机器学习实战中文版 高清pdf

464 阅读2分钟

《机器学习实战》,我翻过两遍,每一次都没能读完。

机器学习实战学习资料获取方式在文末

为什么呢?

image.png

先说说好的一面。《机器学习实战》里面讲到了诸多的机器学习算法。虽说现在深度学习、强化学习等等的算法大行其道,但机器学习算法如线性回归、决策树等等,都仍然有其应用价值。这是因为:

深度学习对于运行的机器要求很高,在没有GPU的情况下,只要层数一多,就会耗费大量的时间,训练过程过长,投入资源较多; 深度学习算法等对于样本数要求较高,虽然有一些手段可以通过现有样本数进行一定的变化扩充,但一方面这会降低精度,另一方面需求的样本数仍然不是一个小数目; 经典机器学习算法虽然看起来简单,但是包括深度学习也是从这些经典算法演进而来的,我们通过经典算法的学习,才能够真正补全自己的知识体系,并且也可以多视角去审视问题,不能因为深度学习火就无视了其他方向; 经典算法用到的很多训练技巧,同样适用于深度学习,而且你可以在更简单的模型上应用体会;

第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。

能学到的机器学习算法**

  1. kNN
  2. 线性回归
  3. 多项式回归
  4. 逻辑回归
  5. 模型正则化
  6. PCA
  7. SVM
  8. 决策树
  9. 随机森林
  10. 集成学习
  11. 模型选择
  12. 模型调试

以下是一个简单的机器学习代码示例,用于预测一个房屋的价格。该代码使用了sklearn库中的线性回归算法:

from sklearn.linear_model import LinearRegression

# 样本数据
X = [[6], [8], [10], [14], [18]]
y = [[7], [9], [13], [17.5], [18]]

# 创建一个线性回归模型
model = LinearRegression()

# 使用样本数据进行模型训练
model.fit(X, y)

# 预测房屋价格
price = model.predict([[12]])

# 输出预测结果
print('预测房屋价格:', price)


《机器学习实战》高清pdf 获取方式:

vk666.lanzoum.com/iGvIR0sjl6n…