文件名称：ML-for-scientists:科学家机器学习教程
文件大小：826KB
文件格式：ZIP
更新时间：2024-07-26 06:19:02
Python
科学家的机器学习 这些是大约一天课程的材料，旨在介绍机器学习中的一些关键方法和概念，面向科学受众。 可以在查看演示文稿。 目的是让在科学数据分析（曲线拟合等）方面有一定经验并熟悉 Python 或 R 的与会者在阅读完本材料后： 对关键术语有一些基本的了解， 使用了一些标准的基本方法，并且对基础理论有基础， 了解一些具有广泛适用性的基本概念。 它在python（sklearn，还有一些其他包）中涵盖了以下大部分或全部方法： 回归： OLS 黄土 套索 分类 逻辑回归 神经网络 朴素贝叶斯 密度估计内核方法 聚类 k均值， 层次聚类 ...但更重要的是，它涵盖了以下概念： 偏差-方差权衡 重采样方法 引导 交叉验证 排列测试 型号选择 变量选择 多重假设检验
【文件预览】：
ML-for-scientists-master
----outputs()
--------bootstrap()
--------crossvalidation()
--------bias-variance()
--------nonparametric()
--------classification()
----Makefile(3KB)
----assets()
--------img()
----LICENSE(21KB)
----scripts()
--------regression()
--------bootstrap()
--------clustering()
--------__init__.py(0B)
--------featureselect()
--------classification()
----README.md(1KB)
----index.Rmd(68KB)