教你学Python43-我如何开始机器学习

 

 

我被问到的最常见问题是：“ 我如何开始？”

我对机器学习入门的最佳建议分为五个步骤：

• 步骤1：调整心态。相信您可以练习并应用机器学习。是什么让您从机器学习目标中退缩？

  • 为什么机器学习不必这么难

  • 如何思考机器学习

  • 找到您的机器学习部落

• 步骤2：选择一个流程。使用系统的过程来解决问题。应用机器学习过程

• 步骤3：选择一个工具。为您的关卡选择一个工具，并将其映射到您的过程中。初学者：  Weka Workbench。

  • 中级：  Python生态系统。

  • 进阶：R Platform。

  • 机器学习的最佳编程语言

• 步骤4：练习数据集。选择要处理的数据集并实践该过程。使用小型内存数据集练习机器学习

  • 现实世界机器学习问题之旅

  • 研究与您息息相关的机器学习问题

• 步骤5：建立投资组合。收集结果并展示您的技能。建立机器学习档案袋

  • 获得报酬以应用机器学习

  • 机器学习赚钱

有关此自顶向下方法的更多信息，请参见：

• 机器学习精通方法

• 程序员的机器学习

我的许多学生都使用这种方法在Kaggle比赛中继续表现出色，并获得了机器学习工程师和数据科学家的工作。

应用机器学习过程

 

机器学习的好处是预测和做出预测的模型。

拥有应用机器学习的技能意味着知道如何始终如一地可靠地对问题进行高质量的预测。您需要遵循系统的流程。

您可以按照以下5个步骤进行操作，以在预测建模问题上始终如一地获得高于平均水平的结果：

• 步骤1：定义您的问题。如何定义您的机器学习问题

• 第2步：准备数据。如何为机器学习准备数据

  • 如何识别数据中的异常值

  • 通过数据预处理提高模型精度

  • 探索特征工程

  • 特征选择简介

  • 在您的机器学习数据集中打击不平衡类的策略

  • 机器学习中的数据泄漏

• 第3步：抽查算法。如何评估机器学习算法

  • 为什么应该在机器学习问题上采用抽查算法

  • 评估机器学习算法时如何选择正确的测试选项

  • 一种数据驱动的机器学习算法选择方法

• 步骤4：改善结果。如何改善机器学习结果

  • 机器学习性能改进备忘单

  • 如何提高深度学习表现

• 步骤5：呈现结果。如何使用机器学习结果

  • 如何训练最终的机器学习模型

  • 如何将预测模型部署到生产中

有关此过程的完整摘要，请参见以下文章：

• 应用机器学习过程

• 如何使用机器学习清单来获得准确的预测

机器学习的概率

 

概率是量化和控制不确定性的数学。它是许多数学领域（如统计学）的基石，对于应用机器学习至关重要。

以下是3个步骤的过程，您可以使用它来快速掌握机器学习的可能性。

• 第1步：发现概率。机器学习的数学符号基础

  • 什么是概率？

• 步骤2：了解为什么概率对机器学习如此重要。学习机器学习概率的5个理由

  • 机器学习不确定性的温和介绍

• 步骤3：研究“概率”主题。机器学习迷你课程的概率

  • 机器学习的概率（我的书）

您可以在此处查看有关概率的所有教程。以下是一些最受欢迎的教程。

概率基础

• 联合概率，边际概率和条件概率简介

• 联合概率，边际概率和条件概率的直觉

• 不同类型概率的有效示例

贝叶斯定理

• 机器学习的贝叶斯定理的简要介绍

• 使用Python从头开始开发Naive Bayes分类器

• 在Python中从头开始实现贝叶斯优化

概率分布

• 温和介绍概率分布

• 机器学习的离散概率分布

• 机器学习的连续概率分布

信息论

• 信息熵的简要介绍

• 计算概率分布之间的差异

• 机器学习的交叉熵的温和介绍

机器学习统计

 

