该课程已停止维护。欢迎浏览最新课程和实验,也可以在 Discord 和我们分享反馈。

机器学习实践实验室

本课程包含大量机器学习实验,每个实验都是一个小的机器学习项目,配有详细的指导和解决方案。通过完成这些实验,你可以练习机器学习技能,提高编程能力,并学习如何编写干净高效的代码。

Python数据科学

💡 本教程由 AI 辅助翻译自英文原版。如需查看原文,您可以 切换至英文原版

大纲

在聚类性能评估中考虑随机因素

Coming Soon

分类器的概率校准

Coming Soon

绘制因果关系解读

Coming Soon

分类器链集成模型

Coming Soon

使用谱聚类分割希腊硬币

Coming Soon

Scikit - 学习列变换器

Coming Soon

流形学习比较

Coming Soon

使用 Scikit-Learn 的交叉验证技术

Coming Soon

比较降维策略

Coming Soon

高斯混合模型

Coming Soon

使用高斯混合模型进行密度估计

Coming Soon

高斯混合模型与正弦曲线

Coming Soon

梯度提升回归的预测区间

Coming Soon

梯度提升回归

Coming Soon

使用字典学习进行图像去噪

Coming Soon

使用 Scikit-Learn 进行归纳聚类

Coming Soon

使用支持向量机进行鸢尾花二元分类

Coming Soon

使用 Scikit-Learn 进行 K-Means++ 聚类

Coming Soon

使用标签传播进行半监督学习

Coming Soon

Scikit - 学习套索路径

Coming Soon

线性支持向量分类器的支持向量

Coming Soon

理解模型复杂度

Coming Soon

使用多输出估计器完成人脸图像

Coming Soon

使用邻域成分分析进行降维

Coming Soon

带稀疏性的线性回归示例

Coming Soon

普通最小二乘法与岭回归的方差

Coming Soon

用于异常检测的单类支持向量机

Coming Soon

使用局部依赖进行高级绘图

Coming Soon

鸢尾花数据集上的主成分分析

Coming Soon

绘制排列重要性

Coming Soon

乳腺癌数据集上的排列重要性

Coming Soon

多项式和样条插值

Coming Soon

使用 Scikit-Learn 估计器的预测延迟

Coming Soon

稳健线性模型估计

Coming Soon

RBF 支持向量机参数调优

Coming Soon

最近邻回归

Coming Soon

Scikit - 学习岭回归示例

Coming Soon

凸损失函数比较

Coming Soon

加权数据集决策函数绘制

Coming Soon

使用堆叠法组合预测器

Coming Soon

可视化股票市场结构

Coming Soon

支持向量机核数据分类

Coming Soon

探索线性支持向量机参数

Coming Soon

非线性支持向量机分类

Coming Soon

使用 t-SNE 可视化高维数据

Coming Soon

比较不同的类别编码器

Coming Soon

支持向量机加权样本

Coming Soon

使用 Scikit-Learn 进行新奇性和异常值检测

Coming Soon

随机投影降维

Coming Soon

使用贝叶斯岭回归进行曲线拟合

Coming Soon

最近邻分类

Coming Soon

使用 Python 探索 K 均值聚类

Coming Soon

比较交叉分解方法

Coming Soon

绘制浓度先验

Coming Soon

使用自定义核函数的支持向量机分类

Coming Soon

数字数据集上的交叉验证

Coming Soon

高维数据的特征凝聚

Coming Soon

数字数据集上的凝聚聚类

Coming Soon

F 检验与互信息的比较

Coming Soon

使用 KBinsDiscretizer 进行向量量化

Coming Soon

人脸数据集分解

Coming Soon

鸢尾花数据集上的高斯过程分类

Coming Soon

高斯过程分类

Coming Soon

异或数据集上的高斯过程分类

Coming Soon

使用高斯过程进行非线性预测建模

Coming Soon

拟合高斯过程回归模型

Coming Soon

高斯过程回归:核

Coming Soon

梯度提升的早期停止

Coming Soon

盲源分离

Coming Soon

使用快速独立成分分析(FastICA)和主成分分析(PCA)进行独立成分分析

Coming Soon

使用 Scikit-learn 进行鸢尾花分类

Coming Soon

鸢尾花数据集上的支持向量机分类器

Coming Soon

简单的一维核密度估计

Coming Soon

使用标签传播的主动学习

Coming Soon

套索回归(Lasso)与弹性网络(Elastic Net)

