数据科学研讨会 这是出版的的资料库。 它包含从头到尾完成该课程所必需的所有支持项目文件。 要求和设置 要开始使用项目文件，您需要： 设定 关于数据科学研讨会 为您提供了开始从事各种数据科学项目所需的基本技能。 本书将逐步介绍数据科学项目的基本组成部分，然后将所有部分放在一起以巩固您的知识并在现实世界中应用您的知识。 您将学到什么 探索有监督学习与无监督学习之间的主要区别 使用scikit-learn和pandas库处理和分析数据 了解关键概念，例如回归，分类和聚类 探索先进的技术来提高模型的准确性 了解如何加快添加新功能的过程 简化您的机器学习工作流程以进行生产 相关工作坊 如果您发现此存储库很有用，则可能需要查看我们的其他一些研讨会标题： 应用TensorFlow和Keras研讨会

logistic_regression 回归处理预测模型技术。 它显示了独立变量（也称为预测变量）或因变量或目标值之间的关系。 当输出为分类格式（例如yes / no，1或0，true或false，高或低）时，将进行逻辑回归。 与线性回归一样，我们获得的输出值在较大范围内，但对于分类输出，其输出值应介于1到0之间，因此，线性回归曲线应限制在1到o之间，这是使用逻辑回归执行的，为此，我们使用asigmod功能。 阈值的概念：用于确定输出值（在o和1之间）是否四舍五入以给出输出为0（低）还是1（高）。 阈值（0.5）和1之间的输出值四舍五入为1，低于阈值的值四舍五入为0。 对数似然的概念：使用线性回归的概念： 将上述值放在S型方程中： 现在，通过从伯纳利的特征中获得启发，我们找到了对数似然函数并将其微分，从而找到了梯度上升更新方程。 因此，可能性定义为： 对数似然变为：

Predict sales prices and practice feature engineering, RFs, and gradient boosting

kaggle官网下载的，最近验证码一直出不来，给有需要的人

Olist电子商务初始数据分析 拉尔斯·廷内费尔德（ Lars Tinnefeld） ，2020-11-23 表中的内容 关于奥利斯特 Olist适用于“想要销售更多更好的产品”和“想要吸引新客户”的每个人。 作为电子商务领域的企业，Olist是面向小型企业的在线销售平台。 在Olist的注册页面上，列出了一系列适合业务模型的店主个人资料。 重点是通过扩大市场占有率吸引更多客户。 用户满意度报告有助于解决关注的领域。 因此，Olist充当服务提供商，负责管理店主的销售流程。 Olist不拥有任何提供的产品，并且也不管理运输或库存。 商业目标 分析的目的是提取支持Olist业务目标的信息。 这些目标是：通过扩大服务范围吸引更多的店主，并通过更广泛的产品范围和更高的满意度吸引更多的最终客户。 该分析是业务案例的一部分，该业务案例正在寻求将Olist的服务扩展到还包括物流和仓储，这是Olist目

逻辑回归logistic regression

Softmax Regression, which will be useful in later exercise.

机器学习实验一Linear Regression

One Millisecond Face Alignment with an Ensemble of Regression Trees.pdf

手机价格预测 使用的数据集： ： 数据集的简短描述： 功能名称 功能说明 类型 ID ID 数字 电池电量 电池可存储的总能量（以mAh为单位） 数字 蓝色的 有没有蓝牙 布尔型 时钟速度 微处理器执行指令的速度 数字 双SIM卡 是否支持双卡 布尔型 fc 前置摄像头百万像素 数字 four_g 是否有4G 布尔型 int_memory 内部存储器（以千兆字节为单位） 数字 m_dep 移动深度（厘米） 数字 mobile_wt 手机重量 数字 n_cores 处理器核心数 数字 个人电脑 主相机百万像素 数字 px_height 像素分辨率高度 数字 px_width 像素分辨率宽度 数字 内存 随机存取内存（以兆字节为单位） 数字 sc_h 手机屏幕高度（厘米） 数字 sc_w 手机屏幕宽度，以厘米为单位 数字 谈话时间 通话将持续最长的电池