LabEx
Beitreten

Sklearn Praxis-Labs

Dieser Kurs enthält viele Labs für Sklearn. Jedes Lab ist ein kleines Sklearn-Projekt mit detaillierter Anleitung und Lösungen. Sie können Ihre Sklearn-Fähigkeiten verbessern, indem Sie diese Labs absolvieren, Ihre Programmierfähigkeiten aufpolieren und lernen, wie Sie sauberen und effizienten Code schreiben.

PythonDatenwissenschaft

💡 Dieser Artikel wurde von AI-Assistenten übersetzt. Um die englische Version anzuzeigen, können Sie hier klicken

Lehrplan

Vergleich von Klassifizierern in Scikit-Learn

Textklassifizierung

Feature-Diskretisierung für die Klassifikation

Pipelines und zusammengesetzte Schätzer

Feature Skalierung in der Machine Learning

Scikit-Learn Pipelines erstellen

Scikit-Learn Iterative Imputer

Manifold Learning auf handschriftliche Ziffern

Zifferklassifizierung mit RBM-Features

Column Transformer mit gemischten Datentypen

Verwendung der Set_output-API

Halbüberwachte Textklassifizierung

Vergleich der Kalibrierung von Klassifizierern

Detection Error Tradeoff Kurve

Dimensionalitätsreduzierung mit Pipeline und GridSearchCV

Wahrscheinlichkeitskalibrierungskurven

Vergleich von Anomalieerkennungsalgorithmen

Präzision-Rekall-Metrik für die unausgewogene Klassifizierung

Univariate Feature Selection

Feature Selection für SVC auf Iris-Datensatz

Approximative nächste Nachbarn in TSNE

Visualisierungen mit Anzeigeobjekten erstellen

Transformation des Ziels für lineare Regression

Gradient Boosting mit kategorischen Merkmalen

Das Aufbauen von maschinellen Lernpipelines mit Scikit-Learn

Gesichtserkennung mit Eigenfaces und SVMs

Das Verbinden mehrerer Feature-Extraktionsmethoden

Klassen-Likelihood-Ratios zur Messung der Klassifikationsleistung

PCR vs PLS plotten

Multiclass- und Multioutput-Algorithmen

Fehlende Daten einschätzen

MNIST Multinomiale Logistische Regression

Ausreißererkennung mit Scikit-Learn-Algorithmen

Multiklass-ROC-Bewertung mit Scikit-Learn

Textdaten-Merkmalsextraktion und -Auswertung

Feature Transformations mit Ensembles von Bäumen

Regularisierung von Multilayer-Perzeptronen

K-Means-Clustering für handschriftliche Ziffern

Polynomielle Kernapproximation mit Scikit-Learn

Scikit-Learn Visualisierungs-API

Iris-Blumen-Klassifizierung mit Voting Classifier

Nca-Klassifikation plotten

Plot Digits Pipe

Scikit-Learn Schätzer und Pipelines

Modellkomplexität und durch Kreuzvalidierung ermittelter Score im Gleichgewicht bringen

Effekt variierender Schwellwerte beim Selbsttraining

Mehrfaches Dokumentenklassifizierung

Textklassifizierung mit out-of-core Learning

Vergleich von linearen bayes'schen Regressoren

Lasso-Modellauswahl

Modelauswahl für die Lasso-Regression

Rekursive Feature-Eliminierung mit Kreuzvalidierung

Feature-Selektion mit Scikit-Learn

DBSCAN-Clustering-Algorithmus

Dokumentbiclustering mit dem Spektralen Co-Clustering-Algorithmus

Erkundung von Ensemble-Methoden mit Scikit-Learn

Mehrklassen AdaBoost-Baummodelle

Das Plotten von Lernkurven

Kategorische Datentransformation mit TargetEncoder

Unteranpassung (Underfitting) und Überanpassung (Overfitting)