Coming Soon

判别分析分类算法

Coming Soon

使用 Scikit-Learn 进行层次聚类

Coming Soon

用于异常检测的局部离群因子

Coming Soon

使用 LOF 进行异常值检测

Coming Soon

逻辑回归模型

Coming Soon

L1 逻辑回归的正则化路径

Coming Soon

协方差估计器比较

Coming Soon

稳健协方差估计与马氏距离的相关性

Coming Soon

球形数据上的流形学习

Coming Soon

使用多任务套索进行联合特征选择

Coming Soon

线性回归示例

Coming Soon

OPTICS 聚类算法

Coming Soon

主成分分析

Coming Soon

随机分类数据集绘图

Coming Soon

使用 Scikit-Learn 生成多标签数据集

Coming Soon

Python 中的稳健协方差估计

Coming Soon

使用 SGD 应用正则化技术

Coming Soon

使用预计算字典的稀疏编码

Coming Soon

支持向量回归

Coming Soon

瑞士卷与瑞士洞降维

Coming Soon

使用 Python Scikit-Learn 进行泰尔 - 森回归

Coming Soon

压缩感知图像重建

Coming Soon

决策树回归

Coming Soon

多输出决策树回归

Coming Soon

Scikit-Learn Libsvm 图形用户界面

Coming Soon

使用随机奇异值分解(Randomized SVD)进行维基百科页面排名

Coming Soon

使用保序回归进行非线性回归

Coming Soon

神经网络模型

Coming Soon

高斯混合模型

Coming Soon

使用 Scikit-Learn 进行流形学习

Coming Soon

Scikit-learn 中的双聚类

Coming Soon

将信号分解为组件

Coming Soon

使用 Scikit-Learn 进行协方差矩阵估计

Coming Soon

使用核密度进行密度估计

Coming Soon

使用 Python 进行机器学习交叉验证

Coming Soon

使用 Scikit-Learn 进行特征提取

Coming Soon

缺失值插补

Coming Soon

Scikit-learn 中的核近似技术

Coming Soon

Scikit-Learn 中的成对度量和核函数

Coming Soon

转换预测目标

Coming Soon

提升决策树回归

Coming Soon

亲和传播聚类

Coming Soon

绘制凝聚聚类

Coming Soon

凝聚聚类度量

Coming Soon

层次聚类树形图

Coming Soon

数据缩放与转换

Coming Soon

使用装袋法进行偏差 - 方差分解

Coming Soon

比较 BIRCH 和 MiniBatchKMeans

Coming Soon

二分 K 均值与常规 K 均值性能比较

Coming Soon

比较聚类算法

Coming Soon

使用层次聚类进行图像分割

Coming Soon

Scikit 学习混淆矩阵

Coming Soon

收缩协方差估计

Coming Soon

线性模型的交叉验证

Coming Soon

绘制字典人脸图像块

Coming Soon

识别手写数字

Coming Soon

演示 KBinsDiscretizer 策略

Coming Soon

为弹性网络预先计算 Gram 矩阵

Coming Soon

随机森林袋外误差估计

Coming Soon

使用并行决策树森林的像素重要性

Coming Soon

高斯混合模型协方差

Coming Soon

高斯混合模型选择

Coming Soon

使用高斯过程分类进行概率预测

Coming Soon

绘制 GPR 二氧化碳图

Coming Soon

离散数据结构上的高斯过程

Coming Soon

梯度提升正则化

Coming Soon

特征哈希器与字典向量化器对比

Coming Soon

HDBSCAN 聚类算法演示

Coming Soon

绘制 Huber 与 Ridge 对比图

Coming Soon

鸢尾花数据集上的增量主成分分析

Coming Soon

鸢尾花数据集上的逻辑回归分类器

Coming Soon

RBF 核的显式特征图近似

Coming Soon

K 均值初始化的实证评估

Coming Soon

标签传播学习

Coming Soon

Scikit 学习 Lasso 回归

Coming Soon

逻辑回归分步指南

Coming Soon

将数据映射到正态分布

Coming Soon

使用多维缩放可视化高维数据

Coming Soon

均值漂移聚类算法

Coming Soon

梯度提升的单调约束

Coming Soon

邻域成分分析

Coming Soon

最近质心分类

Coming Soon

