scikit-learn Учебники
scikit-learn предлагает систематический подход к машинному обучению на Python. Наши учебные материалы охватывают различные алгоритмы машинного обучения, выбор моделей и методы оценки, подходящие как для начинающих, так и для специалистов среднего уровня. С бесплатными лабораториями и практическими примерами кода вы получите практический опыт в создании моделей машинного обучения. Наша игровая площадка науки о данных позволяет вам экспериментировать с функциями и наборами данных scikit-learn в реальном времени.
Классификация ирис-цветов с использованием SVM
В этом проекте вы научитесь классифицировать датасет ирис-цветов с использованием модели Support Vector Classifier (SVC). Датасет ирис-цветов - это классический датасет машинного обучения, содержащий информацию о различных видах ирис-цветов, включая длину и ширину чашелистика, длину и ширину лепестка.
Pythonscikit-learn
Kernel Ridge Regression
В этом практическом занятии мы изучим Kernel Ridge Regression (KRR) и ее реализацию с использованием библиотеки scikit - learn в Python. KRR сочетает регрессию с риджем с ядровым трюком для обучения линейной функции в пространстве, индуцированном ядром. Это метод нелинейной регрессии, который может обрабатывать нелинейные зависимости между входными и выходными переменными.
Machine Learningscikit-learn
Линейные модели в Scikit - Learn
В этом практическом занятии мы исследуем линейные модели в Scikit - Learn. Линейные модели - это набор методов, используемых для задач регрессии и классификации. Они предполагают, что целевая переменная является линейной комбинацией признаков. Эти модели широко используются в машинном обучении из - за своей простоты и интерпретируемости.
Machine Learningscikit-learn
Объяснение классификаторов дискриминантного анализа
Линейный и квадратичный дискриминантный анализ (LDA и QDA) — это два классических классификатора, используемых в машинном обучении. LDA использует линейную поверхность принятия решений, в то время как QDA использует квадратичную поверхность принятия решений. Эти классификаторы популярны, потому что имеют аналитические решения, хорошо работают на практике и не требуют настройки гиперпараметров.
Machine Learningscikit-learn
Изучение наборов данных и оценщиков в Scikit-Learn
В этом практическом занятии мы изучим настройку и объект оценщика в Scikit-Learn, популярной библиотеке машинного обучения на Python. Мы узнаем о наборах данных, которые представляются в виде двумерных массивов, и о том, как их предобрабатывать для Scikit-Learn. Мы также изучим концепцию объектов оценщиков, которые используются для обучения на данных и для предсказания.
Machine Learningscikit-learn
Изучение классификаторов SGD в Scikit-Learn
В этом практическом занятии мы изучим стохастический градиентный спуск (Stochastic Gradient Descent, SGD), который является мощным алгоритмом оптимизации, широко используемым в машинном обучении для решения крупномасштабных и разреженных задач. Мы научимся использовать классы SGDClassifier и SGDRegressor из библиотеки scikit-learn для обучения линейных классификаторов и регрессоров.
Machine Learningscikit-learn
Работа с текстовыми данными
В этом практическом занятии мы исследуем, как работать с текстовыми данными с использованием scikit - learn, популярной библиотеки машинного обучения в Python. Мы научимся загружать текстовые данные, предобрабатывать их, извлекать признаки, обучать модель и оценивать ее производительность.
Machine Learningscikit-learn
Классификация с использованием Деревьев решений в библиотеке Scikit-Learn
В этом практическом занятии мы научимся использовать Деревья решений для классификации с помощью библиотеки scikit-learn. Деревья решений - это непараметрический метод обучения с учителем, используемый для классификации и регрессии. Они просты в понимании и интерпретации и могут обрабатывать как числовые, так и категориальные данные.
Machine Learningscikit-learn
Алгоритмы полунаправленного обучения
В этом практическом занятии мы исследуем концепцию полунаправленного обучения, которое представляет собой тип машинного обучения, при котором часть обучающих данных имеет метки, а часть - нет. Алгоритмы полунаправленного обучения могут использовать неотмеченные данные для улучшения производительности модели и более эффективной генерализации на новых образцах. Это особенно полезно, когда у нас есть небольшое количество помеченных данных, но большое количество неотмеченных.
