LabEx
Регистрация

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

Калибровка вероятностей классификаторов

Построение причинной интерпретации

Ансамбль классификаторов-цепочек

Сегментация греческих монет с использованием спектральной кластеризации

Scikit-Learn Column Transformer

Сравнение методов Manifold Learning

Техники кросс-валидации с использованием Scikit-Learn

Сравнение стратегий по уменьшению размерности

Модель смеси Гауссовых распределений

Оценка плотности с использованием моделей смеси гауссов

Модель смеси Гауссовых распределений для синусоидальной кривой

Интервалы прогноза для градиентного бустинга в регрессии

Регуляризация градиентным бустингом

Денойзинг изображений с использованием обучения словаря

Индуктивная кластеризация с использованием Scikit - Learn

Двоичная классификация цветов Ириса с использованием SVM

Кластеризация K-Means++ с использованием Scikit-Learn

Полусupervised обучение с использованием алгоритма распространения меток (Label Spreading)

Scikit-Learn: путь Lasso

Поддержка векторов в LinearSVC

Понимание сложности модели

Завершение изображений лиц с использованием многорезультатных оценщиков

Снижение размерности с использованием анализа соседних компонентов

Пример линейной регрессии с разреженностью

Дисперсия обычного наименьших квадратов и Ridge - регрессии

Одноклассовая SVM для обнаружения новизны

Расширенное построение с использованием частичной зависимости

Анализ главных компонент для датасета Iris

Построение важности признаков при перестановке

Важность перестановок на наборе данных о раке груди

Интерполяция полиномов и сплайнов

Задержка прогноза с использованием оценщиков Scikit-Learn

Робастная оценка линейной модели

Настройка параметров SVM с ядром RBF

Регирессия на основе ближайших соседей

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

Сравнение выпуклых функций потерь

Построение графика функции принятия решений для взвешенного набора данных

Объединение предсказателей с использованием Stacking

Визуализация структуры фондового рынка

Классификация данных с использованием SVM Kernel

Изучение параметров линейной SVM

Нелинейная классификация с использованием метода опорных векторов (SVM)

