機械学習実践ラボ
初級
このコースには機械学習のたくさんのラボが含まれています。各ラボは詳細なガイダンスと解決策を備えた小規模な機械学習プロジェクトです。これらのラボを完了することで、機械学習のスキルを練習し、コーディング能力を向上させ、クリーンで効率的なコードの書き方を学ぶことができます。
pythonsklearndata-science
💡 このチュートリアルは英語版からAIによって翻訳されています。原文を確認するには、 ここをクリックしてください
- はじめに
- シラバス
クラスタリング性能評価における偶然の調整
分類器の確率キャリブレーション
因果解釈のプロット
分類器チェーンのアンサンブル
スペクトラルクラスタリングを用いたギリシャのコインの分割
Scikit-Learn の Column Transformer
多様体学習の比較
Scikit - Learn を使った交差検証手法
次元削減戦略の比較
ガウス混合モデル
ガウス混合モデルによる密度推定
ガウス混合モデル サインカーブ
勾配ブースティング回帰の予測区間
勾配ブースティング回帰
辞書学習を用いた画像ノイズ除去
Scikit - Learn を用いた帰納的クラスタリング
SVM を用いたアヤメの二値分類
Scikit - Learn を使った K - Means++ クラスタリング
ラベル拡散による半教師あり学習
Scikit-Learn による Lasso パス
LinearSVC のサポートベクトル
モデルの複雑さを理解する
多出力推定器を用た顔の完成
近傍成分分析による次元削減
疎性を持つ線形回帰の例
普通最小二乗法とリッジ回帰の分散
新奇検出のための 1 クラス SVM
部分依存による高度な描画
Iris データセットに対する主成分分析
順列重要度をプロットする
乳がんデータセットにおける順列重要度
多項式とスプライン補間
Scikit-Learn 推定器を用いた予測遅延
頑健な線形モデル推定
RBF SVM パラメータ調整
最近傍回帰
Scikit-Learn によるリッジ回帰の例
凸損失関数の比較
重み付きデータセットの決定関数のプロット
Stacking を使って予測器を結合する
株式市場の構造を可視化する
SVM カーネルによるデータ分類
線形 SVM パラメータの探索
非線形 SVM 分類
t-SNE を使った高次元データの可視化
異なるカテゴリカルエンコーダの比較
サポートベクターマシンの重み付きサンプル
Scikit-Learn を使った新奇性検出とアウトライア検出
ランダム射影による次元削減
ベイジアンリッジ回帰による曲線フィッティング
最近傍点分類
Python を使った K-Means クラスタリングの探索
クロスデコンポジション手法の比較
濃度事前分布を描画する
カスタムカーネルを使用した SVM 分類
手書き数字データセットにおける交差検証
高次元データのための特徴クラスタリング
手書き数字データセットにおける凝集型クラスタリング
F 検定と相互情報量の比較
KBinsDiscretizer を使ったベクトル量子化
顔データセットの分解
Iris データセットにおけるガウス過程分類
ガウス過程分類
XOR データセットにおけるガウス過程分類
ガウス過程を用いた非線形予測モデリング
ガウス過程回帰モデルをフィットさせる
ガウス過程回帰:カーネル
勾配ブースティングの早期終了
ブラインドソース分離
FastICA と PCA を用いた独立成分分析
Scikit-learn を使ったアヤメの花の分類
アイリスデータセット上の SVM 分類器
単純な 1 次元カーネル密度推定
ラベル伝播を用いたアクティブラーニング
ラッソとエラスティックネット
判別分析分類アルゴリズム
Scikit - Learn を使った階層的クラスタリング
局所外れ値因子による新奇性検出
LOF によるアウトライア検出
ロジスティック回帰モデル
L1 ロジスティック回帰の正則化パス
共分散推定器の比較
頑健な共分散推定とマハラノビス距離の関連性
球状データ上のマニホールド学習
マルチタスク Lasso を用いた共通特徴選択
線形回帰の例
OPTICS クラスタリングアルゴリズム
主成分分析
ランダムな分類データセットのプロット作成
Scikit-Learn を使ったマルチラベルデータセットの生成
Python におけるロバストな共分散推定
SGD を用いた正則化手法の適用
事前計算済み辞書を用いた疎な符号化
サポートベクトル回帰
スイスロールとスイスホールの次元削減
Python の Scikit-Learn を使った Theil-Sen 回帰
圧縮センシングによる画像再構築
決定木回帰
多出力決定木回帰
Scikit-Learn Libsvm GUI
ランダム化 SVD を用いた Wikipedia のページランク
