ML Mastery 博客文章翻译 20220116 更新

Machine Learning Mastery 机器学习算法教程
- 机器学习算法之旅
- 利用隔离森林和核密度估计的异常检测
- 机器学习中的装袋和随机森林集成算法
- 从零开始实现机器学习算法的好处
- 更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧
- 机器学习的提升和 AdaBoost
- 选择机器学习算法：Microsoft Azure 的经验教训
- 机器学习的分类和回归树
- 什么是机器学习中的混淆矩阵
- 如何使用 Python 从零开始创建算法测试工具
- 通过创建机器学习算法的目标列表来获得控制权
- 机器学习中算法和模型的区别
- 停止从零开始编写机器学习算法
- 在实现机器学习算法时，不要从开源代码开始
- 不要使用随机猜测作为基线分类器
- 浅谈机器学习中的概念漂移
- 机器学习中的偏方差权衡的温和介绍
- 机器学习中的梯度下降
- 机器学习算法如何工作（他们学习输入到输出的映射）
- 如何建立机器学习算法的直觉
- 如何在机器学习中处理大p小n（p >> n）
- 如何实现机器学习算法
- 如何研究机器学习算法行为
- 如何学习机器学习算法
- 如何研究机器学习算法
- 如何研究机器学习算法
- 如何在 Python 中从零开始实现反向传播算法
- 如何用 Python 从零开始实现装袋
- 如何用 Python 从零开始实现基线机器学习算法
- 如何在 Python 中从零开始实现决策树算法
- 如何用 Python 从零开始实现学习向量量化
- 如何利用 Python 从零开始实现线性回归
- 如何利用 Python 从零开始实现逻辑回归
- 如何用 Python 从零开始实现机器学习算法指标
- 如何在 Python 中从零开始实现感知机算法
- 如何在 Python 中从零开始实现随机森林
- 如何在 Python 中从零开始实现重采样方法
- 如何用 Python 从零开始实现简单线性回归
- 如何用 Python 从零开始实现堆叠泛化
- 机器学习中的 K 最近邻
- 学习机器学习中的向量量化
- 机器学习中的线性判别分析
- 机器学习中的线性回归
- 机器学习中使用梯度下降的线性回归教程
- 如何在 Python 中从零开始加载机器学习数据
- 机器学习中的逻辑回归
- 机器学习中的逻辑回归教程
- 机器学习算法迷你课程
- 如何在 Python 中从零开始实现朴素贝叶斯
- 机器学习中的朴素贝叶斯
- 机器学习中的朴素贝叶斯教程
- 机器学习算法的过拟合和欠拟合
- 参数化和非参数化机器学习算法
- 理解任何机器学习算法的 6 个问题
- 在机器学习中拥抱随机性
- 如何使用 Python 从零开始扩展机器学习数据
- 机器学习中的简单线性回归教程
- 有监督和无监督的机器学习算法
- 机器学习中的支持向量机
- 在没有数学背景的情况下理解机器学习算法的 5 种技巧
- 最好的机器学习算法
- 从零开始在 Python 中实现 K 最近邻
- 通过从零开始实现机器学习算法来理解它们（以及绕过坏代码的策略）
- 使用随机森林：在 121 个数据集上测试 179 个分类器
- 为什么从零开始实现机器学习算法
Machine Learning Mastery 应用机器学习教程
- 五个机器学习竞赛的好处
- 机器学习模型选择的温和介绍
- 过拟合的简单直觉，或者为什么测试训练数据是一个坏主意
- 特征选择简介
- 作为搜索问题的应用机器学习的温和介绍
- 为什么应用机器学习很难
- 为什么我的结果不如我想的那么好？你可能过拟合了
- 使用 ROC 曲线评估和比较分类器表现
- BigML 评论：发现机器学习即服务平台的聪明功能
- BigML 教程：开发您的第一个决策树并做出预测
- 构建生产环境的机器学习基础设施
- 分类准确率不够：可以使用更多表现测量
- 一种预测模型的巧妙应用
- 机器学习项目中常见的陷阱
- 数据清理：将凌乱的数据转换为整洁的数据
- 机器学习中的数据泄漏
- 数据，学习和建模
- 数据管理至关重要以及为什么需要认真对待它
- 将预测模型部署到生产环境中
- 参数和超参数之间有什么区别？
- 测试和验证数据集之间有什么区别？
- 为什么机器学习每次得到的结果都不一样？
- 探索特征工程，如何设计特征以及如何获得它
- 如何开始使用 Kaggle
- 超越预测
- 如何在评估机器学习算法时选择正确的测试选项
- 如何定义机器学习问题
- 如何评估机器学习算法
- 如何获得基线结果及其重要性
- 如何充分利用机器学习数据
- 如何识别数据中的异常值
- 如何改进机器学习结果
- 如何在机器学习竞赛中胜出
- 如何知道您的机器学习模型是否具有良好的表现
- 如何布局和管理您的机器学习项目
- 如何为机器学习准备数据
- 如何减少最终机器学习模型中的方差
- 如何使用机器学习结果
- 如何像数据科学家一样解决问题
- 通过数据预处理提高模型准确率
- 处理机器学习的大数据文件的 7 种方法
- 建立机器学习系统的经验教训