AdaBoost Entscheidungsbaumstumpf-Klassifizierung

Vorhersagen mit Kreuzvalidierung plotten

Robuste lineare Schätzung

Evaluierung der Qualität von Machine Learning-Modellen

Das Caching von Nachbarn

Optimieren von Modelyyperparametern mit GridSearchCV

Gradient Boosting Out-of-Bag-Schätzungen

Bildentrauschung mit Kernel PCA

Hashing Feature Transformation

Das Plotten von Klassifikationswahrscheinlichkeiten

Wahrscheinlichkeitskalibrierung für die 3-Klassen-Klassifikation

Merkmalswichtigkeit mit Zufälligem Wald

Diskreter vs. reeller AdaBoost

Kernel-Dichteschätzung

Frühes Stoppen des Stochastic Gradient Descent

Sgdocsvm vs Ocsvm plotten

Multiclass Sparse Logistic Regression

Sukzessive Halbierung von Iterationen

Handschriftliche Ziffern mit MLP Classifier klassifizieren

Farbquantisierung mit K-Means

Modellbasiertes und sequentielles Feature-Selection

Kontinuierliche Merkmale mit KBinsDiscretizer diskretisieren

Rekursive Feature-Eliminierung

Diabetes-Vorhersage mit Voting Regressor

Plotten von Wald Iris

Hierarchisches Clustering mit Verbindungsbedingungen

Hyperparameteroptimierung: Zufällige Suche vs Gitterverfahren

Validierungskurven: Plotten von Scores zur Modellbewertung

Nachträgliches Pruning von Entscheidungsbäumen

Ridge Regression für lineare Modelle

Vergleich von Online-Löser für die Klassifizierung handschriftlicher Ziffern

Entscheidungsbaumanalyse

Klasswahrscheinlichkeiten mit VotingClassifier

Vergleich von Random Forest und Histogram Gradient Boosting

Clusteranalyse mit Silhouettenmethode

Multinomiale und One-vs-Rest logistische Regression darstellen

Vergleich von K-Means und MiniBatchKMeans

Spectral Biclustering-Algorithmus

Spektrales Co-Clustering-Algorithmus

Permutationsmerkmalwichtigkeit

Entscheidungsbäume auf dem Iris-Datensatz

Geschachtelte Kreuzvalidierung für die Modellauswahl (Nested Cross-Validation for Model Selection)

