Этот курс больше не поддерживается. Посмотрите наши новые курсы и лабораторные работы. Будем рады вашим отзывам в Discord .

Практические лабораторные работы по машинному обучению

В этом курсе содержится множество лабораторных работ по машинному обучению. Каждая лабораторная работа представляет собой небольшой проект по машинному обучению с подробными инструкциями и решениями. Вы можете практиковать свои навыки в области машинного обучения, выполняя эти лабораторные работы, улучшить свои навыки программирования и научиться писать чистый и эффективный код.

PythonНаука о данных

💡 Этот учебник переведен с английского с помощью ИИ. Чтобы просмотреть оригинал, вы можете перейти на английский оригинал

Программа

Корректировка под случай при оценке качества кластеризации

Coming Soon

Калибровка вероятностей классификаторов

Coming Soon

Построение причинной интерпретации

Coming Soon

Ансамбль классификаторов-цепочек

Coming Soon

Сегментация греческих монет с использованием спектральной кластеризации

Coming Soon

Scikit-Learn Column Transformer

Coming Soon

Сравнение методов Manifold Learning

Coming Soon

Техники кросс-валидации с использованием Scikit-Learn

Coming Soon

Сравнение стратегий по уменьшению размерности

Coming Soon

Модель смеси Гауссовых распределений

Coming Soon

Оценка плотности с использованием моделей смеси гауссов

Coming Soon

Модель смеси Гауссовых распределений для синусоидальной кривой

Coming Soon

Интервалы прогноза для градиентного бустинга в регрессии

Coming Soon

Регуляризация градиентным бустингом

Coming Soon

Денойзинг изображений с использованием обучения словаря

Coming Soon

Индуктивная кластеризация с использованием Scikit - Learn

Coming Soon

Двоичная классификация цветов Ириса с использованием SVM

Coming Soon

Кластеризация K-Means++ с использованием Scikit-Learn

Coming Soon

Полусupervised обучение с использованием алгоритма распространения меток (Label Spreading)

Coming Soon

Scikit-Learn: путь Lasso

Coming Soon

Поддержка векторов в LinearSVC

Coming Soon

Понимание сложности модели

Coming Soon

Завершение изображений лиц с использованием многорезультатных оценщиков

Coming Soon

Снижение размерности с использованием анализа соседних компонентов

Coming Soon

Пример линейной регрессии с разреженностью

Coming Soon

Дисперсия обычного наименьших квадратов и Ridge - регрессии

Coming Soon

Одноклассовая SVM для обнаружения новизны

Coming Soon

Расширенное построение с использованием частичной зависимости

Coming Soon

Анализ главных компонент для датасета Iris

Coming Soon

Построение важности признаков при перестановке

Coming Soon

Важность перестановок на наборе данных о раке груди

Coming Soon

Интерполяция полиномов и сплайнов

Coming Soon

Задержка прогноза с использованием оценщиков Scikit-Learn

Coming Soon

Робастная оценка линейной модели

Coming Soon

Настройка параметров SVM с ядром RBF

Coming Soon

Регирессия на основе ближайших соседей

Coming Soon

Пример Регуляризованной линейной регрессии (Ridge Regression) с использованием Scikit-Learn

Coming Soon

Сравнение выпуклых функций потерь

Coming Soon

Построение графика функции принятия решений для взвешенного набора данных

Coming Soon

Объединение предсказателей с использованием Stacking

Coming Soon

Визуализация структуры фондового рынка

Coming Soon

Классификация данных с использованием SVM Kernel

Coming Soon

Изучение параметров линейной SVM

Coming Soon

Нелинейная классификация с использованием метода опорных векторов (SVM)