- 如何使用机器学习清单可靠地获得准确的预测（即使您是初学者）
- 机器学习模型运行期间要做什么
- 机器学习表现改进备忘单
- 来自世界级从业者 Phil Brierley 的机器学习技巧
- 模型预测准确率与机器学习中的解释
- 机器学习竞赛的模型选择技巧
- 机器学习需要多少训练数据？
- 如何系统地规划和运行机器学习实验
- 应用机器学习的过程
- 默认情况下可重现的机器学习结果
- 10 个实践应用机器学习的标准数据集
- 通往最佳机器学习算法的简单三步法
- 对抗机器学习数据集中不平衡类别的 8 种策略
- 模型表现不匹配问题（以及如何处理）
- 黑盒机器学习的诱惑陷阱
- 如何训练最终的机器学习模型
- 正确实现训练-验证-测试拆分和交叉验证
- 使用探索性数据分析了解您的问题并获得更好的结果
- 什么是数据挖掘和 KDD
- 为什么在机器学习中单热编码数据？
- 为什么你应该在你的机器学习问题上采样检查算法
- 所以，你正在研究机器学习问题…
Machine Learning Mastery 深度学习时间序列教程
- 如何开发用于人类活动识别的一维卷积神经网络模型
- 用于人类活动识别的深度学习模型
- 如何评估用于人类活动识别的机器学习算法
- 用于时间序列预测的多层感知机网络的探索性配置
- 比较时间序列预测的的经典和机器学习方法的结果
- 如何通过深度学习快速获得时间序列预测的结果
- 如何利用 Python 处理序列预测问题中的缺失时间步长
- 如何建立预测大气每日污染的概率预测模型
- 如何开发一种熟练的机器学习时间序列预测模型
- 如何构建用于家庭用电的自回归预测模型
- 如何开发用于多步空气污染时间序列预测的自回归预测模型
- 如何开发用于多站点多元空气污染时间序列预测的基线预测
- 如何开发用于时间序列预测的卷积神经网络模型
- 如何开发用于多步时间序列预测的卷积神经网络
- 如何开发用于单变量时间序列预测的深度学习模型
- 如何开发用于家庭用电的多步时间序列预测的 LSTM 模型
- 如何开发用于时间序列预测的 LSTM 模型
- 如何开发用于多元多步空气污染时间序列预测的机器学习模型
- 如何开发用于时间序列预测的多层感知机模型
- 如何为人类活动识别时间序列分类开发 RNN 模型
- 如何开始用于时间序列预测的深度学习（7 天迷你课程）
- 如何为时间序列预测网格搜索深度学习模型
- 如何为单变量时间序列预测网格搜索朴素方法
- 如何在 Python 中为时间序列预测搜索 SARIMA 模型超参数
- 如何在 Python 中为时间序列预测网格搜索三次指数平滑
- 一个标准的人类活动识别问题的温和介绍
- 如何加载和探索家庭用电数据
- 如何加载，可视化和探索复杂的多变量多步时间序列预测数据集
- 如何从智能手机数据建模人类活动
- 如何根据环境因素预测房间占用率
- 如何使用脑波预测人眼是打开还是关闭
- 如何在 Python 中扩展长短期记忆网络的数据
- 如何将 Keras TimeseriesGenerator用于时间序列预测
- 基于机器学习算法的室内运动时间序列分类
- 用于时间序列预测的有状态 LSTM 在线学习的不稳定性
- 用于罕见事件时间序列预测的 LSTM 模型架构
- 用于时间序列预测的 4 种通用机器学习数据变换
- Python 中使用长短期记忆网络的多步时间序列预测
- 用于家庭用电机器学习的多步时间序列预测
- Keras 中使用 LSTM 的多变量时间序列预测
- 如何开发和评估朴素的家庭用电量预测方法
- 如何为长短期记忆网络准备单变量时间序列数据
- 循环神经网络在时间序列预测中的应用
- 如何在 Python 中使用差分变换删除趋势和季节性
- 如何在 Python 和 LSTM 中为时间序列预测播种状态
- 使用 Python 用于时间序列预测的有状态和无状态 LSTM
- 长短期记忆网络在时间序列预测中的适用性
- 时间序列预测问题的分类系统
- Python 中使用长短期记忆网络的时间序列预测
- 基于 Python 和 Keras 的使用 LSTM 循环神经网络的时间序列预测
- Keras 中使用深度学习的时间序列预测
- 如何用 Keras 为时间序列预测调整 LSTM 超参数
- 如何在时间序列预测训练期间更新 LSTM 网络
- 如何为时间序列预测使用 LSTM 网络的丢弃法
- 如何为时间序列预测使用 LSTM 网络中的特征
- 如何将 LSTM 网络用于时间序列预测
- 如何为时间序列预测使用 LSTM 网络的权重正则化
Machine Learning Mastery Keras 深度学习教程
- Keras 中神经网络模型的 5 步生命周期
- Python 迷你课程中的应用深度学习
- 用于分类的自编码器特征提取
- 用于回归的自编码器特征提取
- 如何将 AutoKeras 用于分类和回归
- Keras 深度学习库的二分类教程
- 如何用 Keras 构建多层感知机神经网络模型
- 如何在 Keras 中检查深度学习模型
- 如何选择深度学习的激活函数
