scikit-learn (sklearn) официальная документация китайская версия

логотип

sklearn 0.21.3 китайская документация

sklearn 0.21.3 китайский пример

официальный сайт sklearn на английском языке

представлять

sklearn (scikit-learn) — инструмент машинного обучения, основанный на языке Python.

Простые и эффективные инструменты интеллектуального анализа и анализа данных.
Может быть повторно использован каждым в различных средах.
Построен на NumPy, SciPy и matplotlib.
Открытый исходный код, доступен для коммерческого использования — лицензия BSD.

Организационное построение [Веб-сайт]

Страницы GitHub (зарубежные): https://sklearn.apachecn.org.
Страницы Gitee (внутренние): https://apachecn.gitee.io/sklearn-doc-zh

Сторонний веб-мастер [веб-сайт]

Адрес A: xxx (Добро пожаловать, чтобы оставить сообщение, мы улучшим его)

Другие добавки

Официальный Гитхаб
Адрес загрузки EPUB
ApacheCN Группа перевода и корректуры подработка 713436582

скачать

Докер

 docker pull apachecn0/sklearn-doc-zh
docker run -tid -p :80 apachecn0/sklearn-doc-zh
# 访问 http://localhost:{port} 查看文档

ПИПИ

 pip install sklearn-doc-zh
sklearn-doc-zh 
# 访问 http://localhost:{port} 查看文档

НПМ

 npm install -g sklearn-doc-zh
sklearn-doc-zh 
# 访问 http://localhost:{port} 查看文档

Установить scikit-learn
Руководство пользователя
- 1. Обучение под присмотром
  - 1.1. Обобщенная линейная модель.
  - 1.2. Линейный и квадратичный дискриминантный анализ.
  - 1.3. Регрессия ядра риджа.
  - 1.4. Машина опорных векторов.
  - 1.5. Стохастический градиентный спуск.
  - 1.6. Ближайший сосед.
  - 1.7. Гауссов процесс
  - 1.8.
  - 1.9. Наивный Байес.
  - 1.10. Дерево решений.
  - 1.11. Комплексный подход.
  - 1.12. Многоклассовые и многометочные алгоритмы.
  - 1.13. Выбор функции.
  - 1.14. Полуконтролируемое обучение.
  - 1.15. Уравнение регрессии.
  - 1.16. Вероятностная калибровка.
  - 1.17. Модель нейронной сети (контролируемая).
- 2. Обучение без присмотра
  - 2.1. Модель гауссовой смеси.
  - 2.2. Многообразное обучение
  - 2.3. Кластеризация
  - 2.4. Бикластеризация
  - 2.5. Разложение сигналов на компоненты (задача матричной факторизации).
  - 2.6. Оценка ковариации.
  - 2.7. Обнаружение новизны и выбросов.
  - 2.8. Оценка плотности.
  - 2.9. Модель нейронной сети (неконтролируемая).
- 3. Выбор и оценка модели
  - 3.1. Перекрестная проверка: оценка производительности оценщика.
  - 3.2. Настройка гиперпараметров оценщика.
  - 3.3. Оценка модели: количественная оценка качества прогнозов.
  - 3.4. Устойчивость модели.
  - 3.5. Кривая валидации. Постройте график оценок для оценки модели.
- 4. Проверка
  - 4.1. Граф частичной зависимости.
- 5. Преобразование набора данных
  - 5.1. Pipeline и FeatureUnion: комбинированные оценщики.
  - 5.2. Извлечение признаков.
  - 5.3 Предварительная обработка данных
  - 5.4 Вменение пропущенного значения
  - 5.5. Неконтролируемое уменьшение размерности.
  - 5.6. Случайная проекция.
  - 5.7. Ядерное приближение.
  - 5.8. Пары матриц, категории и функции ядра.
  - 5.9. Преобразование цели прогнозирования ( y ).
- 6. Инструмент загрузки набора данных
  - 6.1. Общий API набора данных.
  - 6.2. Набор данных игрушек.
  - 6.3 Реальные наборы данных
  - 6.4. Генератор выборки.
  - 6.5. Загрузка других наборов данных.
- 7. Рассчитайте с помощью scikit-learn.
  - 7.1. Стратегии крупномасштабных вычислений: большие объемы данных.
  - 7.2. Вычислительная производительность.
  - 7.3 Параллелизм, управление ресурсами и настройка.
Учебник
- Введение в машинное обучение с использованием scikit-learn
- Статистическое учебное пособие по обработке научных данных
  - Машинное обучение: настройки и объекты прогнозирования в scikit-learn
  - Обучение с учителем: прогнозирование выходных переменных на основе многомерных наблюдений
  - Выбор модели: выбор оценщиков и их параметров
  - Обучение без учителя: поиск представления данных
  - соединить их вместе
  - Попросите помощи
- Обработка текстовых данных
- Выберите правильный оценщик (estimator.md)
- Внешние ресурсы, видео и выступления
Справочник по API
Часто задаваемые вопросы
Ось времени