等張回帰による非線形回帰
ニューラルネットワークモデル
ガウス混合モデル
Scikit-Learn を用いた多様体学習
Scikit-Learn におけるバイクラスタリング
信号をコンポーネントに分解する
Scikit-Learn を用いた共分散行列推定
カーネル密度を用いた密度推定
Python を使った機械学習の交差検証
Scikit - Learn を使った特徴抽出
欠損値の補完
Scikit - learn におけるカーネル近似手法
Scikit-Learn におけるペアワイズメトリックとカーネル
予測対象の変換
ブースト決定木回帰
Affinity Propagation クラスタリング
凝集型クラスタリングをプロットする
凝集型クラスタリングのメトリック
階層的クラスタリングのデンドログラム
データのスケーリングと変換
バギングによるバイアス - 分散分解
BIRCH と MiniBatchKMeans の比較
二分法 K-Means と通常の K-Means の性能比較
クラスタリングアルゴリズムの比較
階層的クラスタリングによる画像セグメンテーション
Scikit-Learn による混同行列
収縮共分散推定
線形モデルを用た交差検証
顔のパッチ辞書をプロットする
手書き数字の認識
KBinsDiscretizer 戦略の実証
ElasticNet 用のグラム行列の事前計算
ランダムフォレストの OOB エラー推定
並列木のフォレストを用いた画素の重要度
ガウス混合モデルの共分散
ガウス混合モデルの選択
ガウス過程分類による確率的予測
GPR の CO2 をプロットする
離散的なデータ構造上のガウス過程
勾配ブースティングの正則化
FeatureHasher と DictVectorizer の比較
HDBSCAN クラスタリングアルゴリズムのデモ
Huber と Ridge の比較プロット
Iris データセットにおけるインクリメンタル主成分分析
アヤメデータセットにおけるロジスティック回帰分類器
RBF カーネルの明示的な特徴マップ近似
K-Means 初期化の実証評価
Label Propagation 学習
Scikit - Learn の Lasso 回帰
手順別のロジスティック回帰
データを正規分布にマッピングする
MDS を使った高次元データの可視化
Mean-Shift クラスタリングアルゴリズム
勾配ブースティングの単調制約
近傍成分分析
最寄り重心分類
直交マッチング追跡による疎信号回復
PCA と LDA の比較プロット
画像分割のためのスペクトラルクラスタリング
アヤメデータセットにおける半教師あり分類器
SVM: 最大マージン分離超平面
不均衡なクラスに対する SVM
Scikit-Learn の多クラス SGD 分類器
SGD による分離ハイパープレーンの描画
疎な逆共分散推定
種の分布モデリング
種の分布の核密度推定
SVM のバイアス解消
Scikit-Learn の Elastic-Net 回帰モデル
半教師あり学習アルゴリズム
K-Means による教師なしクラスタリング
Scikit - Learn における前処理技術
K-Means を用いた色量子化
GPR と KRR の比較プロット
決定木の剪定後処理
Scikit - Learn を使った数字の分類
数字データセットの分析
KBinsDiscretizer を使った連続特徴量の離散化
森林ヒストグラム勾配ブースティングの比較プロット
アイリスを用た森林のプロット
ガウス混合モデルの初期化方法
手書き数字のグリッドサーチをプロットする
アイリスのデータセットにおける決定木
Isolation Forest を用たアノマリ検出
Scikit - Learn を使った非パラメトリック等張回帰
ランダム射影を用いたヨンソン・リンデンシュトラウスの補題の探究
Kernel PCA による主成分分析
カーネルリッジ回帰をプロットする
k-means クラスタリングの仮定を探る
シルエット法によるクラスタリング分析
L1 ベースのモデルを用いた疎信号回帰
分類のための線形判別分析
多項ロジスティック回帰と 1 対残りロジスティック回帰の描画
K-Means と MiniBatchKMeans の比較
Scikit-Learn MLPClassifier: 確率的学習戦略
モデル選択のためのネスト交差検証
非負最小二乗回帰
ワインデータにおけるアウトライアの検出
PCA と FA のモデル選択をプロットする
分類のための順列検定スコア
Scikit - Learn を使った分位点回帰
ランダムフォレスト回帰の多次元出力をプロットする
ハイパーパラメータ最適化:ランダムサーチとグリッドサーチ
再帰的特徴量削減
線形モデリングのためのリッジ回帰
交差検証を用いた ROC
モデルベースと逐次的特徴選択