- 10 个用于 Amazon Web Services 深度学习的命令行秘籍
- 机器学习卷积神经网络的速成课程
- 如何在 Python 和 Keras 中对深度学习使用度量
- 深度学习书籍
- 深度学习能力的三个层次
- 深度学习课程
- 你所知道的深度学习是一种谎言
- 用于多输出回归的深度学习模型
- 为伍兹乳腺摄影数据集开发神经网络
- 如何设置 Amazon AWS EC2 GPU 来训练 Keras 深度学习模型（分步）
- 神经网络中批量和周期之间的区别是什么？
- 反向传播和随机梯度下降的区别
- 在 Keras 中展示深度学习模型训练历史
- Keras 深度学习模型中的丢弃正则化
- 评估 Keras 中深度学习模型的表现
- 如何评估深度学习模型的表现
- 小批量梯度下降的简要介绍以及如何配置批量大小
- 在 Keras 深度学习中获得帮助的 9 种方法
- 如何使用 Python 和 Keras 网格搜索深度学习模型的超参数
- 使用 Python 和 Keras 将卷积神经网络用于手写数字识别
- 如何计算深度学习模型的精确率、召回率、F1 等
- 如何用 Keras 做出预测
- 深度学习类别变量的 3 种编码方式
- 将 Keras 用于深度学习的图像增强
- 8 个深度学习的鼓舞人心的应用
- Python 深度学习库 Keras 简介
- Python 深度学习库 TensorFlow 简介
- Python 深度学习库 Theano 简介
- 如何将 Keras 函数式 API 用于深度学习
- Keras 深度学习库的多分类教程
- 深度学习的多标签分类
- 开发钞票鉴别的神经网络
- 为癌症存活数据集开发神经网络
- 用于组合分类和回归的神经网络模型
- 神经网络是函数近似算法
- 多层感知机神经网络速成课程
- Keras 深度学习库中基于卷积神经网络的的目标识别
- 流行的深度学习库
- 面向程序员的实用深度学习（复习）
- 使用深度学习预测电影评论的情感
- 如何开发预测车险赔付的神经网络
- 如何开发预测电离层扰动的神经网络
- 深度学习神经网络的预测区间
- PyTorch 教程：如何用 Python 开发深度学习模型
- Python 中的 Keras 深度学习库的回归教程
- 如何使用 Keras 获得可重现的结果
- 如何在 Linux 服务器上运行深度学习实验
- 保存并加载您的 Keras 深度学习模型
- Python 的 Softmax 激活函数
- TensorFlow 2 教程：使用tf.keras开始深度学习
- 使用 Python 和 Keras 逐步开发第一个神经网络
- 使用 Python 和 Keras 理解有状态 LSTM 循环神经网络
- 如何用更多数据更新神经网络模型
- 将 Keras 深度学习模型和 Python Scikit-Learn 一起使用
- 如何使用预训练的 VGG 模型分类照片中的物体
- 在 Python 和 Keras 中对深度学习模型使用学习率调度
- 如何在 Keras 中可视化深度学习神经网络模型
- 深度学习神经网络的权重初始化
- 什么是深度学习？
- 何时使用 MLP，CNN 和 RNN 神经网络
- 神经网络的权重为什么要随机初始化？
Machine Learning Mastery 线性代数教程
- 向量空间模型的温和介绍
- 什么是机器学习中的 Argmax？
- 机器学习中数学符号的基础知识
- NumPy 数组广播的温和介绍
- 如何在 Python 中从零开始计算主成分分析（PCA）
- 面向程序员的计算线性代数回顾
- 10 个机器学习中的线性代数示例
- 将主成分分析用于人脸识别
- 线性代数的温和介绍
- Python NumPy 的 N 维数组的温和介绍
- 机器学习向量的温和介绍
- 如何在 Python 中为机器学习索引，切片和重塑 NumPy 数组
- 机器学习的矩阵和矩阵算法简介
- 机器学习中的特征分解，特征值和特征向量的温和介绍
- NumPy 期望值，方差和协方差的简要介绍
- 机器学习矩阵分解的温和介绍
- 机器学习中的 NumPy 张量的温和介绍
- 机器学习中的线性代数中的矩阵类型简介
- 机器学习中的线性代数备忘单
- 深度学习中的线性代数
- 机器学习中的线性代数（7 天迷你课程）
- 机器学习中的线性代数
- 机器学习中的矩阵运算的温和介绍
- 线性代数回顾的没有废话的指南
- 如何在 NumPy 中为行和列设置轴
- 主成分分析的可视化
- 在机器学习中学习线性代数的主要资源
- 浅谈机器学习的奇异值分解
- 如何用线性代数求解线性回归
- 机器学习中的稀疏矩阵的温和介绍
- 利用奇异值分解构建推荐系统
- 机器学习中向量范数的温和介绍
- 为机器学习学习线性代数的 5 个理由
Machine Learning Mastery LSTM 教程
- Keras 中长短期记忆模型的 5 步生命周期
- 长短期记忆循环神经网络的注意事项
- CNN 长短期记忆网络
- 深度学习中的循环神经网络的速成课程
- 可变长度输入序列的数据准备
