Advertisement

supervised-learning-with-python: Vaibhav Verdhan的使用Python进行监督学习的源代码...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
简介：Vaibhav Verdhan的项目使用Python进行监督学习提供了丰富的源代码和教程，帮助初学者掌握机器学习中的监督学习方法。该项目涵盖回归、分类等多种算法，并提供大量实践案例。 该存储库包含Vaibhav Verdhan撰写的《（Apress，2020年）》一书的源代码。 您可以使用绿色按钮将文件下载为zip格式，或通过Git将存储库克隆到您的计算机上。 发行版： 版本v1.0对应于已出版书籍中的代码，并没有包含任何更正或更新的内容。 贡献： 请参阅Contributing.md文件以获取有关如何为此存储库做出贡献的更多信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • supervised-learning-with-python: Vaibhav Verdhan的使用Python进行监督学习的源代码...
    优质
    简介：Vaibhav Verdhan的项目使用Python进行监督学习提供了丰富的源代码和教程，帮助初学者掌握机器学习中的监督学习方法。该项目涵盖回归、分类等多种算法，并提供大量实践案例。 该存储库包含Vaibhav Verdhan撰写的《（Apress，2020年）》一书的源代码。 您可以使用绿色按钮将文件下载为zip格式，或通过Git将存储库克隆到您的计算机上。 发行版： 版本v1.0对应于已出版书籍中的代码，并没有包含任何更正或更新的内容。 贡献： 请参阅Contributing.md文件以获取有关如何为此存储库做出贡献的更多信息。
     
  • 无监督学习实战入门 使用Python进行无监督学习实践
    优质
    本书为初学者提供了使用Python进行无监督学习的实用指南，通过丰富的实例讲解了如何应用聚类、降维等技术解决实际问题。 Hands-On Unsupervised Learning Using Python is a guide on how to build applied machine learning solutions from unlabeled data, authored by Ankur A. Patel.
     
  • Deep Learning with Python: 使用Python开展深度学习
    优质
    《Deep Learning with Python》一书指导读者利用Python语言进行深度学习实践，涵盖TensorFlow和Keras库的应用。 使用Python进行深度学习：数分钟即可上手并从想法到见解 这是我对Python沙箱的深入学习。还有更多。 我2015年西雅图PyData演讲的幻灯片可以查看。 我2015年西雅图PyData演讲的视频也可以观看。
     
  • Hands-On-Meta-Learning-with-Python: Python中的实践元学习
    优质
    《Hands-On Meta-Learning with Python》是一本深入浅出介绍Python环境下元学习技术的应用书籍。读者将通过实际案例和代码实现，掌握快速适应新任务、优化模型迁移能力等核心技能，助力解决复杂机器学习问题。 《使用Python进行动手元学习》这本书由Packt出版，并附有相关的代码库。它介绍了如何利用一键式学习、MAML（模型平均化与微调）、爬行动物算法以及Meta-SGD等方法来进行元学习，这些都是当前机器学习领域中令人兴奋的研究趋势。 元学习是一种让机器能够理解并优化自己的学习过程的方法。相比于传统的机器学习范例，在小规模数据集上进行快速有效的学习是其一大优势。本书涵盖了以下内容： - 元学习的基础知识、算法和类型； - 如何使用暹罗网络构建语音识别与面部识别模型； - 探索原型网络及其变体的应用； - 从零开始建立关系网络及匹配网络。 此外，读者还可以在Python中实现MAML（元梯度下降）以及爬行动物等算法。如果您对上述内容感兴趣的话，请考虑获取这本书以深入了解相关技术和实践方法。 书中所有的代码都被组织在一个文件夹内，并按照章节进行分类，例如“Chapter02”。以下是一个简单的例子来展示书中的部分代码： ```python import re import numpy as np from PIL import Image ``` 为了顺利阅读本书并运行其中的示例程序，请确保已安装所需软件包（如Python）。
     
