二,機器學習
特徵選擇
整合學習
1,k - 鄰近演算法
2,線性回歸
3,決策樹
4,樸素貝葉斯演算法
5,邏輯回歸
6,聚類 - sklearn中的使用
三,深度學習(tensorflow)
四,資料庫(sql)
五,資料結構與演演算法
傳送門:機器學習-pandas 資料的前處理
強力推薦:python之sklearn使用教程
sklearn提供的資料集:sklearn.datasets
傳送門:致理大樓 816
生成自己的資料集
傳送門:如何使用sklearn生成自己的資料集
廣義線性模型
傳送門:廣義線性模型 - sklearn使用說明
傳送門:sklearn中的回歸演算法
內容預覽:
交叉驗證:評估估算器的表現
傳送門:交叉驗證:評估估算器的表現 - sklearn的使用方法
傳送門:sklearn中的交叉驗證
計算 f1_score
傳送門:sklearn.metrics.f1_score 使用方法
資料降維
傳送門:分解元件中的訊號(矩陣分解問題) - 資料降維
傳送門:如何選擇sklearn中的特徵選擇包
傳送門:30分鐘學會如何使用整合學習(什麼是整合學習)
內容預覽:
傳送門:使用sklearn中提供的k鄰近演算法
內容預覽:
傳送門:實現knn演算法
傳送門:實現線性回歸演算法
內容預覽:
傳送門:線性回歸實戰(書p136)
內容預覽:
傳送門:使用sklearn中提供的線性回歸演算法
內容預覽:
傳送門:梯度下降法
內容預覽:
傳送門:決策樹 / 分類樹(書p33)
內容預覽:
傳送門:樸素貝葉斯演算法(書p53)
內容預覽:
傳送門:邏輯回歸(書p73)
內容預覽:
傳送門:聚類 - sklearn中的使用方法
內容預覽:
聚類方法概述
k-means
2.1. 小批量 k-means
affinity propagation
mean shift
層次聚類
5.1. 不同連線型別
dbscan
傳送門:深度學習 - 構建多層感知器
內容預覽:
傳送門:深度學習 - 獨熱編碼、順序編碼與softmax多分類
內容預覽:
傳送門:深度學習 - 模型的優化和過擬合問題
內容預覽:
傳送門:深度學習 - 建立模型的三種方式
內容預覽:
傳送門:深度學習 - 卷積神經網路(cnn)介紹+例項說明
內容預覽:
傳送門:深度學習 - tensor型別的資料進行微分計算
傳送門:深度學習 - 增強(例項說明)
內容預覽:
傳送門:深度學習 - vgg16介紹及預訓練神經網路的使用
內容預覽:
傳送門:深度學習 - 影象定位(一起來學習怎麼鎖狗頭吧~)
內容預覽:
傳送門:示例模式圖
為了方便對照,所以單獨寫了出來!
內容預覽:
傳送門:資料庫系統原理
內容預覽:
傳送門:sql語言(一)
內容預覽:
傳送門:sql語言(二)
內容預覽:
傳送門:sql語言(三)
內容預覽:
傳送門:sql語言(四)
內容預覽:
傳送門:資料庫設計和e-r(實體關係)模型
內容預覽:
傳送門:函式依賴和關係模式分解
內容預覽:
傳送門:正規化篇 - bcnf、3nf和4nf
內容預覽:
資料庫(完)
傳送門:演算法與演算法分析
內容預覽:
傳送門:演演算法 - 樹
內容預覽:
傳送門:演演算法 - 排序
內容預覽:
傳送門:演演算法 - 分治法(divide-and-conquer)
內容預覽:
傳送門:圖的基本概念及圖演演算法
這是乙個開始
準備正式的應對職業之路,是從劉未鵬的部落格開始 在此之前,從事的工作比較漫不經心,因為不熱愛的緣故,也只是工作而已 經朋友推薦,瀏覽了劉的部落格,一下仿似給自己找到了乙個出口。長期以來自己不成條理,漫無目標的思考,找到了乙個可以依附的體系 在新下來的日子裡,我認真的做事,努力學習周邊,在漂亮完成兩個...
這是乙個Scanner
最近,老師讓寫乙個ftp掃瞄器並匿名登陸。要求掃瞄到所有的檔案。預備知識 ftplib的使用 python異常處理知識 字串處理技巧 牽扯到拼接路徑 遞迴程式設計技巧 需要用遞迴來遍歷所有檔案 思路通過思考問題,我設計的遞迴引數是將父目錄當作引數。這個是肯定存在的。所以不需要進行異常處理 有以下幾種...
這是乙個隨筆
自我介紹 21160635 我的名字是曾磊鑫 愛好玩遊戲和聽 最喜歡吃的就是老黃牛的麻辣香鍋 晉級賽bo5又輸了xd 問題簡答 1 回想一下你初入大學時對本專業的暢想 1.當初你是如何做出選擇軟體工程專業的決定的?年輕不懂事當初以為選了軟工就可以在大學有理由好好玩遊戲了,現在發現家裡沒礦學業要緊。2...