使用正交匹配追踪进行稀疏信号恢复

Coming Soon

绘制主成分分析(PCA)与线性判别分析(LDA)对比图

Coming Soon

用于图像分割的谱聚类

Coming Soon

鸢尾花数据集上的半监督分类器

Coming Soon

支持向量机:最大间隔分离超平面

Coming Soon

用于不平衡类别的支持向量机

Coming Soon

Scikit - 学习多类随机梯度下降分类器

Coming Soon

绘制随机梯度下降分离超平面

Coming Soon

稀疏逆协方差估计

Coming Soon

物种分布建模

Coming Soon

物种分布的核密度估计

Coming Soon

支持向量机平局决胜

Coming Soon

Scikit 学习弹性网络回归模型

Coming Soon

半监督学习算法

Coming Soon

使用 K 均值的无监督聚类

Coming Soon

Scikit-learn 中的数据预处理技术

Coming Soon

使用 K 均值进行颜色量化

Coming Soon

绘制图表比较高斯过程回归与核岭回归

Coming Soon

决策树剪枝

Coming Soon

使用 Scikit-Learn 进行数字分类

Coming Soon

数字数据集分析

Coming Soon

使用 KBinsDiscretizer 对连续特征进行离散化

Coming Soon

绘制森林直方图梯度提升比较

Coming Soon

绘制鸢尾花数据集的森林决策面

Coming Soon

高斯混合模型初始化方法

Coming Soon

绘制网格搜索数字图

Coming Soon

鸢尾花数据集上的决策树

Coming Soon

使用隔离森林进行异常检测

Coming Soon

使用 Scikit-Learn 进行非参数保序回归

Coming Soon

通过随机投影探索约翰逊 - 林登施特劳斯引理

Coming Soon

使用核主成分分析的主成分分析

Coming Soon

绘制核岭回归

Coming Soon

探索 K 均值聚类假设

Coming Soon

使用轮廓系数法进行聚类分析

Coming Soon

使用基于 L1 的模型进行稀疏信号回归

Coming Soon

用于分类的线性判别分析

Coming Soon

绘制多项式和一对多逻辑回归

Coming Soon

比较 K 均值和 MiniBatchKMeans

Coming Soon

Scikit-learn 的 MLPClassifier:随机学习策略

Coming Soon

用于模型选择的嵌套交叉验证

Coming Soon

非负最小二乘回归

Coming Soon

检测葡萄酒数据中的异常值

Coming Soon

绘制主成分分析与因子分析模型选择对比图

Coming Soon

分类的排列检验分数

Coming Soon

使用 Scikit-Learn 进行分位数回归

Coming Soon

绘制随机森林回归多输出

Coming Soon

超参数优化:随机搜索与网格搜索

Coming Soon

递归特征消除

Coming Soon

用于线性建模的岭回归

Coming Soon

使用交叉验证的 ROC

Coming Soon

基于模型和顺序的特征选择

Coming Soon

手写数字分类的在线求解器比较

Coming Soon

谱双聚类算法

Coming Soon

谱共聚类算法

Coming Soon

网格搜索与连续减半法的比较

Coming Soon

支持向量机的正则化参数缩放

Coming Soon

使用 NMF 和 LDA 绘制主题提取

Coming Soon

决策树分析

Coming Soon

绘制验证曲线

Coming Soon

通过因子分析揭示鸢尾花数据集结构

Coming Soon

使用投票分类器的类别概率

Coming Soon

使用投票回归器进行糖尿病预测

Coming Soon

带连接性约束的层次聚类

Coming Soon

调整估计器的超参数

Coming Soon

验证曲线:绘制分数以评估模型

Coming Soon

局部依赖与个体条件期望

Coming Soon

排列特征重要性

Coming Soon

离散与真实 AdaBoost

Coming Soon

多类 AdaBoost 决策树

Coming Soon

AdaBoost 决策树桩分类

Coming Soon

比较线性贝叶斯回归器

Coming Soon

使用谱共聚类算法进行文档双聚类

Coming Soon

缓存最近邻

Coming Soon

三类分类的概率校准

Coming Soon

绘制分类概率

Coming Soon

使用交叉验证绘制预测结果

Coming Soon

DBSCAN 聚类算法

Coming Soon

使用核主成分分析进行图像去噪

Coming Soon

核密度估计

Coming Soon

使用随机森林进行特征重要性分析

Coming Soon

梯度提升袋外估计

Coming Soon