- 如何用 Python 和 Keras 开发用于序列分类的双向 LSTM
- 如何在 Keras 中开发用于序列到序列预测的编解码器模型
- 如何诊断 LSTM 模型的过拟合和欠拟合
- 如何在 Keras 中开发带有注意力的编解码器模型
- 编解码器长短期记忆网络
- 神经网络中梯度爆炸的温和介绍
- 沿时间反向传播的温和介绍
- 生成式长短期记忆网络的温和介绍
- 专家对长短期记忆网络的简要介绍
- 在序列预测问题上充分利用 LSTM
- 编解码器循环神经网络的全局注意力的温和介绍
- 如何利用长短期记忆循环神经网络处理很长的序列
- 如何在 Python 中单热编码序列数据
- 如何使用编解码器 LSTM 来打印随机整数序列
- 带有注意力的编解码器 RNN 架构的实现模式
- 学习使用编解码器 LSTM 循环神经网络相加数字
- 如何学习在 Keras 中用 LSTM 回显随机整数
- 如何使用长短期记忆循环神经网络来打印随机整数
- Keras 长短期记忆循环神经网络的迷你课程
- LSTM 自编码器的温和介绍
- 如何在 Keras 中用长短期记忆模型做出预测
- 在 Python 中使用长短期记忆网络演示记忆
- 基于循环神经网络的序列预测模型的简要介绍
- 深度学习的循环神经网络算法之旅
- 如何重塑 Keras 长短期记忆网络的输入数据
- 如何在 Keras 中重塑长短期存储网络的输入数据
- 了解 Keras 中 LSTM 的返回序列和返回状态之间的差异
- RNN 展开的温和介绍
- 5 个使用 LSTM 循环神经网络的简单序列预测问题的示例
- 使用序列做出预测
- 栈式长短期记忆网络
- 什么是循环神经网络的教师强制？
- 如何在 Python 中对长短期记忆网络使用TimeDistributed层
- 如何在 Keras 中为截断 BPTT 准备序列预测
- 如何在将 LSTM 用于训练和预测时使用不同的批量大小
Machine Learning Mastery 深度学习 NLP 教程
- 深度学习在自然语言处理中的 7 个应用
- 如何实现自然语言处理的集束搜索解码器
- 深度学习文档分类的最佳实践
- 关于自然语言处理的热门书籍
- 在 Python 中计算文本 BLEU 分数的温和介绍
- 使用编解码器模型的用于字幕生成的注入和合并架构
- 如何用 Python 为机器学习清理文本
- 如何配置神经机器翻译的编解码器模型
- 如何开始深度学习自然语言处理（7 天迷你课程）
- 自然语言处理的数据集
- 如何开发一种深度学习的词袋模型来预测电影评论情感
- 深度学习字幕生成模型的温和介绍
- 如何在 Keras 中定义神经机器翻译的编解码器序列到序列模型
- 如何利用小实验在 Keras 中开发标题生成模型
- 如何从头开发深度学习图片标题生成器
- 如何在 Keras 中开发基于字符的神经语言模型
- 如何开发用于情感分析的 N-gram 多通道卷积神经网络
- 如何从零开始开发神经机器翻译系统
- 如何用 Python 和 Keras 开发基于单词的神经语言模型
- 如何开发一种预测电影评论情感的词嵌入模型
- 如何使用 Python 和 Gensim 开发词嵌入
- 用于文本摘要的编解码器深度学习模型
- Keras 中文本摘要的编解码器模型
- 用于神经机器翻译的编解码器循环神经网络模型
- 浅谈词袋模型
- 文本摘要的温和介绍
- 编解码器循环神经网络中的注意力如何工作
- 如何利用深度学习自动生成照片的文本描述
- 如何开发一个单词级神经语言模型并用它来生成文本
- 浅谈神经机器翻译
- 什么是自然语言处理？
- 牛津自然语言处理深度学习课程
- 如何为机器翻译准备法语到英语的数据集
- 如何为情感分析准备电影评论数据
- 如何为文本摘要准备新闻文章
- 如何准备照片标题数据集来训练深度学习模型
- 如何使用 Keras 为深度学习准备文本数据
- 如何使用 scikit-learn 为机器学习准备文本数据
- 自然语言处理神经网络模型入门
- 用于自然语言处理的深度学习的承诺
- 使用 Python 和 Keras 的 LSTM 循环神经网络的序列分类
- 斯坦福自然语言处理深度学习课程评价
- 统计语言建模和神经语言模型的简要介绍
- 使用 Python 和 Keras 的 LSTM 循环神经网络的文本生成
- 浅谈机器学习中的转导
- 如何使用 Keras 将词嵌入层用于深度学习
- 什么是用于文本的词嵌入？
Machine Learning Mastery Sklearn 教程
- Python 机器学习库 Scikit-Learn 的温和介绍
- Python 中用于自动机器学习的 Auto-Sklearn
- 使用 Python 管道和 scikit-learn 自动化机器学习工作流程
- Python 自动机器学习（AutoML）库
- 如何用 Python 计算偏差方差权衡
- 如何以及何时使用 scikit-learn 中的的校准分类模型
- 10 个 Python 聚类算法
- 组合算法选择和超参数优化（CASH 优化）
- 如何比较 Python 和 scikit-learn 中的机器学习算法