统计方法是深入了解机器学习算法行为所必需的重要数学基础领域。

下面是3个步骤的过程，您可以用来快速掌握用于机器学习的统计方法。

• 步骤1：发现什么是统计方法。什么是统计（以及为什么它在机器学习中很重要）？

• 步骤2：了解统计方法为何对机器学习很重要。应用统计与机器学习之间的密切关系

  • 10个如何在机器学习项目中使用统计方法的示例

• 步骤3：深入探讨“统计方法”的主题。机器学习统计（7天迷你课程）

  • 机器学习的统计方法  （我的书）

您可以在此处查看所有统计方法的帖子。以下是一些最受欢迎的教程。

统计摘要

• 5号摘要简介

• 数据可视化简介

• 了解变量之间关系的相关性

• 计算常规汇总统计信息简介

统计假设检验

• Python中的15种统计假设检验（备忘单）

• 统计假设检验简介

• 非参数统计显着性检验简介

• 参数统计显着性检验简介

• 比较算法的统计显着性检验

重采样方法

• 统计采样和重采样简介

• 引导简介

• 交叉验证简介

估算统计

• 估计统计简介

• 置信区间简介

• 预测间隔简介

• 公差间隔简介

机器学习的线性代数

 

线性代数是实现对机器学习算法的更深入理解所需的重要数学基础领域。

以下是3个步骤，您可以用来快速学习线性代数以进行机器学习。

• 步骤1：发现什么是线性代数。机器学习的数学符号基础

  • 线性代数的温和介绍

• 步骤2：了解线性代数为何对机器学习很重要。学习机器学习的线性代数的5个理由

  • 机器学习中的10个线性代数示例

  • 机器学习的线性代数

• 步骤3：研究线性代数主题。机器学习迷你课程的线性代数

  • 机器学习的线性代数（我的书）

您可以在此处查看所有线性代数的帖子。以下是一些最受欢迎的教程。

Python中的线性代数

• Python中的N维数组简介

• 如何索引，切片和重塑NumPy数组

矩阵

• 矩阵与矩阵算术简介

• 线性代数中的矩阵类型简介

• 机器学习矩阵运算简介

• 机器学习张量简介

向量

• 向量简介

• 向量规范简介

矩阵分解

• 矩阵分解简介

• 特征分解导论

• 奇异值分解（SVD）简介

• 主成分分析（PCA）简介

了解机器学习算法

 

机器学习与机器学习算法有关。

您需要知道哪些算法可用于给定问题，它们如何工作以及如何最大程度地利用它们。

这是机器学习算法的入门方法：

• 第1步：发现不同类型的机器学习算法。机器学习算法之旅

• 步骤2：发现机器学习算法的基础。机器学习算法如何工作

  • 参数和非参数算法

  • 有监督和无监督算法

  • 偏差-偏差的权衡

  • 用算法过度拟合和不足拟合

• 步骤3：了解顶级机器学习算法的工作原理。机器学习算法迷你课程

  • 精通机器学习算法（我的书）

您可以在此处查看所有机器学习算法文章。以下是一些最受欢迎的教程。

线性算法

• 梯度下降

• 线性回归

• 逻辑回归

• 线性判别分析

非线性算法

• 分类和回归树

• 朴素贝叶斯

• K最近邻居

• 学习向量量化

• 支持向量机

合奏算法

• 套袋和随机森林

• Boosting和AdaBoost

如何学习/学习机器学习算法

• 了解机器学习算法的5种方法

• 如何学习机器学习算法

• 如何学习机器学习算法

• 如何研究机器学习算法

• 如何研究机器学习算法的行为

• 通过创建机器学习算法列表来控制

• 理解任何机器学习算法的6个问题

Weka机器学习（无代码）

 

Weka是一个平台，您可以使用它来开始应用机器学习。

它具有图形用户界面，这意味着无需编程，并且提供了一套最新的算法。

这是您如何开始使用Weka的方法：

• 步骤1：发现Weka平台的功能。什么是Weka机器学习工作台

• 第2步：探索如何绕过Weka平台。如何下载和安装Weka机器学习工作台

  • Weka机器学习工作台之旅

• 步骤3：探索如何使用Weka交付结果。如何在Weka中运行您的第一个分类器

  • Weka迷你课程的应用机器学习

  • Weka精通机器学习（我的书）

您可以在此处查看所有Weka机器学习文章。以下是一些最受欢迎的教程。

在Weka中准备数据

• 如何在Weka中加载CSV机器学习数据

• 如何在Weka中更好地理解您的机器学习数据

• 如何在Weka中标准化和标准化您的机器学习数据

• 如何使用Weka处理机器学习数据中的缺失值

• 如何在Weka中使用机器学习数据执行特征选择

Weka算法教程

• 如何在Weka中使用机器学习算法

• 如何在Weka中估计机器学习算法的性能

• 如何在Weka中使用回归机器学习算法

• 如何在Weka中使用分类机器学习算法

• 如何在Weka中调整机器学习算法

Python机器学习（scikit-learn）

 

