Machine_Learning_Algorithms-master，Machine_Learning_Algorithms-master 配套数据集及源代码 Machine_Learning_Algorithms-master，Machine_Learning_Algorithms-master 配套数据集及源代码

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow(3rd Edition)

logistic_regression：使用Python和Numpy从头开始进行Logistic回归

Serpent.AI-游戏代理框架（Python） 更新：复兴（2020年5月） 该框架的开发工作已经恢复，旨在将其引入2020年：Python 3.8+，更少的依赖项，易用性（安装程序，GUI）等等！ 仍然是开放源代码并具有许可许可，并正在研究面向非技术用户的Steam发行版。 :snake: 警告：使用寿命终止（2018年11月） Serpent.AI是一个简单而强大的新颖框架，可帮助开发人员创建游戏代理。 使用熟悉的Python代码，将您拥有的任何视频游戏转变为可进行试验的成熟沙盒环境。 该框架的存在理由首先是为机器学习和AI研究提供有价值的工具。 事实证明，用作业余爱好者也很有趣（并

Python深入机器学习的见解 Python深入了解机器学习的代码存储库 代码测试规范 所需软件（含版本）：Python（Python v3.5）下载链接： : 所需操作系统：独立于OS的Mac / Windows / Unix 详细的安装步骤（软件方式）应该以一种使系统环境能够测试本书代码的方式列出这些步骤。 请参阅以下链接以获取安装说明：• : l ##相关的Python书籍：

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『机器学习』主题（其他部分的下载链接见评论区），包含以下部分： - Loss Functions & Metrics （损失函数 & 矩阵） - Experimental Designs and Paradigms （实验设计与范式） - Statistical Data Processing （统计数据处理） - Misc. Classical ML Models （经典的ML模型）

Packt.Python.Machine.Learning.Cookbook.2nd.Edition.2019

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：数值算法从『可计算的量』中近似地计算出『难以处理的量』，或者说，从数据中推断出一个潜在的量。因此计算程序可被视作 learning machine，使用贝叶斯推理来建立更灵活有效的计算算法。概率数值计算正式确立了『机器学习』和『应用数学』之间的联系。本书提供了大量的背景材料（还有数据、工作实例、练习及解答），更适用于AI、CS、统计学、应用数学的研究生。 ◉ 目录： 第一章：数学背景 第二章：整合 第三章：线性代数 第四章：局部优化 第五章：全局优化 第六章：求解常微分方程 第七章：前沿 第八章：习题答案

张量 使用TensorFlow轻松进行图像分类 （） 要求： Mac或Linux机器 Python 3.5、3.6或3.7 您可以使用TensorPy对图像进行分类，只需在命令行中传递一个URL，或在Python程序中使用TensorPy。 完成所有实际工作。 TensorPy还通过将多个设置步骤自动化到一个脚本中来简化TensorFlow的安装（有关详细信息，请参见 ）。 （请阅读 ，以详细了解TensorPy的工作原理。） Mac和Ubuntu / Linux的设置步骤 （ Windows和Docker用户：有关在Docker计算机上运行的信息，请参阅。Windows需要Docker运行TensorFlow。） 步骤1：创建并激活一个名为“ tensorpy”的虚拟环境 如果不确定如何创建虚拟环境，请进行。 步骤2：从GitHub克隆TensorPy存储库 git clone

信用风险建模：使用Python和ML进行信用风险分析