- 面向机器学习开发人员的 Python 速成课
- 机器学习的四种距离度量
- 如何用 Python 开发弹性网络回归模型
- 使用 Python 和 scikit-learn 的集成机器学习算法
- 在 Python 中使用重采样评估机器学习算法的表现
- 使用 Python 和 Scikit-Learn 的特征选择
- Python 中机器学习的特征选择
- Python 中用于分类的高斯过程
- 如何使用 Python 和 scikit-learn 生成测试数据集
- scikit-learn 中的机器学习算法秘籍
- 如何使用 Python 处理缺失数据
- 如何配置 k 折交叉验证
- 如何将模型输入数据与机器学习的预测联系起来
- 如何修复 Sklearn 中的FutureWarning消息
- 如何开始将 Python 用于机器学习
- 如何使用 Python 和 Scikit-Learn 加载数据
- 如何为机器学习将 NumPy 数组保存到文件中
- Python 中概率评分方法的简要介绍
- 如何用 Scikit-Learn 调整算法参数
- 用于 Sklearn 自动化机器学习的 HyperOpt
- 随机搜索和网格搜索的超参数优化
- 调整机器学习分类算法的超参数
- 如何在 Mac OS X 上为机器学习和深度学习安装 Python 3 环境
- 机器学习中的 scikit-learn 简介
- 从 shell 到一本书，Fernando Perez 的单一工具 IPython 简介
- 如何在 Python 中开发 LARS 回归模型
- 如何在 Python 中开发 LASSO 回归模型
- Python 线性判别分析
- 如何使用 Python 3 为机器学习开发创建 Linux 虚拟机
- 如何在 Python 中加载机器学习数据
- 用于评估机器学习算法的 LOOCV
- 您在 Python 中的第一个逐步的机器学习项目
- 机器学习建模管道的温和介绍
- 如何使用 scikit-learn 做出预测
- 用于评估 Python 中机器学习算法的度量标准
- 使用 Python 和 Sklearn 的多核机器学习
- Python 多项式逻辑回归
- Python 中的最近收缩质心
- Python 机器学习的嵌套交叉验证
- 如何在 Sklearn 中识别过拟合机器学习模型
- Python 中用于分类的感知机算法
- 使用 Python 绘制机器学习算法的决策表面
- 使用 Python 和 Pandas 为机器学习准备数据
- 如何使用 Python 和 Scikit-Learn 为机器学习准备数据
- 项目聚焦：使用 Artem Yankov 在 Python 中推荐事件
- PyCaret 机器学习的温和介绍
- 机器学习中的 Python 生态系统
- Python 是应用机器学习的成长平台
- Python 机器学习书籍
- Python 机器学习迷你课程
- 使用 Pandas 的快速和肮脏的数据分析
- 使用 Python 的半径邻居分类器算法
- 机器学习的回归度量
- Python 中用于模型评估的重复 k 折交叉验证
- 使用 Python 和 Scikit-Learn 重缩放机器学习数据
- 标准机器学习数据集的最佳结果
- 如何在 Python 中开发岭回归模型
- Python 中机器学习的稳健回归
- 如何以及何时在 Python 中对分类使用 ROC 曲线和精确召回曲线
- 使用 Python 和 scikit-learn 保存和加载机器学习模型
- scikit-learn 秘籍的书评
- 用于机器学习中的超参数调整的 SkOpt
- 如何将 Seaborn 数据可视化用于机器学习
- 使用标签传播的半监督学习
- 使用标签传播的半监督学习
- 数据集大小 VS 模型表现的敏感性分析
- 如何使用 Anaconda 为机器学习和深度学习设置 Python 环境
- 使用 Python 和 scikit-learn 采样检查分类机器学习算法
- 如何在 Python 中开发可重复使用的采样检查算法框架
- 使用 Python 和 scikit-learn 采样检查回归机器学习算法
- 用于 Python 自动机器学习 TPOT
- 用于评估机器学习算法的训练测试分割
- 机器学习中的 4 种分类任务
- 使用 Python 中的描述性统计量来了解您的机器学习数据
- 使用 OpenCV，Python 和模板匹配来播放“哪里是 Waldo？”
- 使用 Python 和 Pandas 可视化机器学习数据
- 什么是半监督学习
Machine Learning Mastery 机器学习入门教程
- 机器学习入门的四个步骤：初学者入门与实践的自上而下策略
- 你应该专注的 5 个机器学习领域
- 一种选择机器学习算法的数据驱动方法
- Sigmoid 函数的温和介绍
- 机器学习中的解析与数值解
- 应用机器学习是一种精英统治
- 机器学习的基本概念
- 如何成为数据科学家
- 初学者如何在机器学习中犯错
