scikit_learn-1.1.1-cp311-cp311-win_amd64.whl,python的机器学习库的轮子文件，可直接pip安装，由于从国外官网下载过慢，因此提供本资源，机器学习库是很有用的，他涵盖了大部分监督学习和无监督学习的算法，本文件对应Python版本为python311的64位版本

使用scikit-learn掌握机器学习-第二版 这是发行的的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 本书探讨了各种机器学习模型，包括k最近邻，逻辑回归，朴素贝叶斯，k均值，决策树和人工神经网络。 它讨论了数据预处理，超参数优化和集成方法。 您将建立对文档进行分类，识别图像，检测广告等的系统。 您将学习使用scikit-learn的API从分类变量，文本和图像中提取功能； 评估模型性能； 并就如何改善模型的性能形成直觉。 说明和导航 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟应用程序名称。 例如，Chapter02。 该代码将如下所示： Code words in text, database table names, folder names, filenames, file extensions, pathnames, dummy U

scikit-学习食谱-第二版 这是出版的的代码存储库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 由于Python的简单性和灵活性，PythonSwift成为分析人员和数据科学家的首选语言，并且在Python数据空间中，scikit-learn是机器学习的明确选择。 本书包括机器学习中常见问题和不常见问题的演练和解决方案，以及如何利用scikit-learn有效执行各种机器学习任务。 第二版首先介绍了评估数据统计属性的方法，并生成了用于机器学习建模的综合数据。 在阅读本章的过程中，您会遇到一些菜谱，这些菜谱将教您实现一些技术，例如数据预处理，线性回归，逻辑回归，K-NN，朴素贝叶斯，分类，决策树，合奏等等。 此外，您将学习通过多类分类，交叉验证，模型评估来优化模型，并深入研究以scikit-learn实施深度学习。 除了涵盖模型部分，API和分类器，回归器和估计器等

乳腺癌预测

Python备忘单 这个代表越来越多的Python速查表清单。 发现错别字或有建议吗？ 分叉，做出贡献并根据您的口味进行调整！ 目前包括： 安装 如果要单独安装软件包，请进入相应的.md文件以获取有关如何安装的说明。 从项目根目录： 通过点： $ pip install -r requirements.txt 通过Anaconda： $ conda install --yes --file requirements.txt 这会将所有软件包安装到您的环境中。 未来的补充： 基本的Python语法 （大概）熊猫 PyBind

由于疫情影响在家用win10安装pycharm，但是老是出现指定程序找不到xx.dll，因此按照网上的教程下载，但还是出现该问题，后来更换低版本的scipy就可以了。我使用的是numpy-1.17.5+mkl-cp35-cp35m-win_amd64.whl和scipy-1.2.3-cp35-cp35m-win_amd64.whl和scikit_learn-0.22.1-cp35-cp35m-win_amd64.whl，在官网上下载较慢，且注意安装顺序（官网上说的，就按照上面出现的顺序安装）。

基于 TensorFlow、Keras 和 scikit-learn，介绍了 21 个典型的人工智能应用场景。 这些应用场景被分类为预测类项目实战、识别类项目实战和生成类项目实战。 其中预测类项目包括房价预测、泰坦尼克号生还预测、共享单车使用情况预测、福彩 3D 中奖预测、股票走势预测等 8 个项目； 识别类项目包括数字识别、人脸识别、表情识别、人体姿态识别等 7 个项目； 生成类项目包括看图写话、生成电视剧剧本、风格迁移、生成人脸等 6 个项目; 适合新手下载。

本文来自于csdn，本文章主要是对真实数据进行实战，手把手带你走一遍使用机器学习对真实数据进行处理的全过程。Scikit-learn集成了很多机器学习需要使用的函数，学习Scikit-learn能简洁、快速写出机器学习程序。并且通过代码更加深入的了解机器学习模型，学习如何处理数据，如何选择模型，如何选择和调整模型参数。1、推荐安装Anaconda（集成Python和很多有用的Package）2、编辑器：Spyder或Pycharm或JupyterNotebook1、下载数据数据集为房屋信息housing，代码运行后，会下载一个tgz文件，然后用tarfile解压，解压后目录中会有一个housi

本文来自于csdn，文章详细介绍了SupervisedLearning(有监督学习)以及ROC曲线等相关知识。MachineLearning分为有监督学习与无监督学习，这个系列重在介绍有监督学习，即，通过告知算法有关Features和对应的输出Labels，然后当有新的feature数据时，做label预测。首选Anaconda安装，Mac下可以用brew直接装。Iris是sklearn中内嵌的一组数据，可以用以学习通过特征值对鸢尾花进行分类。1上面两个数据都是numpy中ndarray类型。ndarray作为类似于高代中的矩阵来表达数据，通过高效的C底层库，能比python内置类库更快地做大

Hands-On Machine Learning with Scikit-Learn and TensorFlow + 源码