Mastering Machine Learning with scikit-learn - Second Edition by Gavin Hackeling English | 24 July 2017 | ASIN: B06ZYRPFMZ | ISBN: 1783988363 | 254 Pages | AZW3 | 5.17 MB Key Features Master popular machine learning models including k-nearest neighbors, random forests, logistic regression, k-means, naive Bayes, and artificial neural networks Learn how to build and evaluate performance of efficient models using scikit-learn Practical guide to master your basics and learn from real life applications of machine learning Book Description Machine learning is the buzzword bringing computer science and statistics together to build smart and efficient models. Using powerful algorithms and techniques offered by machine learning you can automate any analytical model. This book examines a variety of machine learning models including popular machine learning algorithms such as k-nearest neighbors, logistic regression, naive Bayes, k-means, decision trees, and artificial neural networks. It discusses data preprocessing, hyperparameter optimization, and ensemble methods. You will build systems that classify documents, recognize images, detect ads, and more. You will learn to use scikit-learn's API to extract features from categorical variables, text and images; evaluate model performance, and develop an intuition for how to improve your model's performance. By the end of this book, you will master all required concepts of scikit-learn to build efficient models at work to carry out advanced tasks with the practical approach. What you will learn Review fundamental concepts such as bias and variance Extract features from categorical variables, text, and images Predict the values of continuous variables using linear regression and K Nearest Neighbors Classify documents and images using logistic regression and support vector machines Create ensembles of estimators using bagging and boosting techniques Discover hidden structures in data using K-Means clustering Evaluate the per

gplearn：Python中的遗传编程，具有受scikit-learn启发的API

ml-forex-prediction：使用机器学习预测外汇未来价格

Ray Core导览 关于利用核心功能实现分布式模式的入门教程。 注意：这些示例已在以下位置使用Python 3.7+进行了测试： Ubuntu 18.04 LTS macOS 10.13 随附的幻灯片位于： : 入门 首先，使用git克隆此公共存储库： git clone https://github.com/DerwenAI/ray_tutorial.git cd ray_tutorial 设置本地并激活它： python3 -m venv venv source venv/bin/activate 然后使用pip安装所需的依赖项： pip install -U pip pip install -r requirements.txt 或者，如果您使用conda来安装Python软件包： conda create -n ray_tutorial python=3.7

需要的题量多的话建议购买付费专栏（包含上百道题目答案，并持续更新中），性价比更高。

numpy，pandas，scipy，scikit-learn等教程和源码，适合新手入门使用，非常全面！

心电图分类 该代码包含一种基于多个支持向量机（SVM）的自动分类心电图（ECG）方法的实现。 该方法依赖于随后的搏动及其形态之间的时间间隔来进行ECG表征。 使用基于小波，局部二进制模式（LBP），高阶统计量（HOS）和几个幅度值的不同描述符。 有关详细说明，请参见以下文章： : 如果您在出版物中使用此代码，请引用为： @article{MONDEJARGUERRA201941, author = {Mond{\'{e}}jar-Guerra, V and Novo, J and Rouco, J and Penedo, M G and Ortega, M}, doi = {https://doi.org/10.1016/j.bspc.2018.08.007}, issn = {1746-8094}, journal = {Biomedical Signal Processing and Control}, pages = {41--48}, title = {{Heartbeat classification fusing temporal and morphologica

这是发行的的代码存储库。 它包含从头到尾完成视频课程所需的所有支持项目文件。 关于视频课程 您是否一直在寻找一门可以在scikit-learn和TensorFlow 2.0中教您有效的机器学习的课程？ 还是您一直想获得有效和熟练的工作知识，以解决如何解决无法通过最新的机器学习技术明确编程的问题？ 如果您熟悉pandas和NumPy，本课程将为您提供所有实用机器学习方法的最新，详细的知识，您可以使用它们来解决无法轻松编程的大多数任务； 您还可以使用根据数据学习并做出预测或决策的算法。 该理论将以Jupyter笔记本中的大量实际示例和代码示例演练为基础。 本课程旨在使您高效地构建算法和模型，并根据针对特定任务定义的成功输出或假设，以最高的准确性来执行这些算法和模型。 在本课程结束时，您将能够通过培训，优化模型并将模型部署到生产中来轻松解决一系列基于行业的机器学习问题。 能够有效地执行此操

python的第三方库，如果通过pip下载，则速度较慢，并且有些版本国内无法搜索获得，有些能下载的版本也有较多问题（因为有些版本是针对Linux） 下载文档后，将其保存到文件夹，在命令行中输入pip install whl文件path即可（前提是已经按装了pip工具，没有安装的可以参考相关文档，安装pip，并添加环境变量）

《Python机器学习》第3章复习思维导图