机器学习

简介 在查阅文献的过程中，看到了几幅非常不错的出版图，今天就跟着小编一起学习下，他们是怎么使用 R 绘制出来的。 今天主要介绍 第四幅图（D) —— 实现双 Y 轴，并且添加坐标轴的微小刻度线。这个图

本期【极客星球】MobTech袤博科技资深数据挖掘工程师叶秋聚焦如何通过多维规则及前沿算法分析处理，通过机器学习分析助力商业地产决策进阶。

大家好，我是Peter~ 本文记录的是个人高频使用的数据分析和机器学习代码片段，包含的主要内容： pandas设置 可视化 jieba分词 缺失值处理 特征分布 数据归一化 上下采样 回归与分类模型

本篇增加了创建数据测试集的方法，同时我们也不再只是快速浏览数据，而是要深入数据探索。让我们能够以可视化的方式，去寻找更多规律。

我们为数据处理编写函数，以备后面我们可以重复使用。了解Scikit-Learn的优秀设计原则。最后我们还使用流水线处理好了有问题的数据集。

本篇内容给大家详细讲解了特征工程的知识，包括数据清洗（数据对齐、缺失值处理、异常值处理），特征构建，特征变换，特征选择与实战特征工程经验等内容。

本篇内容详解scikit-learn工具库的用法，覆盖机器学习基础知识、SKLearn讲解、SKLearn三大核心API、SKLearn高级API等内容。

本篇内容详细讲解XGBoost的工程应用方法。XGBoost是一个非常强大的Boosting算法工具包，是很多大厂机器学习方案的模型首选，在并行计算效率、缺失值处理、控制过拟合等能力上都表现非常优秀。

本篇详细讲解LightGBM的工程应用方法。LightGBM是微软开发的boosting集成模型，和XGBoost一样是对GBDT的优化和高效实现，但它很多方面比XGBoost有着更为优秀的表现。

本篇文章详解机器学习应用流程，应用在结构化数据和非结构化数据(图像)上，借助案例重温机器学习基础知识，并学习应用机器学习解决问题的基本流程。

读取数据 增加表头 格式化数据 数据归一化 切割输入数据和输出数据 分割训练数据和测试数据 讲y转化成一维数据 测试训练 ⾸先需要对C和Gamma两个参数的取值进⾏初步搜索，c的取值范围是：2^-5-

本篇介绍工具库FLAML。FLAML 由 Microsoft Research 开发，适用于AutoML自动化机器学习建模，构建端到端机器学习流程、解决实际场景问题。

本篇讲解使用自动化特征工程工具Featuretools，对数据进行自动化特征工程的方法，并借助于BigMart Sales数据集来演示自动化特征工程的相关应用。

本篇内容是Kaggle数据科学竞赛Rossmann store sales解决方案的进阶版本，整体方案包括探索性数据分析、缺失值处理、特征工程、基准模型与评估、XGBoost建模与调优等完整板块。

Python机器学习实战系列教程，以案例和代码驱动的方式，帮助大家学习机器学习算法应用流程和各个链条环节，掌握构建场景建模解决方案并进行效果调优的能力。

本篇内容基于Kaggle数据科学竞赛Rossmann store sales，梳理和总结基于Python解决电商建模的全过程：包括数据探索分析、数据预处理与特征工程、建模与调优。

继续补充了数据探索的方法，了解使用标识符的方法分割训练集和测试集。但是我们现在只有纯随机的分割，是否有更加好的分割方法呢？

### 《基地》读后感 [TOC] [基地](https://book.douban.com/subject/26389895/)系列最早出版于1942年。1966 年基地系列获得雨果奖“史上最佳

1.导数定义： 导数和微分的概念 $$ f'({{x}{0}})=\underset{\Delta x\to 0}{\mathop{\lim }},\frac{f({{x}{0}}+\Delta x)

2021年5月，字节跳动智能创作团队精心打磨的移动端实时视频超分技术上线，并在抖音、头条、西瓜等多个业务场景大规模落地。