100 Days Of ML Code下載 - 100 Days Of ML Code原始碼下載

100 Days Of ML Code

Python

1.0.0

下載

100 天的 ML 程式碼

Siraj Raval 提出的 100 天機器學習編碼

從這裡獲取數據集

資料預處理|第一天

從這裡查看程式碼。

簡單線性迴歸 |第二天

從這裡查看程式碼。

多元線性迴歸 |第三天

從這裡查看程式碼。

邏輯迴歸|第 4 天

邏輯迴歸|第五天

今天，我進入 #100DaysOfMLCode，更深入地了解邏輯回歸到底是什麼以及其背後涉及的數學原理。了解如何計算成本函數，以及如何將梯度下降演算法應用於成本函數以最小化預測誤差。
由於時間較少，我現在將隔天發布資訊圖表。另外，如果有人想在程式碼文件方面幫助我，並且已經在該領域擁有一些經驗並且了解 github 的 Markdown，請在 LinkedIn 上與我聯繫:)。

實作邏輯迴歸 |第六天

在這裡查看程式碼

K 最近鄰|第 7 天

邏輯迴歸背後的數學 |第 8 天

#100DaysOfMLCode 為了澄清我對邏輯回歸的見解，我在網路上搜尋一些資源或文章，並發現了 Saishruthi Swaminathan 的這篇文章 (https://towardsdatascience.com/logistic-regression-detailed-overview-46c4da4303bc)。

它詳細描述了邏輯回歸。一定要檢查一下。

支援向量機|第 9 天

了解 SVM 是什麼以及如何使用它來解決分類問題。

SVM 和 KNN |第 10 天

了解有關 SVM 如何運作以及實作 K-NN 演算法的更多資訊。

K-NN 的實作 |第 11 天

實作了K-NN分類演算法。 #100DaysOfMLCode 支援向量機資訊圖表已完成一半。明天會更新。

支援向量機|第 12 天

樸素貝葉斯分類器 |第 13 天

今天繼續#100DaysOfMLCode，我了解了樸素貝葉斯分類器。我還使用 scikit-learn 在 python 中實作 SVM。很快就會更新程式碼。

SVM的實作|第 14 天

今天我在線性相關的資料上實作了SVM。使用 Scikit-Learn 函式庫。在 Scikit-Learn 中，我們有 SVC 分類器，用於實現此任務。將在下一個實作中使用 kernel-trick。檢查這裡的程式碼。

樸素貝葉斯分類器與黑盒機器學習 |第 15 天

了解不同類型的樸素貝葉斯分類器。也開始了彭博社的講座。播放清單中的第一個是黑盒機器學習。它全面概述了預測函數、特徵提取、學習演算法、性能評估、交叉驗證、樣本偏差、非平穩性、過度擬合和超參數調整。

使用 Kernel Trick 實作 SVM |第 16 天

使用 Scikit-Learn 庫實現了 SVM 演算法以及核函數，將我們的數據點映射到更高的維度以找到最佳超平面。

在 Coursera 上開始深度學習專業化 |第 17 天

在一天內完成整個第一週和第二週。將邏輯迴歸學習為神經網路。

Coursera 上的深度學習專業課程 |第 18 天

完成深度學習專業課程 1。用Python實作了一個神經網路。

學習問題，Yaser Abu-Mostafa 教授 |第 19 天

開始加州理工學院機器學習課程第 18 課 - CS 156，由 Yaser Abu-Mostafa 教授教授。這基本上是對即將到來的講座的介紹。他還解釋了感知器演算法。

開始深度學習專業課程 2 |第 20 天

完成了改進深度神經網路的第一週：超參數調整、正則化和優化。

網頁抓取 |第 21 天

觀看了一些有關如何使用 Beautiful Soup 進行網頁抓取的教程，以便收集用於建立模型的資料。

學習可行嗎？ |第 22 天

加州理工學院機器學習課程 - CS 156 第 18 講，由 Yaser Abu-Mostafa 教授講授。了解霍夫丁不等式。

決策樹 |第 23 天

統計學習理論導論|第 24 天

Bloomberg ML 課程的 Lec 3 介紹了一些核心概念，如輸入空間、動作空間、結果空間、預測函數、損失函數和假設空間。

實施決策樹 |第 25 天

檢查這裡的程式碼。

跳起來溫習線性代數 |第 26 天

在 youtube 3Blue1Brown 上發現了一個很棒的頻道。它有一個名為“線性代數本質”的播放清單。首先完成 4 個視頻，完整概述了向量、線性組合、跨度、基底向量、線性變換和矩陣乘法。

