Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems by Aurélien Géron English | 13 Mar. 2017 | ASIN: B06XNKV5TS | 581 Pages | AZW3 | 21.66 MB Through a series of recent breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This practical book shows you how. By using concrete examples, minimal theory, and two production-ready Python frameworks—scikit-learn and TensorFlow—author Aurélien Géron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn a range of techniques, starting with simple linear regression and progressing to deep neural networks. With exercises in each chapter to help you apply what you’ve learned, all you need is programming experience to get started. Explore the machine learning landscape, particularly neural nets Use scikit-learn to track an example machine-learning project end-to-end Explore several training models, including support vector machines, decision trees, random forests, and ensemble methods Use the TensorFlow library to build and train neural nets Dive into neural net architectures, including convolutional nets, recurrent nets, and deep reinforcement learning Learn techniques for training and scaling deep neural nets Apply practical code examples without acquiring excessive machine learning theory or algorithm details

叶识别 一个用于从叶子图像识别物种的python桌面应用程序。 使用图像处理和机器学习的概念。 它分为以下7种 槭树 雪松杜达拉 紫荆 柑桔 银杏叶 鹅掌 夹竹桃夹竹桃 要运行项目，请运行Executioner.py 有关更多详细信息，请参阅Project Details.pdf

Python scikit_learn-1.0.2-cp38-cp38-win_amd64.whl

资源来自pypi官网，解压后可用。 资源全名：scikit-learn-0.18.2.win32-py3.5.exe

Scikit学习教程 一组用于scikit学习自学习的示例。 工作正在进行中... 本教程正在创建中。 还没结束 如何衡量模型性能 标准指标精度，召回率，F1指标- 该示例显示了如何计算基本分类器度量值，例如精度，召回率，f1 文件： 精确召回曲线 示例说明了如何在理想的随机情况下解释精确调用曲线。 如果两个模型的曲线看起来相似该怎么办。 文件： 开发环境 python> 3.6 吹牛 sklearn> 0.21.3

torch-1.0.1-cp37-cp37m-win_amd64.whl tensorflow-1.15.3-cp37-cp37m-win_amd64.whl --cpu版本 scipy-1.5.2-cp37-cp37m-win_amd64.whl scikit_learn-0.23.1-cp37-cp37m-win_amd64.whl python-3.7.6-amd64.exe pyHook-1.5.1-cp37-cp37m-win_amd64.whl numpy-1.19.0+mkl-cp37-cp37m-win_amd64.whl matplotlib-2.2.5-cp37-cp37m-win_amd64.whl Keras-2.3.1-py2.py3-none-any.whl pywin32-221.win-amd64-py3.7.exe

不错的scikit-learn（中文文档） 不错的scikit-learn（中文文档）

【高清】这个版本只包含第一部分的前九章的内容，相比于第一版，增加了无监督学习等内容。

人体活动识别 数据集链接： 使用的库： Keras，Scikit-Learn，Numpy，Matplotlib和Pandas 档案结构： 有8个主要文件：4个用于数据管理，4个用于机器学习代码，1个用于绘制结果。 数据管理文件： 1，由于数据集非常大（〜1.4 GB），因此将其划分为13个文件，并使用脚本``compress_file.py''和``compress2.0.py''对这13个文件中存储的数据集进行下采样以获得13个文件压缩文件。 2.脚本“ merge.py”和“ merge2.0.py”用于合并压缩文件，以获取用于训练的数据集。 2.0脚本用于合并加速度计和陀螺仪数据

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格