使用决策树和随机森林用 NBA 球员的历史数据对 15 项变量进行预测分析来预测球员的位置。

决策树学习是机器学习中一类常用的算法。在决策树中，根节点包含样本全集。每个非叶子节点表示一种对样本的分割，通常对应一个划分属性，其将样本分散到不同的子节点中。每个叶子节点对应于决策的结果。因此从根节点到每个叶子节点的路径对应了一个判定序列。

机器学习实践操作中的七个常见错误，我们应该怎么去避免。

做一个 TensorFlow 支持 Python 和 Go 的笔记本。

机器学习之深入理解 K-means、与 KNN 算法区别及其代码实现

一、线性回归 线性回归一般用来做连续值的预测，预测的结果为一个连续值。因训练时学习样本不仅要提供学习的特征向量 X，而且还要提供样本的实际结果（标记 label），所以它是一种有监督学习。X= {x0 x1 x2 x3 x4 … xn}。 线性回归需要学习得到的是一个映射关系 f：X -> y，即当给定新的待预测样本时，我们可以通过这个映射关系得到一个测试样本 X 的预测值 y。 在线性回归中，假定输入 X 和输出 y 之间具有线性相关的关系。 一般地，当特征向量 Xi 中只有一个特征时，需要学习到的函数应该是一个一元线性函数 y = a+bx，我们可以通过中学的最小二乘法得到其中的 a 和 b 两个系数。

机器学习之深入理解神经网络理论基础、BP 算法及其 Python 实现

这篇文章介绍了 Docker 与深度学习结合的例子。Docker 的优势是解决了依赖的问题，方便分发个人工作成果；缺点是不直接支持 GPU，需要开发者自己安装 nvidia-docker。