Визуализация высокомерных данных с использованием t-SNE

Сравнение различных энкодеров категориальных признаков

Поддерж向量ная машина с взвешенными выборками

Обнаружение нововведений и выбросов с использованием Scikit-Learn

Снижение размерности методом случайной проекции

Подгонка кривых с использованием байесовской регрессии с убывающим коэффициентом

Классификация ближайших соседей

Изучение алгоритма K-Means Clustering с использованием Python

Сравнение методов кросс-разложения

Построение априорного распределения концентрации

Классификация SVM с использованием пользовательского ядра

Кросс-валидация на наборе данных digits

Агломерация признаков для высокомерных данных

Агломеративная кластеризация на наборе данных цифр

Сравнение F-теста и взаимной информации

Векторное квантование с использованием KBinsDiscretizer

Декомпозиции набора данных лиц

Классификация с помощью гауссовского процесса на наборе данных Iris

Классификация с использованием гауссовых процессов

Классификация гауссовским процессом на наборе данных XOR

Нелинейная прогностическая модель с использованием Гауссовского процесса

Подгонка модели регрессии с гауссовым процессом

Регирессия с гауссовым процессом: ядра

Раннее прекращение градиентного бустинга

Разделение смешанных сигналов на исходные компоненты

Анализ независимых компонент с использованием FastICA и PCA

Классификация цветов Ириса с использованием Scikit-learn

Классификатор SVM на наборе данных Iris

Простая одномерная оценка плотности вероятности с использованием ядра

Активное обучение с использованием распространения меток

Lasso и Elastic Net

Алгоритмы классификации Дискриминантного Анализа

Иерархическая кластеризация с использованием Scikit - Learn

Локальный фактор аномальности (Local Outlier Factor) для обнаружения новизны

Обнаружение выбросов с использованием LOF

Модель логистической регрессии

Путь регуляризации L1-логистической регрессии

Сравнение оценщиков ковариации

Робастная оценка ковариации и связь с расстояниями Махаланобиса

Многообразиевое обучение на сферических данных

Совместный подбор признаков с использованием Lasso для многозадачности

Пример линейной регрессии

Алгоритм кластеризации OPTICS

Анализ главных компонент

Построение случайных наборов данных для классификации

Генерация мультиметкажных датасетов с использованием Scikit-Learn

Оценка устойчивой матрицы ковариации в Python

Применение техник регуляризации с использованием SGD

Разреженное кодирование с предварительно вычисленным словарем

Подгонка модели методом опорных векторов для регрессии

Снижение размерности Swiss Roll и Swiss-Hole

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

Восстановление изображения с использованием сжатие данных

Регурессия дерева решений

Регирессия с деревом решений для нескольких выходов

Scikit-Learn Libsvm GUI

PageRank Википедии с использованием случайного SVD

Нелинейная регрессия с использованием изотонной регрессии

Модели нейронных сетей

Модели смеси Гаусса

Обучение многообразия с использованием Scikit-Learn

Бикластеризация в Scikit-Learn

Разложение сигналов на компоненты

Оценка ковариационной матрицы с использованием Scikit-Learn

Оценка плотности с использованием ядра

Кросс-валидация в машинном обучении с использованием Python

Извлечение признаков с использованием Scikit-Learn

Восстановление пропущенных значений

Техники аппроксимации ядра в Scikit-Learn

Попарные метрики и ядра в Scikit-Learn

Преобразование целевого прогноза

Регурессия с помощью бустингового дерева решений

Кластеризация методом Affinity Propagation

Построение иерархической кластеризации

Метрики агломеративного кластерирования

Дендрограмма иерархической кластеризации

Масштабирование и преобразование данных

Разложение на смещение и дисперсию с использованием bagging

Сравнение BIRCH и MiniBatchKMeans

Сравнение производительности Bisecting K-Means и обычного K-Means

Сравнение алгоритмов кластеризации

Сегментация изображений с использованием иерархической кластеризации

Матрица ошибок в Scikit-Learn

Оценка ковариации методом сужения

Кросс-валидация с линейными моделями

Построение графиков для патчей лиц из словаря

Распознавание рукописных цифр

Демонстрация стратегий KBinsDiscretizer

Предварительное вычисление матрицы Грама для ElasticNet

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

Важность пикселей с параллельным лесом деревьев

Ковариации гауссовской смеси

Выбор модели гауссовских смесей

Вероятностные прогнозы с использованием классификации гауссовского процесса

Построение графика для GPR Co2

Гауссовские процессы для дискретных структур данных

Регуляризация градиентного бустинга

Сравнение FeatureHasher и DictVectorizer

Демонстрация алгоритма кластеризации HDBSCAN

Построение графика для сравнения Huber и Ridge

Инкрементальный анализ главных компонент для датасета Iris

Логистическая регрессия для классификации датасета Iris

Явная аппроксимация карты признаков для ядер RBF

Эмпирическая оценка инициализации K-Means

Обучение с использованием Label Propagation

Регурессия Lasso в Scikit-Learn

Пошаговая логистическая регрессия

Преобразование данных в нормальное распределение

Визуализация высокомерных данных с использованием MDS

Алгоритм кластеризации Mean-Shift

Монотонные ограничения в градиентном бустинге

Анализ компонентов соседей

Классификация ближайшего центроида

Восстановление разреженного сигнала с использованием Ортогонального Метода Сопоставления

Построить сравнение PCA и LDA

Спектральное кластерирование для сегментации изображений

Полуподдерживаемые классификаторы на наборе данных Iris

SVM: Максимальная гиперплоскость разделения с отступом

SVM для несбалансированных классов

Многоклассовый классификатор SGD в Scikit-Learn

Построение разделяющей гиперплоскости с использованием SGD

Оценка разреженной обратной ковариации

Моделирование распределения видов

Оценка плотности ядра распределений видов

Разрешение конфликтов в SVM

Модель регрессии Elastic-Net в Scikit-Learn

Алгоритмы полунаправленного обучения

Неразмеченная кластеризация с использованием k-средних

Техники предобработки в Scikit-Learn

Квантование цветов с использованием K-Means

Сравнение GPR и KRR на графике

После усечения деревьев решений

Классификация цифр с использованием Scikit-Learn

Анализ набора данных цифр

Дискретизация непрерывных признаков с использованием KBinsDiscretizer

Построение сравнения между лесом и гистограммным градиентным бустингом

Построение леса на наборе данных iris

Методы инициализации модели смеси Гаусса

Построение сеточного поиска для цифр

Деревья решений на наборе данных Iris

Обнаружение аномалий с использованием Isolation Forest

Непараметрическая изотонная регрессия с использованием Scikit-Learn

Исследование леммы Джонсона-Линденштрасса с использованием случайных проекций

Анализ главных компонент с использованием Kernel PCA

Построение Kernel Ridge Regression

Исследование предположений алгоритма кластеризации k-средних

Анализ кластеризации методом силуэта

Регуляризация разреженных сигналов с использованием моделей на основе L1

Линейный дискриминантный анализ для классификации

Построение многонаправленной и логистической регрессии «один против всех»

Сравнение K-Means и MiniBatchKMeans

Scikit-Learn MLPClassifier: Стратегии стохастического обучения

Вложенная кросс-валидация для выбора модели

Регирессия с неотрицательными наименьшими квадратами

Обнаружение выбросов в данных о вине

Построение сравнения моделирования PCA и FA

Тест перестановочной оценки для классификации

Квантильная регрессия с использованием Scikit - Learn

Построение графика для мульти-выходной регрессии с использованием случайного леса

