文件名称：Machine_Learning：包含用于我的个人网站的课程和代码
文件大小：3.75MB
文件格式：ZIP
更新时间：2024-03-07 13:45:06
HTML
Python中的数据科学与编程 表中的内容 使用每个节标题上的超级链接来阅读文章内容。 机器学习世界简介。 在本文中，我们从两个易于理解的监督学习概念开始（线性回归和K-最近邻方法） 本节是对与Python中的数据科学和编程相关的课程的综合汇编的一项较大工作的一部分。 “决策树”项目包含3个关键课程： 熵和信息增益 基尼杂质测量 用树做决定 上面的每个课程都可以帮助读者理解基于树的算法的内部工作原理。 请记住，本部分只是介绍，将介绍该算法的构建块。
【文件预览】：
Machine_Learning-master
----optimize()
--------negative_derivative.png(47KB)
--------gradient_animation.gif(2.46MB)
--------gradient_desc_animation_global.gif(2.29MB)
--------positive_derivative.png(46KB)
--------minima.png(16KB)
--------gradient_descent.py(3KB)
--------minima.py(679B)
--------gradient_desc_animation_jump.gif(2.45MB)
--------README.md(29B)
--------gradient_desc_animation_local.gif(2.37MB)
----.gitattributes(66B)
----Unit_Test()
--------images()
--------sample_script.py(128B)
--------sample_script.pyc(563B)
--------test_sample_script.py(548B)
--------README.md(69B)
--------conftest.py(328B)
--------__pycache__()
----Introduction()
--------.ipynb_checkpoints()
--------Machine Learning - A simple approach.ipynb(69KB)
--------Machine Learning - A simple approach_files()
--------Machine Learning - A simple approach.html(325KB)
----Decision Trees()
--------.ipynb_checkpoints()
--------Entropy & Information Gain.ipynb(16KB)
--------Gini Impurity Measure.ipynb(26KB)
--------Making Decisions with Trees.ipynb(28KB)
--------image()
----README.md(2KB)