1.調參優化演算法：
2.機器學習（整合演算法1：隨機森林分類器-紅酒資料集案例、隨機森林回歸器-波士頓資料集填充缺失值案例）
3.實用kaggle競賽之隨機森林評估及調參
4. 實用隨機森林 - 針對時間序列的kaggle技巧
搞機器學習的人，都會有自己偏愛的某種演算法，有的喜歡支援向量機（svm），因為它公式表達的優雅和可利用方法實現的高質量；有的人喜歡決策樹，因為它的簡潔性和解釋能力；還有人對神經網路非常痴狂，因為它解決問題的靈活性（一般在超大規模的資料集上，使用神經網路，效果會好於其他所有的機器學習演算法）。但是就我本人而言，我最喜歡的演算法是隨機森林，理由如下：
在colab上使用自己的資料集
1 colab 可以非常方便地將ipynb儲存到github上！有趣。2 colab 從github上載入資料集，666，簡直不能更方便啊。使用 git clone 即可將github上的檔案轉殖到colab的當前目錄下，然後就可以愉快地使用自己的資料集了。ls r檢視當前目錄下的檔案及所有的子目錄...
在SeaShips資料集上訓練並測試Yolov3
本文主要記錄我在seaships資料集上訓練yolov3網路進行船隻檢測的簡單過程 對資料集的預處理 修改cfg檔案 修改data資料夾 seaships資料集共有四個資料夾，其中annotations資料夾內是每張的標籤，每個對應乙個xml檔案來儲存標籤，所以要將xml檔案中的內容轉為txt檔案，...
在西瓜資料集上訓練 資料標註是做什麼的？
1.訓練集 用來除錯神經網路 2.驗證集 用來檢視訓練效果 檢視模型訓練的效果，是否朝著壞的方向進行，及時停止訓練 用在訓練的過程中，幾個epoch結束後就要跑一次驗證集看看效果，及時發現模型或者引數的問題。如果模型設計不合理，訓練的時候不容易發現，但是在驗證集中可能會發散 map不增長或者增長很慢...