Оптимизация гиперпараметров: случайный поиск против сеточного поиска

Рекурсивное исключение признаков

Регуляризация Тихонова (Ridge Regression) для линейной моделирования

ROC с использованием кросс-валидации

Отбор признаков на основе модели и последовательный отбор признаков

Сравнение онлайн-решателей для классификации рукописных цифр

Алгоритм спектральной бикластеризации

Алгоритм спектральной ко - кластеризации

Сравнение Grid Search и Successive Halving

Масштабирование параметра регуляризации для SVM

Построение графиков по извлечению тем с использованием NMF и LDA

Анализ дерева решений

Построение кривых валидации

Открытие структуры набора данных Iris с помощью факторного анализа

Вероятности классов с использованием VotingClassifier

Предсказание диабета с использованием Регурессора голосования

Иерархическая кластеризация с ограничениями связности

Настройка гиперпараметров оценщика

Валидационные кривые: построение оценок для оценки моделей

Частичная зависимость и индивидуальное условное ожидание

Важность признаков перестановки

Дискретный против реального AdaBoost

Многоклассовые деревья решений с использованием AdaBoost

Классификация с использованием решательного дерева AdaBoost

Сравнение линейных байесовских регрессоров

Бикластеризация документов с использованием алгоритма спектральной кокластеризации

Кеширование ближайших соседей

Калибровка вероятностей для классификации на три класса

Построение вероятности классификации

Построение предсказаний с использованием кросс-валидации

Алгоритм кластеризации DBSCAN

Дезшумивание изображений с использованием Kernel PCA

Оценка плотности с использованием ядра

Важность признаков с использованием случайного леса

Оценки вне пакета для градиентного бустинга

Выбор модели Lasso

Выбор модели для Lasso-регрессии

Построение кривых обучения

Классификация рукописных цифр с помощью классификатора MLP

Оптимизация гиперпараметров модели с использованием GridSearchCV

Классификация текстов с использованием out - of - core обучения

Преобразование признаков с использованием хэширования

Рекурсивное исключение признаков с использованием кросс-валидации

Найлучшая подгонка линейных оценщиков

Ранняя остановка стохастического градиентного спуска

Построение графика Sgdocsvm против Ocsvm

Многоклассовая разреженная логистическая регрессия

Последовательные итерации усечения

Преобразование категориальных данных с использованием TargetEncoder

Недообучение и переобучение

Исследование ансамблевых методов с использованием Scikit-Learn

Выбор признаков с использованием Scikit-Learn

Оценка качества модели машинного обучения

Построение конвейера для цифр

Scikit - Learn: оценщики и конвейеры

Преобразование признаков с использованием ансамблей деревьев

Сбалансировать сложность модели и оценку при кросс-валидации

Извлечение и оценка текстовых признаков

Кластеризация K-Means для рукописных цифр

Регуляризация многослойного перцептрона

Многоэтикетная классификация документов

Построение классификации Nca

Обнаружение выбросов с использованием алгоритмов Scikit-Learn

Оценка многоклассовых классификаторов с использованием ROC с помощью Scikit - learn

API визуализации Scikit-Learn

Приближение полиномиального ядра с использованием Scikit - Learn

Влияние переменного порога на самообучение

Многиномиальная логистическая регрессия для MNIST

Классификация ирисных цветов с использованием Voting Classifier

Приблизительные ближайшие соседи в TSNE

Создание визуализаций с использованием объектов отображения

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

Отбор признаков в задачах с одним признаком

Построение конвейеров машинного обучения с использованием Scikit - Learn

Объединение нескольких методов извлечения признаков

Gradient Boosting с категориальными признаками

Отношения правдоподобия классов для измерения качества классификации

Заполнение пропущенных данных

Построение графика PCR против PLS

Отбор признаков для SVC на наборе данных iris

Преобразование целевой переменной для линейной регрессии

Алгоритмы мультиклассовой и мультивыходной классификации

Сравнение алгоритмов обнаружения аномалий

Кривые градуировки вероятностей

Сравнение калибровки классификаторов

Снижение размерности с использованием Pipeline и GridSearchCV

Кривая权衡 ошибок обнаружения

Метрика Точность - Полнота для несбалансированной классификации

Column Transformer с смешанными типами

Классификация цифр с использованием признаков RBM

Полусupervised классификация текстов

Использование API set_output

Дискретизация признаков для классификации

Классификация текстовых документов

Scikit-Learn Iterative Imputer

Многообразие в машинном обучении на рукописных цифрах

Построение конвейеров в Scikit-Learn

Масштабирование признаков в машинном обучении

Конвейеры и составные оценщики

Сравнение классификаторов в Scikit-Learn

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.
Практические лабораторные работы по машинному обучению
303 лабораторий
Начать обучение

Присоединяйтесь к нашему Discord и учитесь вместе

Присоединиться сейчас
Попробовать терминал Linux онлайн

Рекомендовано для вас

no data