- 机器学习的最佳编程语言
- 构建机器学习项目库
- 机器学习中分类与回归的区别
- 像数据科学家一样评估自己
- 探索 Kaggle 大师的方法论和心态：对 Diogo Ferreira 的采访
- 扩展机器学习工具并展示熟练度
- 通过寻找地标开始机器学习
- 预测性建模的温和简介
- 通过提供结果在机器学习中获得梦想的工作
- 如何开始机器学习：自学蓝图
- 开始并在机器学习方面取得进展
- 应用机器学习的 Hello World
- 初学者如何使用小型项目开始机器学习并在 Kaggle 上打比赛
- 我如何开始机器学习？（简短版）
- 我是如何开始机器学习的
- 如何在机器学习中取得更好的成绩
- 如何从在银行工作到担任 Target 的高级数据科学家
- 如何学习任何机器学习工具
- 使用小型目标项目深入了解机器学习工具
- 应用机器学习获得回报
- 机器学习工具概览
- 机器学习开发环境
- 机器学习与赚钱
- 面向程序员的机器学习
- 机器学习很有意思
- 机器学习是 Kaggle 比赛
- 机器学习现在很受欢迎
- 掌握机器学习的方法
- 机器学习很重要
- 机器学习 Q&A：概念漂移，更好的结果和更快的学习
- 自学机器学习的失落的路线图
- 机器学习很重要
- 快速了解任何机器学习工具（即使您是初学者）
- 机器学习工具
- 找到你的机器学习部落
- 一年内掌握机器学习
- 通过持续的竞赛精通 Kaggle
- 5 个程序员在机器学习中的错误
- 哲学毕业生到机器学习从业者（Brian Thomas 采访）
- 机器学习入门的实用建议
- 实用机器学习问题
- 使用来自 UCI 机器学习库的数据集练习机器学习
- 使用任何机器学习工具和秘籍快速启动
- 程序员可以入门机器学习
- 程序员应该入门机器学习
- 项目聚焦：Shashank Singh 的人脸识别
- 项目聚焦：将 Mahout 和 Konstantin Slisenko 用于 StackExchange 聚类
- 机器学习自学指南
- 4 个自学机器学习项目
- AlvaroLemos 如何在数据科学团队中获得机器学习实习
- 如何思考机器学习
- 现实世界的机器学习问题之旅
- 机器学习中的 14 种不同类型的学习
- 机器学习的有用知识
- 如果我没有学位怎么办？
- 如果我不是一个优秀的程序员怎么办？
- 如果我不擅长数学怎么办？
- 什么是机器学习中的假设？
- 为什么机器学习算法会处理以前从未见过的数据？
- 是什么阻碍了你的机器学习目标？
- 什么是机器学习？
- 机器学习适合哪里？
- 为什么要入门机器学习？
- 研究对您来说很重要的机器学习问题
- 你这样做是错的。为什么机器学习不必如此困难？
Machine Learning Mastery 统计学教程
- 浅谈计算正态汇总统计量
- 非参数统计的温和介绍
- Python 中正态测试的温和介绍
- 浅谈自举法
- 浅谈机器学习的中心极限定理
- 浅谈机器学习中的大数定律
- 机器学习中的所有统计量
- 机器学习的算术、几何和调和均值
- 如何在 Python 中计算机器学习结果的自举置信区间
- 浅谈机器学习的卡方测试
- 机器学习中的置信区间
- 随机化在机器学习中解决混杂变量的作用
- 机器学习中的对照试验
- 机器学习中的统计学速成课
- 统计假设检验的临界值以及如何在 Python 中计算它们
- 如何在机器学习中谈论数据（统计学和计算机科学术语）
- Python 中数据可视化方法的简要介绍
- 机器学习自由度的温和介绍
- Python 中效果大小度量的温和介绍
- 估计随机机器学习算法的实验重复次数
- 机器学习中的评估统计的温和介绍
- 如何在 Python 中计算非参数秩相关性
- 如何在 Python 中计算数据的五个数字摘要
- 如何在 Python 中从零开始编写 T 检验
- 如何在 Python 中生成随机数
- 如何转换数据来更好地拟合正态分布
- 如何使用相关来理解变量之间的关系
- 如何使用统计量识别数据中的异常值
- 用于比较机器学习算法的假设检验
- Python 机器学习中的随机数生成器简介
- k 折交叉验证的温和介绍
- 如何计算 McNemar 检验来比较两种机器学习分类器
- Python 中非参数统计显着性检验简介
- 如何在 Python 中计算参数统计显着性检验
- 机器学习中的预测区间
- 应用统计学与机器学习的密切关系
- 如何使用置信区间报告分类器表现
- 统计量分布的简要介绍
- 15 个 Python 中的统计假设检验（备忘单）
- 统计假设检验的温和介绍
- 10 个在机器学习项目中使用统计方法的示例
- Python 中统计功效和功效分析的简要介绍
- 统计采样和重采样的简要介绍
- 用于比较机器学习算法的统计显着性检验
- 机器学习中统计容差区间的温和介绍
- 机器学习中的统计书籍
- 评估机器学习模型的统计量
- 机器学习中的统计（7 天迷你课程）
- 机器学习中的统计简介
- 如何使用统计显着性检验来解释机器学习结果
- 什么是统计（为什么它在机器学习中很重要）？