Coming Soon

Визуализация высокомерных данных с использованием t-SNE

Coming Soon

Сравнение различных энкодеров категориальных признаков

Coming Soon

Поддерж向量ная машина с взвешенными выборками

Coming Soon

Обнаружение нововведений и выбросов с использованием Scikit-Learn

Coming Soon

Снижение размерности методом случайной проекции

Coming Soon

Подгонка кривых с использованием байесовской регрессии с убывающим коэффициентом

Coming Soon

Классификация ближайших соседей

Coming Soon

Изучение алгоритма K-Means Clustering с использованием Python

Coming Soon

Сравнение методов кросс-разложения

Coming Soon

Построение априорного распределения концентрации

Coming Soon

Классификация SVM с использованием пользовательского ядра

Coming Soon

Кросс-валидация на наборе данных digits

Coming Soon

Агломерация признаков для высокомерных данных

Coming Soon

Агломеративная кластеризация на наборе данных цифр

Coming Soon

Сравнение F-теста и взаимной информации

Coming Soon

Векторное квантование с использованием KBinsDiscretizer

Coming Soon

Декомпозиции набора данных лиц

Coming Soon

Классификация с помощью гауссовского процесса на наборе данных Iris

Coming Soon

Классификация с использованием гауссовых процессов

Coming Soon

Классификация гауссовским процессом на наборе данных XOR

Coming Soon

Нелинейная прогностическая модель с использованием Гауссовского процесса

Coming Soon

Подгонка модели регрессии с гауссовым процессом

Coming Soon

Регирессия с гауссовым процессом: ядра

Coming Soon

Раннее прекращение градиентного бустинга

Coming Soon

Разделение смешанных сигналов на исходные компоненты

Coming Soon

Анализ независимых компонент с использованием FastICA и PCA

Coming Soon

Классификация цветов Ириса с использованием Scikit-learn

Coming Soon

Классификатор SVM на наборе данных Iris

Coming Soon

Простая одномерная оценка плотности вероятности с использованием ядра

Coming Soon

Активное обучение с использованием распространения меток

Coming Soon

Lasso и Elastic Net

Coming Soon

Алгоритмы классификации Дискриминантного Анализа

Coming Soon

Иерархическая кластеризация с использованием Scikit - Learn

Coming Soon

Локальный фактор аномальности (Local Outlier Factor) для обнаружения новизны

Coming Soon

Обнаружение выбросов с использованием LOF

Coming Soon

Модель логистической регрессии

Coming Soon

Путь регуляризации L1-логистической регрессии

Coming Soon

Сравнение оценщиков ковариации

Coming Soon

Робастная оценка ковариации и связь с расстояниями Махаланобиса

Coming Soon

Многообразиевое обучение на сферических данных

Coming Soon

Совместный подбор признаков с использованием Lasso для многозадачности

Coming Soon

Пример линейной регрессии

Coming Soon

Алгоритм кластеризации OPTICS

Coming Soon

Анализ главных компонент

Coming Soon

Построение случайных наборов данных для классификации

Coming Soon

Генерация мультиметкажных датасетов с использованием Scikit-Learn

Coming Soon

Оценка устойчивой матрицы ковариации в Python

Coming Soon

Применение техник регуляризации с использованием SGD

Coming Soon

Разреженное кодирование с предварительно вычисленным словарем

Coming Soon

Подгонка модели методом опорных векторов для регрессии

Coming Soon

Снижение размерности Swiss Roll и Swiss-Hole

Coming Soon

Регирессия Тейла-Сена с использованием библиотеки Scikit-Learn для Python

Coming Soon

Восстановление изображения с использованием сжатие данных

Coming Soon

Регурессия дерева решений

Coming Soon

Регирессия с деревом решений для нескольких выходов

Coming Soon

Scikit-Learn Libsvm GUI

Coming Soon

PageRank Википедии с использованием случайного SVD

Coming Soon

Нелинейная регрессия с использованием изотонной регрессии

Coming Soon

Модели нейронных сетей

Coming Soon

Модели смеси Гаусса

Coming Soon

Обучение многообразия с использованием Scikit-Learn

Coming Soon

Бикластеризация в Scikit-Learn

Coming Soon

Разложение сигналов на компоненты

Coming Soon

Оценка ковариационной матрицы с использованием Scikit-Learn

Coming Soon

Оценка плотности с использованием ядра

Coming Soon

Кросс-валидация в машинном обучении с использованием Python

Coming Soon

Извлечение признаков с использованием Scikit-Learn

Coming Soon

Восстановление пропущенных значений

Coming Soon

Техники аппроксимации ядра в Scikit-Learn

Coming Soon

Попарные метрики и ядра в Scikit-Learn

Coming Soon

Преобразование целевого прогноза

Coming Soon

Регурессия с помощью бустингового дерева решений

Coming Soon

Кластеризация методом Affinity Propagation

Coming Soon

Построение иерархической кластеризации