Историческая версия

scikit-learn (sklearn) 0.19 официальный документ, китайская версия
scikit-learn (sklearn) 0.18 официальный документ, китайская версия

Как скомпилировать и использовать исторические версии:

Разархивируйте папку 0.19.x.zip
Скопируйте ресурсы изображения master/img в 0.19.x
Для обычного процесса компиляции gitbook вы можете использовать sh run_website.sh

Руководство по вкладу

Чтобы постоянно улучшать качество перевода, мы запустили [деятельность по переводу, корректуре и ведению конспектов] и открыли несколько проектов по корректуре. Авторы могут получить вознаграждение от 2 до 4 юаней за тысячу слов после корректуры главы. Информацию о текущих мероприятиях по корректуре см. в списке мероприятий. Для получения более подробной информации свяжитесь с Фейлонгом (Q562826179, V: Wizardforcel).

DOCX: Инициатива по открытому обмену исследовательскими записями

Мы активно реагируем на Инициативу исследований открытого исходного кода (DOCX). В настоящее время открытый исходный код — это не просто открытый исходный код, но также включает в себя наборы данных, модели, учебные пособия и экспериментальные записи. Мы также изучаем другие категории решений и протоколов с открытым исходным кодом.

Я надеюсь, что все поймут эту инициативу, совместят ее со своими интересами и сделают что-то в пределах своих возможностей. Небольшой вклад каждого, вместе взятый, представляет собой всю экосистему с открытым исходным кодом.

Руководитель проекта

Формат: GitHub + QQ.

Первый выпуск (29.09.2017)

@Найи Мо улыбайся
@момент
@小瑶

Второй выпуск (29.06.2019)

@N!no: 1352899627
@махаоян: 992635910
@loopyme: 3322728009
Фейлонг: 562826179
Момент: 529815144

-- Требования от ответственного лица: (Добро пожаловать в sklearn 中文版本)

Любите открытый исходный код и любите хвастаться
Используйте sklearn в течение длительного времени (минимум 0,5 года) + отправляйте запросы на включение>=3
Успевать своевременно оптимизировать ошибки страниц и проблемы пользователей
Пробный период: 2 месяца
Добро пожаловать на контакт: 529815144

Автор

【0.19.X】Список участников

Предложения и отзывы

Сообщите о проблеме на нашем github apachecn/pytorch-doc-zh.
Отправьте электронное письмо на адрес электронной почты: [email protected] .
Просто свяжитесь с владельцем/администратором группы в нашей группе QQ-Поиск: метод связи.

проектное соглашение

В последнее время к нам обращалось много людей по вопросам лицензирования контента!
Открытый исходный код означает, что знания должны быть сосредоточены на распространении и повторении (а не на запрете другим переиздавать).
В противном случае, если вы откроете исходный код на GitHub, а затем скажете, что вам не разрешено его перепечатывать, вы, должно быть, больны!
Коммерциализация запрещена, соблюдайте спецификации протокола и обратите внимание на источник адреса. Ключевые моменты: для подачи заявки не нужно отправлять нам электронное письмо.
Проекты без соглашения под учетной записью ApacheCN будут рассматриваться как CC BY-NC-SA 4.0.

Добрые советы:

Для тех, кто хочет сделать копию и обновить самостоятельно
У меня тоже был такой опыт, но эта страсть не могла длиться и несколько месяцев, прежде чем я разочаровался!
Напрасно не только ваш тяжелый труд, но и то, что результаты вашего перевода увидит больше людей! жаль! Что вы думаете?
Мое личное предложение: форк -> запросы на включение https://github.com/apachecn/sklearn-doc-zh
Так почему же стоит выбрать ApacheCN ?
Потому что, когда мы занимаемся переводом, мы чувствуем себя счастливыми и претенциозными, и это относительно чисто!
Если вам это нравится, вы можете участвовать или даже нести ответственность за этот проект без каких-либо ограничений по академической квалификации или образованию.