Machine Learning Mastery 时间序列入门教程
- 如何在 Python 中为时间序列预测创建 ARIMA 模型
- Python 中用于时间序列预测的自回归模型
- 如何为时间序列预测回测机器学习模型
- Python 中基于时间序列数据的基本特征工程
- R 时间序列预测热门书籍
- 10 个机器学习时间序列预测的挑战性问题
- 10 个具有挑战性的机器学习时间序列预测问题
- 如何将时间序列转换为 Python 中的监督学习问题
- 如何将时间序列数据分解为趋势和季节性
- 如何用 ARCH 和 GARCH 为时间序列预测建模波动率
- 如何使用 Python 差分时间序列数据集
- Python 中用于时间序列预测的指数平滑的温和介绍
- Python 中用于时间序列预测的特征选择
- 浅谈自相关和部分自相关
- 用于时间序列预测的 Box-Jenkins 方法简介
- Python 中时间序列预测的温和简介
- 如何使用 Python 网格搜索 ARIMA 模型超参数
- 如何在 Python 中加载和探索时间序列数据
- 如何使用 Python 手动预测 ARIMA 模型
- 如何用 Python 预测时间序列
- 如何使用 Python 对 ARIMA 做出样本外预测
- 如何利用 Python 建模残差来纠正时间序列预测
- Python 中用于数据准备和时间序列预测的移动平均平滑
- 多步时间序列预测的 4 种策略
- 如何在 Python 中规范化和标准化时间序列数据
- 如何利用 Python 为时间序列预测做出基线预测
- 如何使用 Python 对时间序列预测数据执行幂变换
- 用于时间序列预测的 Python 环境
- 用于时间序列预测的随机森林
- 如何重构时间序列预测问题
- 如何使用 Python 重采样和插值您的时间序列数据
- 使用 Python 为时间序列预测编写 SARIMA
- 如何在 Python 中保存 ARIMA 时间序列预测模型
- 将 Python 用于季节性持久性预测
- 基于 Python 和 ARIMA 的历史规模敏感性分析的预测技巧
- 用于测试简单的时间序列预测模型，以便不会欺骗自己
- 标准多变量，多步骤和多站点时间序列预测问题
- 如何使用 Python 检查时间序列数据是否是平稳的
- 将 Python 用于时间序列数据可视化
- 7 个机器学习的时间序列数据集
- Python 中的时间序列预测案例研究：波士顿每月武装抢劫案
- Python 中的时间序列预测案例研究：巴尔的摩的年度用水量
- Python 中的时间序列预测研究：法国香槟的月销售额
- 使用 Python 和预测区间理解时间序列预测的不确定性
- 11 个 Python 中的经典时间序列预测方法（备忘单）
- 将 Python 用于时间序列预测表现测量
- Python 中的时间序列预测的 7 天迷你课程
- 作为监督学习的时间序列预测
- Python 中使用 Prophet 的时间序列预测
- 什么是时间序列预测？
- 如何使用 Python 识别和删除时间序列数据的季节性
- 如何在 Python 中使用和删除时间序列数据中的趋势信息
- 如何在 Python 中调整 ARIMA 参数
- 如何用 Python 可视化时间序列预测残差
- Python 中的白噪声时间序列
- 如何处理时间序列预测项目
Machine Learning Mastery XGBoost 教程
- 通过提前停止避免应用 Python 和 XGBoost 时发生的过拟合现象
- 在 Python 中如何调优 XGBoost 的多线程支持
- 如何配置梯度提升算法
- 使用 Python 和 XGBoost 为梯度提升准备数据
- 如何使用 Python 和 scikit-learn 开发您的第一个 XGBoost 模型
- 如何使用 Python 和 XGBoost 评估梯度提升模型
- 使用 Python 和 XGBoost 的特征重要性和特征选择
- 浅谈机器学习的梯度提升算法
- 应用机器学习的杀器：XGBoost 温和简介
- 应用机器学习中 XGBoost 的温和介绍
- 如何在 macOS 上为 Python 安装 XGBoost
- 如何使用 Python 和 XGBoost 保存梯度提升模型
- 从梯度提升开始，比较 165 个数据集上的 13 种算法
- 使用 Python、XGBoost 和 scikit-learn 的随机梯度提升
- 如何使用 Amazon Web Services 在云中训练 XGBoost 模型
- 使用 Python 和 XGBoost 调整梯度提升的学习率
- 使用 Python 和 XGBoost 调整决策树的数量和大小
- 通过学习曲线调整 XGBoost 表现
- 如何使用 Python 和 XGBoost 可视化梯度提升决策树
- 用于回归的 XGBoost
- 如何将 XGBoost 用于时间序列预测
- XGBoost 损失函数的温和介绍
- 开始使用 Python 和 XGBoost 的 7 步迷你课程