Permutations-Test-Score für die Klassifikation

Skaliert den Regularisierungsparameter für SVMs

Zeichnen von Validierungskurven

Das Optimieren von Hyperparametern eines Schätzers

Ziffernklassifizierung mit Scikit-Learn

Entdecken der Iris-Datensatzstruktur durch Faktorenanalyse

Diagramm zur Themenextraktion mit NMF und LDA

Initialisierungsmethoden für Gaussian Mixture Modelle

Partialabhängigkeit und individuelle bedingte Erwartung

ROC mit Kreuzvalidierung

Nichtparametrische isotonische Regression mit Scikit-Learn

Sparse Signal Regression mit L1-basierten Modellen

Nichtnegative kleinste Quadrate Regression

Quantil-Regression mit Scikit-Learn

Ausreißer in Weindaten erkennen

Das Entdecken von Annahmen beim K-Means-Clustering

Das Johnson-Lindenstrauss-Lemma mit zufälligen Projekten erkunden

Hauptkomponentenanalyse mit Kernel PCA

Digit Dataset Analysis

Plot Grid Search Digits

Anomalieerkennung mit Isolation Forest

Vergleich von GPR und KRR in einem Plot

Scikit-Learn MLPClassifier: Stochastische Lernstrategien

Lineare Diskriminanzanalyse zur Klassifizierung

Kernel Ridge Regression plotten

Plot Random Forest Regression Multioutput

Vergleich zwischen Grid Search und Successive Halving

Pca vs Fa Modellauswahl plotten

Artenverteilungsmodellierung

Daten skalieren und transformieren

Demonstration von KBinsDiscretizer-Strategien

Vergleich von FeatureHasher und DictVectorizer

Gram-Matrix für ElasticNet vorberechnen

Vergleiche Huber und Ridge

Scikit-Learn Lasso Regression

Dünnes Signalrückgewinnung mit Orthogonaler Suchverfolgung

Zeichnen der Hyperebene mit SGD

Schritt-für-Schritt Logistische Regression

Empirische Auswertung der K-Means-Initialisierung

Neighborhood Components Analysis

Kern-Dichteschätzung von Artenverbreitungen

Affinitätsfortpflanzungsklustering

Hierarchisches Clustering Dendrogramm

Vergleich von BIRCH und MiniBatchKMeans

Vergleich der Leistung von Bisecting K-Means und regulärem K-Means

Vergleich von Clustering-Algorithmen

Demo des HDBSCAN-Clustering-Algorithmus

Mean-Shift-Clustering-Algorithmus

Unüberwachtes Clustering mit k-Means

Schätzung der OOB-Fehlerrate für Random Forest

Pixelwichtigkeiten mit parallelem Wald von Bäumen

Bildsegmentierung mit hierarchischem Clustering

Gesichtsausschnitte des Wörterbuchs visualisieren

Gaußsche Prozesse auf diskreten Datenstrukturen

Spektrales Clustering für die Bildsegmentierung

SVM Tie Breaking

GPR Co2 plotten

Boosted Decision Tree Regression

Bias-Varianz-Zerlegung mit Bagging

Scikit-Learn Elastic-Net-Regressionsmodell

Plot Agglomerative Clustering

Daten auf eine Normalverteilung abbilden

Kreuzvalidierung mit linearen Modellen

SVM: Maximale Margin trennende Hyperebene

SVM für unausgewogene Klassen

Vorverarbeitungstechniken in Scikit-Learn

Agglomeratives Clustering mit Metriken

Logistisches Regressionsmodell für den Iris-Datensatz

Scikit-Learn Mehrklassen-SGD-Klassifizierer

Inkrementelle Hauptkomponentenanalyse auf dem Iris-Datensatz

Sparse Inverse Kovarianzschätzung

Klassifizierung mit nächstem Zentrum

Wahrscheinlichkeitsprognosen mit Gaussian Process Classification

Gradient Boosting Monotonic Constraints

Scikit-Learn Konfusionsmatrix

Erkennen von handschriftlichen Ziffern

Gradient Boosting Regularisierung

Label Propagation Lernen

Halbüberwachte Lernalgorithmen

Nichtlineare Datenregressionsverfahren

Vorhersage für den Bitcoin-Preis

Shrinkage Kovarianzschätzung

Hochdimensionale Daten mit MDS visualisieren

Gaussian Mixture Model Kovarianzen

Auswahl von Gaußschen Mischmodellen

Halbüberwachte Klassifizierer auf dem Iris-Datensatz

Explizite Approximation der Feature Map für RBF-Kerne

Vergleiche PCA und LDA

Mehrdimensionale Skalierung auf sphärischen Daten

Zerlegungen des Faces Datensatzes

Zufällige Klassifikationsdatensatzdarstellung

Generierung eines Mehrfachklassifizierungsdatensatzes mit Scikit-Learn

Reduktion von Swiss Roll und Swiss-Hole

Scikit-Learn Libsvm GUI

Vektorisierung mit KBinsDiscretizer

Hierarchische Clusteranalyse mit Scikit-Learn

Das Vorhersageziel transformieren

Feature Agglomeration für hochdimensionale Daten

Feature Extraction mit Scikit-Learn

Vergleich von F-Test und gegenseitiger Information

Kurvenanpassung mit Bayesian Ridge Regression

Lasso und Elastic Net

Logistisches Regressionsmodell

Gemeinsame Merkmalsauswahl mit Multi-Task Lasso

Anwendung von Regularisierungstechniken mit SGD

Theil-Sen-Regression mit Python Scikit-Learn

