Scikit-Learn
Digit Dataset Analysis
Kontinuierliche Merkmale mit KBinsDiscretizer diskretisieren
Vergleich von Random Forest und Histogram Gradient Boosting
Plotten von Wald Iris
Initialisierungsmethoden für Gaussian Mixture Modelle
Plot Grid Search Digits
Entscheidungsbäume auf dem Iris-Datensatz
Anomalieerkennung mit Isolation Forest
Nichtparametrische isotonische Regression mit Scikit-Learn
Das Johnson-Lindenstrauss-Lemma mit zufälligen Projekten erkunden
Hauptkomponentenanalyse mit Kernel PCA
Kernel Ridge Regression plotten
Das Entdecken von Annahmen beim K-Means-Clustering
Clusteranalyse mit Silhouettenmethode
Sparse Signal Regression mit L1-basierten Modellen
Lineare Diskriminanzanalyse zur Klassifizierung
Multinomiale und One-vs-Rest logistische Regression darstellen
Vergleich von K-Means und MiniBatchKMeans
Scikit-Learn MLPClassifier: Stochastische Lernstrategien
Geschachtelte Kreuzvalidierung für die Modellauswahl (Nested Cross-Validation for Model Selection)
Nichtnegative kleinste Quadrate Regression
Ausreißer in Weindaten erkennen
Pca vs Fa Modellauswahl plotten
Permutations-Test-Score für die Klassifikation
Quantil-Regression mit Scikit-Learn
Plot Random Forest Regression Multioutput
Hyperparameteroptimierung: Zufällige Suche vs Gitterverfahren
Rekursive Feature-Eliminierung
Ridge Regression für lineare Modelle
ROC mit Kreuzvalidierung
Modellbasiertes und sequentielles Feature-Selection
Vergleich von Online-Löser für die Klassifizierung handschriftlicher Ziffern
Spectral Biclustering-Algorithmus
Spektrales Co-Clustering-Algorithmus
Vergleich zwischen Grid Search und Successive Halving
Skaliert den Regularisierungsparameter für SVMs
Diagramm zur Themenextraktion mit NMF und LDA
Entscheidungsbaumanalyse
Zeichnen von Validierungskurven
Entdecken der Iris-Datensatzstruktur durch Faktorenanalyse
Klasswahrscheinlichkeiten mit VotingClassifier
Diabetes-Vorhersage mit Voting Regressor
Hierarchisches Clustering mit Verbindungsbedingungen
Das Optimieren von Hyperparametern eines Schätzers
Validierungskurven: Plotten von Scores zur Modellbewertung
Partialabhängigkeit und individuelle bedingte Erwartung
Permutationsmerkmalwichtigkeit
Diskreter vs. reeller AdaBoost
Mehrklassen AdaBoost-Baummodelle
AdaBoost Entscheidungsbaumstumpf-Klassifizierung
Vergleich von linearen bayes'schen Regressoren
Dokumentbiclustering mit dem Spektralen Co-Clustering-Algorithmus
Das Caching von Nachbarn
Wahrscheinlichkeitskalibrierung für die 3-Klassen-Klassifikation
Das Plotten von Klassifikationswahrscheinlichkeiten
Vorhersagen mit Kreuzvalidierung plotten
DBSCAN-Clustering-Algorithmus
Bildentrauschung mit Kernel PCA
Kernel-Dichteschätzung
Merkmalswichtigkeit mit Zufälligem Wald
Gradient Boosting Out-of-Bag-Schätzungen
Lasso-Modellauswahl
Modelauswahl für die Lasso-Regression
Das Plotten von Lernkurven
Handschriftliche Ziffern mit MLP Classifier klassifizieren
Optimieren von Modelyyperparametern mit GridSearchCV
Textklassifizierung mit out-of-core Learning
Hashing Feature Transformation
Rekursive Feature-Eliminierung mit Kreuzvalidierung
Robuste lineare Schätzung
Frühes Stoppen des Stochastic Gradient Descent
Sgdocsvm vs Ocsvm plotten
Multiclass Sparse Logistic Regression
Sukzessive Halbierung von Iterationen
Kategorische Datentransformation mit TargetEncoder
Unteranpassung (Underfitting) und Überanpassung (Overfitting)
Erkundung von Ensemble-Methoden mit Scikit-Learn
Feature-Selektion mit Scikit-Learn
Evaluierung der Qualität von Machine Learning-Modellen
Plot Digits Pipe
Scikit-Learn Schätzer und Pipelines
Feature Transformations mit Ensembles von Bäumen
Modellkomplexität und durch Kreuzvalidierung ermittelter Score im Gleichgewicht bringen
Textdaten-Merkmalsextraktion und -Auswertung
K-Means-Clustering für handschriftliche Ziffern
Regularisierung von Multilayer-Perzeptronen
Mehrfaches Dokumentenklassifizierung
Nca-Klassifikation plotten
Ausreißererkennung mit Scikit-Learn-Algorithmen
Multiklass-ROC-Bewertung mit Scikit-Learn
Scikit-Learn Visualisierungs-API
Polynomielle Kernapproximation mit Scikit-Learn
Effekt variierender Schwellwerte beim Selbsttraining
MNIST Multinomiale Logistische Regression
Iris-Blumen-Klassifizierung mit Voting Classifier
Approximative nächste Nachbarn in TSNE
Visualisierungen mit Anzeigeobjekten erstellen
Gesichtserkennung mit Eigenfaces und SVMs
Univariate Feature Selection
Das Aufbauen von maschinellen Lernpipelines mit Scikit-Learn
Das Verbinden mehrerer Feature-Extraktionsmethoden
Gradient Boosting mit kategorischen Merkmalen
Klassen-Likelihood-Ratios zur Messung der Klassifikationsleistung
Fehlende Daten einschätzen
PCR vs PLS plotten
Feature Selection für SVC auf Iris-Datensatz
Transformation des Ziels für lineare Regression
Multiclass- und Multioutput-Algorithmen
Vergleich von Anomalieerkennungsalgorithmen
Wahrscheinlichkeitskalibrierungskurven
Vergleich der Kalibrierung von Klassifizierern
Dimensionalitätsreduzierung mit Pipeline und GridSearchCV
Detection Error Tradeoff Kurve
Präzision-Rekall-Metrik für die unausgewogene Klassifizierung
Column Transformer mit gemischten Datentypen
Zifferklassifizierung mit RBM-Features
Halbüberwachte Textklassifizierung
Verwendung der Set_output-API
Feature-Diskretisierung für die Klassifikation
Textklassifizierung
Scikit-Learn Iterative Imputer
Manifold Learning auf handschriftliche Ziffern
Scikit-Learn Pipelines erstellen
Feature Skalierung in der Machine Learning
Pipelines und zusammengesetzte Schätzer
Vergleich von Klassifizierern in Scikit-Learn
Lehrer
Labby
Labby is the LabEx teacher.
In Google Classroom teilen
Treten Sie unserem Discord bei und lernen Sie gemeinsam
Jetzt beitretenNutzerbewertungen
" It was a great first learning experience for myyy linux journey. Thank you to the devs and supporters who made this happen :)"
— Mohamed Evan
" 非常感谢提供这么有趣的学习平台，激发了我的学习欲望，非常感谢"
— Leandrolzz
Für Sie empfohlen