Python是应用机器学习发展最快的平台之一。

您可以在模型的开发和操作部署中使用相同的工具，例如pandas和scikit-learn。

以下是您可以用来开始使用Python机器学习的步骤：

• 第1步：发现Python用于机器学习Scikit-Learn的简要介绍：Python机器学习库

• 步骤2：探索Python机器学习的生态系统。面向机器学习开发人员的Python速成课程

  • 机器学习的Python生态系统

  • Python是应用机器学习的成长平台

• 步骤3：探索如何使用Python中的机器学习解决问题。您的Python循序渐进的第一个机器学习项目

  • Python机器学习迷你课程

  • 精通Python的机器学习（我的书）

您可以在此处查看所有Python机器学习文章。以下是一些最受欢迎的教程。

用Python准备数据

• 如何在Python中加载机器学习数据

• 使用Python中的描述性统计信息了解您的机器学习数据

• 使用Pandas可视化Python中的机器学习数据

• 如何使用Scikit-Learn为Python中的机器学习准备数据

• Python中机器学习的功能选择

Python机器学习

• 评估机器学习算法的性能

• 评估Python中机器学习算法的指标

• 带有scikit-learn的Python中的抽查分类机器学习算法

• 带有scikit-learn的Python中的抽查回归机器学习算法

• 如何在scikit-learn中比较Python中的机器学习算法

R机器学习（插入符号）

 

R是用于统计计算的平台，并且是专业数据科学家中最受欢迎的平台。

它之所以受欢迎，是因为有大量可用的技术，并且由于这些方法的强大接口（例如强大的插入符号程序包）。

这是R机器学习的入门方法：

• 第1步：了解R平台及其流行的原因。什么是R

  • 使用R进行机器学习

  • R中的超级快速速成课程

• 步骤2：探索R中的机器学习算法。如何开始使用R中的机器学习算法

• 步骤3：发现如何使用R中的机器学习解决问题。您的R循序渐进的第一个机器学习项目

  • R机器学习迷你课程

  • 精通R的机器学习（我的书）

您可以在这里查看所有R机器学习文章。以下是一些最受欢迎的教程。

R中的数据准备

• 如何将机器学习数据加载到R中

• 使用描述性统计信息更好地理解R中的数据

• 使用可视化更好地理解R中的数据

• 使用Caret R软件包进行功能选择

• 通过预处理为R中的机器学习做好数据准备

R中的应用机器学习

• 如何使用R评估机器学习算法

• R中的抽查机器学习算法

• R中的调音机器学习算法

• 如何在R中构建机器学习算法的集合

• 比较R中机器学习算法的性能

从零开始的代码算法（Python）

 

通过从头开始编码，您可以学到很多有关机器学习算法的知识。

通过编码学习是许多开发人员和工程师的首选学习方式。

这是通过从头开始编写所有代码来开始机器学习的方法。

• 第1步：从零开始发现编码算法的好处。从头开始实施机器学习算法的好处

  • 从头开始实施以了解机器学习算法

• 步骤2：发现从头开始编码算法只是一种学习工具。从头开始停止编码机器学习算法

  • 实施机器学习算法时不要以开源代码开头

• 第3步：探索如何使用Python从头开始编写机器学习算法。从零开始的机器学习算法（我的书）

您可以在此处查看Scratch帖子中的所有代码算法。以下是一些最受欢迎的教程。

准备数据

• 如何从头开始加载机器学习数据

• 如何从头开始扩展机器学习数据

线性算法

• 如何从零开始实现简单的线性回归

• 如何从头开始实现感知器算法

算法评估

• 如何从头开始编写重采样方法

• 如何从头开始编写算法性能指标

非线性算法

• 如何从头开始编写反向传播算法

• 如何从头开始编写决策树算法

时间序列预测简介（Python）

 