手書き数字分類のオンラインソルバの比較
スペクトラルバイクラスタリングアルゴリズム
スペクトラル共クラスタリングアルゴリズム
グリッド探索と逐次半分法の比較
SVM における正則化パラメータのスケーリング
NMF と LDA を用いたトピック抽出のプロット
決定木分析
検証曲線の描画
因子分析によるアイリスデータセットの構造の明らかにし方
VotingClassifier を用いたクラス確率
投票回帰器を用いた糖尿病予測
接続制約付き階層的クラスタリング
推定器のハイパーパラメータのチューニング
検証曲線:モデルを評価するためのスコアのプロット
部分依存性と個別条件期待値
パーミュテーション特徴量重要度
離散的な Adaboost と実際の Adaboost の比較
多クラス AdaBoost 決定木
AdaBoost による決定木の分類
線形ベイズ回帰の比較
スペクトラル共クラスタリングアルゴリズムを用いた文書の二部クラスタリング
近傍点のキャッシング
3 クラス分類の確率補正
分類確率のプロット
交差検証を用いた予測のプロット作成
DBSCAN クラスタリングアルゴリズム
Kernel PCA を用いた画像ノイズ除去
カーネル密度推定
ランダムフォレストによる特徴量の重要度
勾配ブースティングのバグ外推定
Lasso モデル選択
Lasso 回帰のモデル選択
学習曲線の描画
MLP 分類器で手書き数字を分類する
GridSearchCV を使ったモデルのハイパーパラメータの最適化
コア外学習を用いたテキスト分類
ハッシュ化特徴変換
交差検証付き再帰的特徴削減
堅牢な線形推定器のフィッティング
確率的勾配降下法の早期終了
Sgdocsvm と Ocsvm の比較プロット
多クラス疎ロジスティック回帰
逐次半分反復
TargetEncoder を使用したカテゴリデータの変換
適合不足と過学習
Scikit-Learn を用いたアンサンブル法の探索
Scikit - Learn を使った特徴選択
機械学習モデルの品質評価
手書き数字のパイプラインをプロットする
Scikit - Learn の推定器とパイプライン
木のアンサンブルを用いた特徴量変換
モデルの複雑さと交差検証スコアのバランス
テキスト特徴抽出と評価
手書き数字の K - Means クラスタリング
多層パーセプトロンの正則化
マルチラベルドキュメント分類
NCA 分類をプロットする
Scikit-Learn アルゴリズムを用いたアウトライア検出
Scikit - Learn を使った多クラス ROC 評価
Scikit-Learn 可視化 API
Scikit - Learn を使った多項式カーネル近似
自己訓練における異なる閾値の影響
MNIST 多項ロジスティック回帰
ボーティング分類器を用いたアヤメの花の分類
TSNE における近似最近傍点
表示オブジェクトを使った視覚化の作成
固有顔(Eigenfaces)とサポートベクターマシン(SVM)による顔認識
単変量特徴選択
Scikit - Learn を使った機械学習パイプラインの構築
複数の特徴抽出方法の連結
カテゴリカル特徴を持つ勾配ブースティング
分類性能を測定するためのクラス尤度比
欠損データの補完
PCR と PLS の比較プロット
Iris データセットにおける SVC のための特徴選択
線形回帰のためのターゲット変換
多クラスおよび多出力アルゴリズム
異常検出アルゴリズムの比較
確率校正曲線
識別器の較正の比較
Pipeline と GridSearchCV を用いた次元削減
検出誤差トレードオフ曲線
不均衡な分類のための Precision-Recall メトリック
混合型の Column Transformer
RBM 特徴を用いた数字分類
半教師ありテキスト分類
Set_output API の使用方法
分類のための特徴量の離散化
文書分類
Scikit-Learn の反復補完器
手書き数字の多様体学習
Scikit-Learn パイプラインの構築
機械学習における特徴量のスケーリング
パイプラインと複合推定器
Scikit-Learn による分類器の比較
講師
Labby
Labby is the LabEx teacher.
Google Classroomで共有
Discordに参加して一緒に学ぼう
今すぐ参加ユーザーレビュー
" nice , know something new and excited about linux "
— Nitin Rohilla
" Very easy but allows experimentation and helpful hints and direction. I really like having the ability to ask questions."
— Scott
おすすめ