  • Clinical-grade Computational Pathology with Weakly Supervised Learning...
    优质
    本文探讨了基于弱监督学习的临床级计算病理学方法，旨在提高医学图像分析的准确性和效率，促进精准医疗的发展。 全球首个临床级病理AI系统原始码及复现介绍： 官方Github提供了主要的代码库。 个人补充部分数据集下载：我自己申请了一个数据集，大小约为50G左右，可以使用提供的密码进行下载（注意：此处不提供具体链接和密码）。 数据准备： - 官方接口需要指定格式，请参考code/README.md。 - 我自己写了一些脚本帮助大家更方便地处理数据。请查看code/dataPrepare_for_CNN.py 和 code/dataPrepare_for_Rnn.py，只需调整相关路径即可使用。 训练及测试： - 将官方代码修改为单机多GPU并行模式以加速训练过程，并且对于单个GPU也无需更改任何代码。 - 具体运行命令请参考code/README.md - 运行流程如下： - 使用 code/dataPrepare_for_CNN.py 生成MIL所需的数据； - 接下来，使用 code/MIL_train.py 和 code/MIL_test.py （注意这一步较慢）进行训练和测试。 - 最后，运行代码 dataPrepare_for_Rnn.py ，以准备RNN模型需要的输入数据。
     
  • ufldl-tutorial-python：用Python进行的斯坦福无监督特征学习与深度学习教程（更新版）
    优质
    ufldl-tutorial-python 是一个基于 Python 的资源库，提供斯坦福大学无监督特征学习和深度学习课程的最新教程和代码示例。 斯坦福无监督特征学习和深度学习教程（新版）使用 Python 教程网站提供了查看此 repo 的 ipython 笔记本的方法。为简化起见，下面列出了所有笔记本的链接。
     
  • Supervised-Image-Learning-on-MNIST-with-SVM-and-Logistic-Regression
    优质
    本项目通过支持向量机(SVM)和逻辑回归在MNIST数据集上进行监督图像学习，对比分析两种算法在手写数字识别中的性能。 利用SVM和支持向量机进行MNIST数据集的监督图像学习。有两个相关的Python文件：一个是用于逻辑回归的`log_reg.py`，另一个是用于支持向量机（SVM）的`SVM.py`。这些程序既可以在PyCharm中运行，也可以通过在终端输入“python log_reg.py”和“python SVM.py”来执行。可以按照原样运行这两个文件，或者调整以下部分或全部超参数后运行： - `num_epochs`: 训练的周期数 - `learn_rate`: 随机梯度下降（SGD）的学习率 - 动量：随机梯度下降动量中的动量大小
     
  • mall_customers_: 采用KMeans进行无监督聚类学习
    优质
    本项目利用KMeans算法对商场客户数据进行无监督聚类分析，旨在识别并细分不同的顾客群体，为市场营销策略提供支持。 这段代码应用了机器学习技术中的K-means聚类方法。使用的数据来自Kaggle平台。该代码包括数据准备、可视化以及使用kmeans进行聚类的过程，并通过“在群集平方和内”和“Silhouette_score”度量来寻找最佳的聚类数量（即最优的K值）。
     
  • 有关半监督学习的代码
    优质
    本项目包含多种半监督学习算法实现的Python代码，旨在通过少量标记数据和大量未标记数据提高模型性能。适合研究与应用开发。 最近我找了一个关于半监督学习的程序，但有些地方看不懂。希望大家下载后能分享一下自己的看法，如果有人是这方面的高手，希望能详细讲解一下，谢谢大家了。
     
  • 强化学习（Q Learning）的Python代码实现
    优质
    本项目提供了一个基于Python语言的Q-Learning算法实现，旨在帮助初学者理解并实践这一强化学习的核心技术。通过实例演示了如何利用Q表进行状态-动作价值的学习与更新过程，适用于环境建模、策略优化等领域研究。 Q函数、贪婪策略以及强化学习的基础实例可以使用Python语言进行代码实现。