此處連結到播放清單。

跳起來溫習線性代數 |第 27 天

繼續播放列表，完成接下來的 4 個視頻，討論主題 3D 變換、行列式、逆矩陣、列空間、零空間和非方矩陣。

此處連結到播放清單。

跳起來溫習線性代數 |第 28 天

在 3Blue1Brown 的播放清單中，完成了另外 3 個線性代數精髓的影片。涵蓋的主題是點積和叉積。

此處連結到播放清單。

跳起來溫習線性代數 |第 29 天

今天完成了整個播放列表，影片 12-14。確實是一個令人驚嘆的播放列表，可以刷新線性代數的概念。涵蓋的主題包括基底的變化、特徵向量和特徵值以及抽象向量空間。

此處連結到播放清單。

微積分本質 |第 30 天

正在完成 3blue1brown 的播放清單 - 線性代數本質，YouTube 上又彈出了關於同一頻道 3Blue1Brown 的一系列影片的建議。之前的線性代數系列給我留下了深刻的印象，我直接進入了它。完成了大約 5 個視頻，主題包括導數、鍊式法則、乘積法則和指數導數等。

此處連結到播放清單。

微積分本質 |第 31 天

觀看了播放清單 Essence of Calculus 中關於隱式微分和極限主題的 2 個影片。

此處連結到播放清單。

微積分本質 |第 32 天

觀看了剩餘 4 個視頻，涵蓋積分和高階導數等主題。

此處連結到播放清單。

隨機森林 |第 33 天

實施隨機森林 |第 34 天

檢查這裡的程式碼。

但什麼是神經網路？ |深度學習，第 1 章 |第 35 天

3Blue1Brown youtube 頻道提供的神經網路的精彩影片。該影片很好地理解了神經網絡，並使用手寫數位資料集來解釋該概念。連結到影片。

梯度下降，神經網路如何學習 |深度學習，第 2 章 |第 36 天

3Blue1Brown youtube 頻道的神經網路第二部分。該影片以有趣的方式解釋了梯度下降的概念。 169必看，強烈推薦。連結到影片。

反向傳播到底在做什麼？ |深度學習，第 3 章 |第 37 天

3Blue1Brown youtube 頻道的神經網路第三部分。影片主要討論偏導數和反向傳播。連結到影片。

反向傳播微積分 |深度學習，第 4 章 |第 38 天

3Blue1Brown youtube 頻道的神經網路第四部分。這裡的目標是用更正式的術語來表達反向傳播如何運作的直覺，而影片大部分討論了偏導數和反向傳播。連結到影片。

使用 Python、TensorFlow 和 Keras 進行深度學習教學 |第 39 天

連結到影片。

載入您自己的資料 - Python、TensorFlow 和 Keras 的深度學習基礎 p.2 |第 40 天

連結到影片。

卷積神經網路 - Python、TensorFlow 和 Keras 的深度學習基礎 p.3 |第 41 天

連結到影片。

使用 TensorBoard 分析模型 - 使用 Python、TensorFlow 和 Keras 進行深度學習 p.4 |第 42 天

連結到影片。

K 表示聚類 |第 43 天

轉向無監督學習並研究聚類。在我的網站上查看avikjain.me 還發現了一個精彩的動畫，可以幫助輕鬆理解 K - 均值聚類鏈接

K 均值聚類實作 |第 44 天

實作了 K 均值聚類。檢查這裡的程式碼。

深入挖掘 |數值計算 |第 45 天

得到了 JK VanderPlas 的新書《Python Data Science HandBook》，請在此處查看 Jupyter 筆記本。
從第 2 章：Numpy 簡介開始。涵蓋的主題包括資料類型、Numpy 數組和 Numpy 數組上的計算。
檢查代碼 -
NumPy 簡介
了解 Python 中的資料類型
NumPy 數組的基礎知識
NumPy 陣列的計算：通用函數

深入挖掘 |數值計算 |第 46 天

第 2 章：聚合、比較與廣播
筆記本連結：
聚合：最小值、最大值以及介於兩者之間的所有值
數組計算：廣播
比較、遮罩和布林邏輯

深入挖掘 |數值計算 |第 47 天

第 2 章：花式索引、陣列排序、結構化數據
筆記本連結：
花式索引
數組排序
結構化資料：NumPy 的結構化數組

深入挖掘 |熊貓 |第 48 天

第 3 章：使用 Pandas 進行資料操作
涵蓋各種主題，如 Pandas 物件、資料索引和選擇、資料操作、處理遺失資料、分層索引、ConCat 和 Append。
筆記本連結：
使用 Pandas 進行資料操作
介紹 Pandas 對象
數據索引和選擇
對 Pandas 中的數據進行操作
處理缺失資料
分層索引
組合資料集：Concat 和 Append