Coming Soon

Метрики агломеративного кластерирования

Coming Soon

Дендрограмма иерархической кластеризации

Coming Soon

Масштабирование и преобразование данных

Coming Soon

Разложение на смещение и дисперсию с использованием bagging

Coming Soon

Сравнение BIRCH и MiniBatchKMeans

Coming Soon

Сравнение производительности Bisecting K-Means и обычного K-Means

Coming Soon

Сравнение алгоритмов кластеризации

Coming Soon

Сегментация изображений с использованием иерархической кластеризации

Coming Soon

Матрица ошибок в Scikit-Learn

Coming Soon

Оценка ковариации методом сужения

Coming Soon

Кросс-валидация с линейными моделями

Coming Soon

Построение графиков для патчей лиц из словаря

Coming Soon

Распознавание рукописных цифр

Coming Soon

Демонстрация стратегий KBinsDiscretizer

Coming Soon

Предварительное вычисление матрицы Грама для ElasticNet

Coming Soon

Оценка ошибки вне пакета (Out-Of-Bag) для Случайного леса

Coming Soon

Важность пикселей с параллельным лесом деревьев

Coming Soon

Ковариации гауссовской смеси

Coming Soon

Выбор модели гауссовских смесей

Coming Soon

Вероятностные прогнозы с использованием классификации гауссовского процесса

Coming Soon

Построение графика для GPR Co2

Coming Soon

Гауссовские процессы для дискретных структур данных

Coming Soon

Регуляризация градиентного бустинга

Coming Soon

Сравнение FeatureHasher и DictVectorizer

Coming Soon

Демонстрация алгоритма кластеризации HDBSCAN

Coming Soon

Построение графика для сравнения Huber и Ridge

Coming Soon

Инкрементальный анализ главных компонент для датасета Iris

Coming Soon

Логистическая регрессия для классификации датасета Iris

Coming Soon

Явная аппроксимация карты признаков для ядер RBF

Coming Soon

Эмпирическая оценка инициализации K-Means

Coming Soon

Обучение с использованием Label Propagation

Coming Soon

Регурессия Lasso в Scikit-Learn

Coming Soon

Пошаговая логистическая регрессия

Coming Soon

Преобразование данных в нормальное распределение

Coming Soon

Визуализация высокомерных данных с использованием MDS

Coming Soon

Алгоритм кластеризации Mean-Shift

Coming Soon

Монотонные ограничения в градиентном бустинге

Coming Soon

Анализ компонентов соседей

Coming Soon

Классификация ближайшего центроида

Coming Soon

Восстановление разреженного сигнала с использованием Ортогонального Метода Сопоставления

Coming Soon

Построить сравнение PCA и LDA

Coming Soon

Спектральное кластерирование для сегментации изображений

Coming Soon

Полуподдерживаемые классификаторы на наборе данных Iris

Coming Soon

SVM: Максимальная гиперплоскость разделения с отступом

Coming Soon

SVM для несбалансированных классов

Coming Soon

Многоклассовый классификатор SGD в Scikit-Learn

Coming Soon

Построение разделяющей гиперплоскости с использованием SGD

Coming Soon

Оценка разреженной обратной ковариации

Coming Soon

Моделирование распределения видов

Coming Soon

Оценка плотности ядра распределений видов

Coming Soon

Разрешение конфликтов в SVM

Coming Soon

Модель регрессии Elastic-Net в Scikit-Learn

Coming Soon

Алгоритмы полунаправленного обучения

Coming Soon

Неразмеченная кластеризация с использованием k-средних

Coming Soon

Техники предобработки в Scikit-Learn

Coming Soon

Квантование цветов с использованием K-Means

Coming Soon

Сравнение GPR и KRR на графике

Coming Soon

После усечения деревьев решений

Coming Soon

Классификация цифр с использованием Scikit-Learn

Coming Soon

Анализ набора данных цифр

Coming Soon

Дискретизация непрерывных признаков с использованием KBinsDiscretizer

Coming Soon

Построение сравнения между лесом и гистограммным градиентным бустингом

Coming Soon

Построение леса на наборе данных iris

Coming Soon

Методы инициализации модели смеси Гаусса

Coming Soon

Построение сеточного поиска для цифр

Coming Soon

Деревья решений на наборе данных Iris

Coming Soon

Обнаружение аномалий с использованием Isolation Forest

Coming Soon

Непараметрическая изотонная регрессия с использованием Scikit-Learn

Coming Soon

Исследование леммы Джонсона-Линденштрасса с использованием случайных проекций

Coming Soon

Анализ главных компонент с использованием Kernel PCA

Coming Soon

Построение Kernel Ridge Regression

Coming Soon

Исследование предположений алгоритма кластеризации k-средних

Coming Soon

Анализ кластеризации методом силуэта

Coming Soon

Регуляризация разреженных сигналов с использованием моделей на основе L1

Coming Soon

Линейный дискриминантный анализ для классификации

Coming Soon

Построение многонаправленной и логистической регрессии «один против всех»