套索模型选择

Coming Soon

套索回归的模型选择

Coming Soon

绘制学习曲线

Coming Soon

使用多层感知器分类器对手写数字进行分类

Coming Soon

使用 GridSearchCV 优化模型超参数

Coming Soon

使用核外学习进行文本分类

Coming Soon

哈希特征变换

Coming Soon

带交叉验证的递归特征消除

Coming Soon

稳健线性估计器拟合

Coming Soon

随机梯度下降的早停法

Coming Soon

绘制 Sgdocsvm 与 Ocsvm 的对比图

Coming Soon

多类稀疏逻辑回归

Coming Soon

连续减半迭代

Coming Soon

使用 TargetEncoder 进行分类数据转换

Coming Soon

欠拟合与过拟合

Coming Soon

使用 Scikit-Learn 探索集成方法

Coming Soon

使用 Scikit-Learn 进行特征选择

Coming Soon

评估机器学习模型质量

Coming Soon

绘制数字管道

Coming Soon

Scikit - 学习估计器和管道

Coming Soon

使用树集成进行特征转换

Coming Soon

平衡模型复杂度与交叉验证分数

Coming Soon

文本特征提取与评估

Coming Soon

手写数字的 K 均值聚类

Coming Soon

多层感知器正则化

Coming Soon

多标签文档分类

Coming Soon

绘制 NCA 分类

Coming Soon

使用 Scikit-Learn 算法进行离群值检测

Coming Soon

使用 Scikit-learn 进行多类 ROC 评估

Coming Soon

Scikit-learn 可视化 API

Coming Soon

使用 Scikit-learn 进行多项式核近似

Coming Soon

自训练中变化阈值的影响

Coming Soon

MNIST 多项式逻辑回归

Coming Soon

使用投票分类器进行鸢尾花分类

Coming Soon

TSNE 中的近似最近邻

Coming Soon

使用显示对象创建可视化

Coming Soon

使用特征脸和支持向量机进行人脸识别

Coming Soon

单变量特征选择

Coming Soon

使用 Scikit-learn 构建机器学习管道

Coming Soon

连接多种特征提取方法

Coming Soon

带有分类特征的梯度提升

Coming Soon

用于衡量分类性能的类别似然比

Coming Soon

插补缺失数据

Coming Soon

绘制主成分回归(PCR)与偏最小二乘回归(PLS)对比图

Coming Soon

鸢尾花数据集上支持向量分类器的特征选择

Coming Soon

线性回归中的目标变换

Coming Soon

多类和多输出算法

Coming Soon

异常检测算法比较

Coming Soon

概率校准曲线

Coming Soon

分类器校准比较

Coming Soon

使用管道和网格搜索交叉验证进行降维

Coming Soon

检测错误权衡曲线

Coming Soon

不平衡分类中的精确率 - 召回率指标

Coming Soon

混合类型的列变换器

Coming Soon

使用 RBM 特征进行数字分类

Coming Soon

半监督文本分类

Coming Soon

使用 Set_output API

Coming Soon

用于分类的特征离散化

Coming Soon

文本文档分类

Coming Soon

Scikit-Learn 迭代插补器

Coming Soon

手写数字的流形学习

Coming Soon

构建 Scikit-Learn 管道

Coming Soon

机器学习中的特征缩放

Coming Soon

管道和复合估计器

Coming Soon

Scikit - 学习分类器比较

Coming Soon

简介

本 HTML 实践实验课程旨在通过一系列动手练习和项目帮助你提升 HTML 技能。无论你是初学者还是经验丰富的 Web 开发者,本课程都提供了一种实用的方法来掌握 HTML 的基础知识。

🎯 任务

在本课程中,你将学习:

  • 如何使用 HTML 元素构建网页结构
  • 如何创建语义化和可访问的 HTML 标记
  • 如何格式化文本、添加图片并构建导航菜单
  • 如何在网页中嵌入链接、列表和表格
  • 如何应用最佳实践编写干净高效的 HTML 代码

🏆 成就

完成本课程后,你将能够:

  • 自信地创建和构建基于 HTML 的网页
  • 展示对 HTML 语法和语义的深刻理解
  • 使用各种 HTML 功能和元素增强网页的结构和外观
  • 培养编写干净、组织良好且易于维护的 HTML 代码的能力
  • 通过完成动手实践实验获得 HTML 的实战经验

教师

labby
Labby
Labby is the LabEx teacher.

为您推荐

no data