Sklearn Praxis-Labs
Anfänger
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.
sklearnpythondata-science
💡 Dieser Artikel wurde von AI-Assistenten übersetzt. Um die englische Version anzuzeigen, können Sie hier klicken
- Einführung
- 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
Lehrer
Labby
Labby is the LabEx teacher.
In Google Classroom teilen
Treten Sie unserem Discord bei und lernen Sie gemeinsam
Jetzt beitretenNutzerbewertungen
" did it in less than 45 minutes given my level of knowledge, i feel unstoppable already"
— Linoh Jekete
" I wish I found this platform earlier. You guys are amazing."
— Enwere Kingsley
Für Sie empfohlen