Coming Soon

Сравнение K-Means и MiniBatchKMeans

Coming Soon

Scikit-Learn MLPClassifier: Стратегии стохастического обучения

Coming Soon

Вложенная кросс-валидация для выбора модели

Coming Soon

Регирессия с неотрицательными наименьшими квадратами

Coming Soon

Обнаружение выбросов в данных о вине

Coming Soon

Построение сравнения моделирования PCA и FA

Coming Soon

Тест перестановочной оценки для классификации

Coming Soon

Квантильная регрессия с использованием Scikit - Learn

Coming Soon

Построение графика для мульти-выходной регрессии с использованием случайного леса

Coming Soon

Оптимизация гиперпараметров: случайный поиск против сеточного поиска

Coming Soon

Рекурсивное исключение признаков

Coming Soon

Регуляризация Тихонова (Ridge Regression) для линейной моделирования

Coming Soon

ROC с использованием кросс-валидации

Coming Soon

Отбор признаков на основе модели и последовательный отбор признаков

Coming Soon

Сравнение онлайн-решателей для классификации рукописных цифр

Coming Soon

Алгоритм спектральной бикластеризации

Coming Soon

Алгоритм спектральной ко - кластеризации

Coming Soon

Сравнение Grid Search и Successive Halving

Coming Soon

Масштабирование параметра регуляризации для SVM

Coming Soon

Построение графиков по извлечению тем с использованием NMF и LDA

Coming Soon

Анализ дерева решений

Coming Soon

Построение кривых валидации

Coming Soon

Открытие структуры набора данных Iris с помощью факторного анализа

Coming Soon

Вероятности классов с использованием VotingClassifier

Coming Soon

Предсказание диабета с использованием Регурессора голосования

Coming Soon

Иерархическая кластеризация с ограничениями связности

Coming Soon

Настройка гиперпараметров оценщика

Coming Soon

Валидационные кривые: построение оценок для оценки моделей

Coming Soon

Частичная зависимость и индивидуальное условное ожидание

Coming Soon

Важность признаков перестановки

Coming Soon

Дискретный против реального AdaBoost

Coming Soon

Многоклассовые деревья решений с использованием AdaBoost

Coming Soon

Классификация с использованием решательного дерева AdaBoost

Coming Soon

Сравнение линейных байесовских регрессоров

Coming Soon

Бикластеризация документов с использованием алгоритма спектральной кокластеризации