下载

Docker

docker pull apachecn0/ml-mastery-zh
docker run -tid -p <port>:80 apachecn0/ml-mastery-zh
# 访问 http://localhost:{port}

PYPI

pip install ml-mastery-zh
ml-mastery-zh <port>
# 访问 http://localhost:{port}

NPM

npm install -g ml-mastery-zh
ml-mastery-zh <port>
# 访问 http://localhost:{port}

贡献指南

本项目需要校对，欢迎大家提交 Pull Request。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

组织介绍

访问我们的主页。

赞助我们

通过平台自带的打赏功能，或点击这里。

ML Mastery 博客文章翻译 20220116 更新相关推荐

ML Mastery 博客文章翻译（二）20220116 更新
Machine Learning Mastery 计算机视觉教程通道在前和通道在后图像格式的温和介绍深度学习在计算机视觉中的 9 个应用为 CNN 准备和扩充图像数据的最佳实践 8 本计算机视觉 ...
Machine Learning Mastery 博客文章翻译：深度学习与 Keras
目录 Keras 中神经网络模型的 5 步生命周期在 Python 迷你课程中应用深度学习 Keras 深度学习库的二元分类教程如何用 Keras 构建多层感知器神经网络模型如何在 Keras ...
xgboost安装_Machine Learning Mastery 博客文章翻译：XGBoost
请您勇敢地去翻译和改进翻译.虽然我们追求卓越,但我们并不要求您做到十全十美,因此请不要担心因为翻译上犯错--在大部分情况下,我们的服务器已经记录所有的翻译,因此您不必担心会因为您的失误遭到无法挽回的破 ...
Machine Learning Mastery 博客文章翻译：XGBoost
请您勇敢地去翻译和改进翻译.虽然我们追求卓越,但我们并不要求您做到十全十美,因此请不要担心因为翻译上犯错--在大部分情况下,我们的服务器已经记录所有的翻译,因此您不必担心会因为您的失误遭到无法挽回的破 ...
Sybase数据库技术,数据库恢复---分享Sybase数据库知识（博客文章索引@51cto）
Sybase数据库技术,数据库恢复分享Sybase数据库知识博客文章列表,更新时间:2014-12-14 Sybase数据库技术,数据库恢复站点地图最新文章 ASE使用with ignore_ ...
Sybase数据库技术,数据库恢复---分享Sybase数据库知识（博客文章索引）
Sybase数据库技术,数据库恢复分享Sybase数据库知识博客文章列表,更新时间:20141218 Sybase数据库技术,数据库恢复 » 站点地图最新文章 ASE使用with ignore_ ...
博客文章内容导航（实时更新）
博客文章内容导航(实时更新) 大家好,我是亓官劼(qí guān jié),在博客中分享数据结构与算法.Python全栈开发.Java后端开发.前端.OJ题解及各类报错信息解决方案等经验.一起加油 ...
博客文章导航（嵌入式宝藏站）（2023.2.20更新）
博主简介 Mculover666,一个喜欢玩板子的小码农,目前HFUT在读,热爱嵌入式/物联网这个领域,并专注于嵌入式软件开发! 坚持做自己热爱的事情.坚持做自己觉得有意义的事情,但问耕耘,莫问收获! ...
CSDN,CNBLOGS博客文章一键转载插件终于更新了！
之前,Shawn Chou等朋友一直建议插件支持cnblogs文章转载,但一直没时间修改插件,今天晚上抽时间将插件进行了升级,可以支持 CSDN,CNBLOGS博客文章的一键转载.时间仓促,难免有各种 ...
统计个人CSDN的博客文章数量
统计个人CSDN的博客文章数量第一版原始版本比较简单只能统计第一页,而且没有进行排序 # coding:utf-8 import urllib2 from bs4 import Beautifu ...

ML Mastery 博客文章翻译 20220116 更新

下载

Docker

PYPI

NPM

贡献指南

组织介绍

赞助我们

ML Mastery 博客文章翻译 20220116 更新相关推荐

最新文章

热门文章