文件名称：使用Python进行机器学习：用于理解核心概念的小型机器学习项目。 给星星:glowing_star:如果有帮助的话。 奖金：面试银行来了..！
文件大小：734KB
文件格式：ZIP
更新时间：2024-02-24 02:05:01
python data-science machine-learning deep-learning scikit-learn
Python机器学习 小型机器学习项目，以了解核心概念（顺序：从最早到最新） 使用带有新闻组20数据集的潜在Dirichlet分配进行主题建模，并使用Python和Scikit-Learn实现 在MNIST数据集上实现了用Keras构建的简单神经网络 使用线性回归的Google股票价格预测 实现了一个简单的社交网络来学习Python基础 实施Naives Bayes分类器以过滤SpamAssasin公共语料库上的垃圾邮件 使用Keras和Scikit-Learn的银行数据集的客户流失预测模型 从零开始实施随机森林，并在UCI存储库的Sonar数据集上建立分类器 示例数据集上Python中的简单线性回归 Python在样本数据集上的多元回归 PCA和使用Python缩放样本股票数据[working_with_data] 示例数据集上Python中的决策树 示例数据集上的Python中的Logistic回归 在Python中建立神经网络以击败验证码系统 辅助方法包括用于统计，概率，线性代数和数据分析的常用运算 用示例数据进行K均值聚类； 用k均值聚类颜色; 自下而上的层次聚类 生成词云
【文件预览】：
Machine-Learning-with-Python-master
----Anamoly_Detection_notes.md(3KB)
----k_nearest_neighbors()
--------data.py(3KB)
--------utils.py(3KB)
--------model.py(1KB)
--------Understanding the algorithm.md(2KB)
--------__pycache__()
----decision_trees()
--------data.py(1KB)
--------utils.py(4KB)
--------model.py(1KB)
--------__pycache__()
----.github()
--------ISSUE_TEMPLATE()
----sonar_clf_rf.py(7KB)
----logistic_regression_banking()
--------binary_logisitic_regression.py(2KB)
--------utils.py(912B)
--------banking.csv(4.62MB)
----logistic_regression()
--------data.py(4KB)
--------utils.py(1KB)
--------model.py(2KB)
--------__pycache__()
----k_means_clustering()
--------data.py(243B)
--------utils.py(5KB)
--------model.py(1KB)
--------Understanding the algorithm.md(3KB)
--------__pycache__()
----naive_bayes_classfier()
--------naivebayesclassifier.py(749B)
--------utils.py(2KB)
--------model.py(2KB)
----mnist-deep-learning.py(941B)
----recommender_systems()
--------data.py(957B)
--------utils.py(2KB)
--------model.py(2KB)
--------__pycache__()
----use_cases_insurnace.md(4KB)
----working_with_data()
--------comma_delimited_stock_prices.csv(118B)
--------data.py(4KB)
--------utils.py(9KB)
--------model.py(3KB)
--------__pycache__()
--------stocks.txt(344KB)
----scripts()
--------install_requirements.sh(45B)
----requirements.txt(718B)
----natural_language_processing()
--------data.py(2KB)
--------utils.py(6KB)
--------model.py(2KB)
--------__pycache__()
----helpers()
--------linear_algebra.py(3KB)
--------gradient_descent.py(5KB)
--------machine_learning.py(1KB)
--------probabilty.py(4KB)
--------stats.py(6KB)
----Understanding Vanishing Gradient.md(4KB)
----neural_network()
--------data.py(713B)
--------utils.py(3KB)
--------model.py(2KB)
--------__pycache__()
----CONTRIBUTING.md(4KB)
----Understanding SQL Queries.md(6KB)
----LICENSE(1KB)
----multiple_regression()
--------data.py(5KB)
--------utils.py(3KB)
--------model.py(2KB)
--------__pycache__()
----telecom_churn_prediction.py(2KB)
----interview_prep.md(22KB)
----hypothesis_inference.py(6KB)
----README.md(7KB)
----NN_churn_prediction.py(2KB)
----simple_linear_regression()
--------data.py(2KB)
--------utils.py(1KB)
--------model.py(1016B)
----network_analysis()
--------data.py(638B)
--------utils.py(6KB)
--------model.py(645B)
--------__pycache__()
----CODE_OF_CONDUCT.md(3KB)
----.gitignore(1KB)
----friendster_network.py(6KB)
----LDA scikit-learn()
--------load20newsgroups.py(174B)
--------__pycache__()
--------nmf_lda_scikitlearn.py(403B)
--------preprocess.py(666B)
--------displaytopics.py(501B)
----regression_intro.py(3KB)
----hparams_grid_search_keras_nn.py(3KB)