Bildrekonstruktion mittels Compressive Sensing

Entscheidungsbaum-Regression

Mehrfachausgaberegression mit Entscheidungsbaum

Einfache eindimensionale Kernel-Dichteschätzung

Local Outlier Factor für die Neuheitserkennung

Ausreißerdetektion mit LOF

Dichteschätzung mit Kernel-Dichte

Das K-Means-Clustering mit Python erkunden

Agglomeratives Clustering auf dem Digits-Datensatz

OPTICS-Clustering-Algorithmus

Biclustering in Scikit-Learn

Regularisierungspfad der L1-Logistischen Regression

Support Vector Regression

Centroid-basiertes Clustering

Neuronale Netzwerkmodelle

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

Spektrale Clusterung und andere Clusterungsmethoden

Nichtlineare Mustererkennungstechniken

Schnell Modelle mit Kreuzvalidierung auswählen

Kreuzvalidierung auf dem Digits-Datensatz

Early Stopping von Gradient Boosting

Maschinelles Lernen mit Kreuzvalidierung in Python

Lineare Regression Beispiel

Paarweise Maße und Kerne in Scikit-Learn

Vergleiche Kreuzzerlegungsmethoden

Klassifizierung mit den nächsten Nachbarn

SVM-Klassifizierung mit benutzerdefiniertem Kernel

SVM-Klassifizierer auf dem Iris-Datensatz

Imputation von fehlenden Werten

Entscheidungsbaumklassifizierung mit Python

Kernel-Approximationstechniken in Scikit-Learn

Wahrscheinlichkeitstheoretische Klassifikation mit Naive Bayes

Blind Source Separation

Unabhängige Komponentenanalyse mit FastICA und PCA

Iris-Blumenklassifikation mit Scikit-learn

Hauptkomponentenanalyse

Sparse Coding mit vorgeberechnetem Wörterbuch

Wikipedia PageRank mit Randomized SVD

Das Zerlegen von Signalen in Komponenten

Vergleich von Kovarianzschätzern

Robuste Kovarianzschätzung und Relevanz von Mahalanobis-Distanzen

Robuste Kovarianzschätzung in Python

Kovarianzmatrixschätzung mit Scikit-Learn

Mannigfaltigkeitslernmethode mit Scikit-Learn

Diskriminanzanalyse Klassifizierungsalgorithmen

Plotten des Konzentrations-Priors

Gaussian Mixture Modelle

Nichtlineare Regression mit Isotoner Regression

Aktives Lernen mit Labelpropagation

Bagging- und Boosting-Verfahren

Exploration der hierarchischen Clustering für die Gruppierung

Guide of Tensorflow

Von TensorFlow 2 implementiertes schnelles neuronales Netz

TensorFlow 2 - Modellspeicherung und -wiederherstellung

Trainieren des neuronalen Netzes zur Erkennung von handschriftlichen Ziffern

Berechnung des Ridge-Regressionskoeffizienten

Grundlagen der linearen Regression

Logistische Regression-Klassifizierung mit Scikit-Learn

Prognose für die Immobilienpreise in Peking

Density-basierte Clustering

Bildkompression mit Mini Batch K Means

Anwendung von dichtebasiertem Clustering

Algorithmus der k-nearest neighbors

Ridge Regression und Lasso Regression

Klassifizierung des Datensatzes zur Bewertung der Kraftfahrzeug-Sicherheit

Perzeptrons und künstliche neuronale Netze

Einführung

Dieser Kurs "Sklearn Praxis-Labs" ist darauf ausgelegt, Ihnen zu helfen, die praktische Anwendung der beliebten Machine-Learning-Bibliothek Scikit-learn (Sklearn) zu beherrschen. Durch eine Reihe sorgfältig ausgewählter Labs haben Sie die Möglichkeit, Ihr Sklearn-Wissen auf reale Projekte anzuwenden, Ihre Programmierfähigkeiten zu verbessern und zu lernen, sauberen und effizienten Code zu schreiben.

🎯 Aufgaben

In diesem Kurs werden Sie lernen:

  • Wie Sie eine Vielzahl von Sklearn-Algorithmen implementieren, einschließlich Klassifikations-, Regressions-, Clustering- und Dimensionsreduktionstechniken
  • Wie Sie Daten für Sklearn-Modelle vorverarbeiten und aufbereiten
  • Wie Sie die Hyperparameter von Modellen optimieren und die Modellleistung bewerten
  • Wie Sie Sklearn anwenden, um praktische Probleme in Bereichen wie Bilderkennung, natürlicher Sprachverarbeitung und prädiktiver Analyse zu lösen

🏆 Errungenschaften

Nach Abschluss dieses Kurses können Sie:

  • Sklearn sicher einsetzen, um verschiedene Machine-Learning-Probleme anzugehen
  • Ein tiefes Verständnis der Kernfunktionen und Best Practices von Sklearn entwickeln
  • Ihre Programmierfähigkeiten verbessern, indem Sie an gut konzipierten, praktischen Sklearn-Projekten arbeiten
  • Fachkundig sauberen, effizienten und wartbaren Sklearn-basierten Code schreiben

Lehrer

labby
Labby
Labby is the LabEx teacher.
Sklearn Praxis-Labs
279 Labore
Mit dem Lernen beginnen

Treten Sie unserem Discord bei und lernen Sie gemeinsam

Jetzt beitreten
Online-Linux-Terminal ausprobieren

Für Sie empfohlen

no data