Coming Soon

Кеширование ближайших соседей

Coming Soon

Калибровка вероятностей для классификации на три класса

Coming Soon

Построение вероятности классификации

Coming Soon

Построение предсказаний с использованием кросс-валидации

Coming Soon

Алгоритм кластеризации DBSCAN

Coming Soon

Дезшумивание изображений с использованием Kernel PCA

Coming Soon

Оценка плотности с использованием ядра

Coming Soon

Важность признаков с использованием случайного леса

Coming Soon

Оценки вне пакета для градиентного бустинга

Coming Soon

Выбор модели Lasso

Coming Soon

Выбор модели для Lasso-регрессии

Coming Soon

Построение кривых обучения

Coming Soon

Классификация рукописных цифр с помощью классификатора MLP

Coming Soon

Оптимизация гиперпараметров модели с использованием GridSearchCV

Coming Soon

Классификация текстов с использованием out - of - core обучения

Coming Soon

Преобразование признаков с использованием хэширования

Coming Soon

Рекурсивное исключение признаков с использованием кросс-валидации

Coming Soon

Найлучшая подгонка линейных оценщиков

Coming Soon

Ранняя остановка стохастического градиентного спуска

Coming Soon

Построение графика Sgdocsvm против Ocsvm

Coming Soon

Многоклассовая разреженная логистическая регрессия

Coming Soon

Последовательные итерации усечения

Coming Soon

Преобразование категориальных данных с использованием TargetEncoder

Coming Soon

Недообучение и переобучение

Coming Soon

Исследование ансамблевых методов с использованием Scikit-Learn

Coming Soon

Выбор признаков с использованием Scikit-Learn

Coming Soon

Оценка качества модели машинного обучения

Coming Soon

Построение конвейера для цифр

Coming Soon

Scikit - Learn: оценщики и конвейеры

Coming Soon

Преобразование признаков с использованием ансамблей деревьев

Coming Soon

Сбалансировать сложность модели и оценку при кросс-валидации

Coming Soon

Извлечение и оценка текстовых признаков

Coming Soon

Кластеризация K-Means для рукописных цифр

Coming Soon

Регуляризация многослойного перцептрона

Coming Soon

Многоэтикетная классификация документов

Coming Soon

Построение классификации Nca

Coming Soon

Обнаружение выбросов с использованием алгоритмов Scikit-Learn

Coming Soon

Оценка многоклассовых классификаторов с использованием ROC с помощью Scikit - learn

Coming Soon

API визуализации Scikit-Learn

Coming Soon

Приближение полиномиального ядра с использованием Scikit - Learn

Coming Soon

Влияние переменного порога на самообучение

Coming Soon

Многиномиальная логистическая регрессия для MNIST

Coming Soon

Классификация ирисных цветов с использованием Voting Classifier

Coming Soon

Приблизительные ближайшие соседи в TSNE

Coming Soon

Создание визуализаций с использованием объектов отображения

Coming Soon

Распознавание лиц с использованием собственных лиц (eigenfaces) и методов опорных векторов (SVM)

Coming Soon

Отбор признаков в задачах с одним признаком

Coming Soon

Построение конвейеров машинного обучения с использованием Scikit - Learn

Coming Soon

Объединение нескольких методов извлечения признаков

Coming Soon

Gradient Boosting с категориальными признаками

Coming Soon

Отношения правдоподобия классов для измерения качества классификации

Coming Soon

Заполнение пропущенных данных

Coming Soon

Построение графика PCR против PLS

Coming Soon

Отбор признаков для SVC на наборе данных iris

Coming Soon

Преобразование целевой переменной для линейной регрессии

Coming Soon

Алгоритмы мультиклассовой и мультивыходной классификации

Coming Soon

Сравнение алгоритмов обнаружения аномалий

Coming Soon

Кривые градуировки вероятностей

Coming Soon

Сравнение калибровки классификаторов

Coming Soon

Снижение размерности с использованием Pipeline и GridSearchCV

Coming Soon

Кривая权衡 ошибок обнаружения

Coming Soon

Метрика Точность - Полнота для несбалансированной классификации

Coming Soon

Column Transformer с смешанными типами

Coming Soon

Классификация цифр с использованием признаков RBM

Coming Soon

Полусupervised классификация текстов

Coming Soon

Использование API set_output

Coming Soon

Дискретизация признаков для классификации

Coming Soon

Классификация текстовых документов

Coming Soon

Scikit-Learn Iterative Imputer

Coming Soon

Многообразие в машинном обучении на рукописных цифрах

Coming Soon

Построение конвейеров в Scikit-Learn

Coming Soon

Масштабирование признаков в машинном обучении

Coming Soon

Конвейеры и составные оценщики

Coming Soon

Сравнение классификаторов в Scikit-Learn

Coming Soon

Введение

Этот курс «Практические лабораторные работы по HTML» разработан для того, чтобы помочь вам улучшить свои навыки работы с HTML с помощью серии практических упражнений и проектов. Независимо от того, являетесь ли вы новичком или опытным веб-разработчиком, этот курс предлагает практический подход к овладению основами HTML.

🎯 Задачи

В рамках этого курса вы научитесь:

  • Структурировать веб-страницы с использованием HTML-элементов
  • Создавать семантическую и доступную HTML-разметку
  • Форматировать текст, добавлять изображения и создавать навигационные меню
  • Включать ссылки, списки и таблицы в свои веб-страницы
  • Применять лучшие практики для написания чистого и эффективного HTML-кода

🏆 Достижения

После завершения этого курса вы сможете:

  • С уверенностью создавать и структурировать веб-страницы на основе HTML
  • Продемонстрировать глубокое понимание синтаксиса и семантики HTML
  • Реализовать различные функции и элементы HTML для улучшения структуры и внешнего вида веб-страниц
  • Развивать способность писать чистый, хорошо организованный и поддерживаемый HTML-код
  • Получить практический опыт работы с HTML путем выполнения практических лабораторных работ

Преподаватель

labby
Labby
Labby is the LabEx teacher.

Рекомендовано для вас

no data