Machine Learningscikit-learn
Исследование ансамблевых методов с использованием Scikit-Learn
В этом практическом занятии мы изучим ансамблевые методы с использованием библиотеки Scikit-Learn. Ансамблевые методы - это техники машинного обучения, которые объединяют несколько моделей для достижения лучшей производительности, чем у одной модели. Мы сосредоточимся на двух популярных ансамблевых методах: бэггинге (Bagging) и случайных лесах (Random Forests).
Machine Learningscikit-learn
Обучение с учителем с использованием Scikit - Learn
В обучении с учителем мы хотим изучить связь между двумя наборами данных: наблюдаемыми данными X и внешней переменной y, которую мы хотим предсказать.
Machine Learningscikit-learn
Регирессия и классификация с использованием Гауссовых процессов
В этом практическом занятии мы изучим Гауссовы процессы (GP) - метод обучения с учителем, используемый для задач регрессии и вероятностной классификации. Гауссовы процессы гибки и могут интерполировать наблюдения, давать вероятностные прогнозы и обрабатывать разные типы ядер. В этом практическом занятии мы сосредоточимся на Регирессии с использованием Гауссовых процессов (GPR) и Классификации с использованием Гауссовых процессов (GPC) с использованием библиотеки scikit - learn.
Machine Learningscikit-learn
Пример наивного байесовского классификатора
В этом практическом занятии мы рассмотрим пример использования наивных байесовских классификаторов из библиотеки scikit - learn в Python. Наивные байесовские классификаторы - это набор алгоритмов обучения с учителем, которые обычно используются для задач классификации. Эти классификаторы основаны на применении теоремы Байеса с предположением условной независимости между каждой парой признаков при заданном значении переменной класса.
Machine Learningscikit-learn
Выбор модели: выбор оценщиков и их параметров
В машинном обучении выбор модели - это процесс выбора наилучшей модели для заданного набора данных. Он включает в себя выбор соответствующего оценщика и настройку его параметров для достижения оптимальной производительности. Этот урок проведет вас через процесс выбора модели в scikit-learn.
Machine Learningscikit-learn
Выбор признаков с использованием Scikit-Learn
Выбор признаков - это важный этап в машинном обучении. Он заключается в выборе наиболее значимых признаков из набора данных для повышения точности и производительности модели. В Scikit-Learn модуль sklearn.feature_selection предоставляет различные методы для выбора признаков и уменьшения размерности.
Machine Learningscikit-learn
Нелинейная регрессия с использованием изотонной регрессии
В этом практическом занятии мы будем изучать изотонную регрессию с использованием scikit - learn. Изотонная регрессия - это метод, который подгоняет неубывающую функцию к одномерным данным. Она полезна, когда у вас есть данные, которые не удовлетворяют предположению о линейности в модели регрессии.
Machine Learningscikit-learn
Реализация стохастического градиентного спуска
Стохастический градиентный спуск (Stochastic Gradient Descent, SGD) — популярный алгоритм оптимизации, используемый в машинном обучении. Это вариант алгоритма градиентного спуска, который на каждой итерации использует случайно выбранное подмножество обучающих данных. Это делает его вычислительно эффективным и подходящим для обработки больших наборов данных. В этом практическом занятии мы рассмотрим шаги по реализации SGD на Python с использованием библиотеки scikit-learn.
Machine Learningscikit-learn
Снижение размерности с использованием алгоритмов PLS
Модуль cross_decomposition в scikit-learn содержит контролируемые оценщики для снижения размерности и регрессии, в частности для алгоритмов Partial Least Squares (PLS). Эти алгоритмы находят фундаментальное отношение между двумя матрицами, проектируя их в ниж-мерное подпространство таким образом, чтобы ковариация между преобразованными матрицами была максимальной.
Machine Learningscikit-learn
- Предыдущий
- 1
- 2
- 3
- 4
- 5
- 6
- ...
- 15
- Следующий