时间序列预测是业务应用程序中的重要主题。

许多数据集包含一个时间成分，但是从机器学习的角度来看，很少涉及时间序列的主题。

以下是时间序列预测的入门方法：

• 步骤1：发现时间序列预测。什么是时间序列预测？

• 第2步：发现时间序列为监督学习。时间序列预测作为监督学习

• 第3步：探索如何善于利用时序预测提供结果。使用Python迷你课程进行时间序列预测

  • 使用Python进行时间序列预测（我的书）

您可以在此处查看所有时间序列预测帖子。以下是一些最受欢迎的教程。

数据准备教程

• 用于机器学习的7个时间序列数据集

• 如何在Python中加载和探索时间序列数据

• 如何在Python中标准化和标准化时间序列数据

• 使用Python中的时间序列数据进行基本特征工程

• 如何回测时间序列预测的机器学习模型

预测教程

• 如何使用Python进行时间序列预测的基线预测

• 如何使用Python检查时间序列数据是否固定

• 如何使用Python创建ARIMA模型进行时间序列预测

• 如何使用Python网格搜索ARIMA模型超参数

• 如何完成时间序列预测项目

Python中的XGBoost（随机梯度增强）

 

XGBoost是梯度提升决策树的高度优化实现。

它之所以受欢迎，是因为它被世界上一些最好的数据科学家用来赢得机器学习竞赛。

这是XGBoost入门的方法：

• 步骤1：发现梯度提升算法。机器学习的梯度提升算法简介

• 第2步：发现XGBoost。XGBoost应用机器学习的温和介绍

• 步骤3：探索如何善于利用XGBoost交付结果。如何使用scikit-learn在Python中开发您的第一个XGBoost模型

  • XGBoost与Python迷你课程

  • XGBoost With Python（我的书）

您可以在此处查看所有XGBoosts帖子。以下是一些最受欢迎的教程。

XGBoost基础

• 在Python中使用XGBoost进行梯度增强的数据准备

• 如何在Python中使用XGBoost评估梯度提升模型

• 通过尽早停止使用Python中的XGBoost来避免过度拟合

• 使用XGBoost在Python中进行功能重要性和功能选择

XGBoost调整

• 如何配置梯度提升算法

• 在Python中使用XGBoost进行梯度提升时的音调学习速率

• 在Python中使用XGBoost和scikit-learn进行随机梯度增强

• 如何在Python中使用XGBoost调整决策树的数量和大小

• 如何在Python中优化对XGBoost的多线程支持

分类不平衡

 

不平衡分类是指分类任务，其中一类的实例比另一类更多。

这些类型的问题通常需要使用专门的性能指标和学习算法，因为标准指标和方法不可靠或完全失败。

这是不平衡分类的入门方法：

• 步骤1：发现不平衡分类的挑战关于不平衡分类的简要介绍

• 步骤2：发现倾斜的类分布的直觉。为严重偏斜的班级分配建立直觉

• 步骤3：发现如何解决不平衡分类问题。Python 7天迷你课程的不平衡分类（即将推出）

  • Python的不平衡分类（我的书）

您可以在此处查看所有不平衡分类的帖子。

深度学习（Keras）

 

深度学习是一个引人入胜且强大的领域。

最新的结果来自深度学习领域，它是机器学习的一个子领域，不容忽视。

这是开始深度学习的方法：

• 步骤1：发现深度学习的全部内容。什么是深度学习？

  • 8深度学习的启发性应用

• 第2步：发现最佳工具和库。Python深度学习库Theano简介

  • Python深度学习库TensorFlow简介

  • Keras的Python深度学习简介

• 步骤3：发现如何解决问题并交付结果。使用Keras逐步开发Python中的第一个神经网络

  • Python迷你课程中的应用深度学习

  • 使用Python进行深度学习（我的书）

您可以在此处查看所有深度学习文章。以下是一些最受欢迎的教程。

背景

• 多层感知器神经网络速成课程

• 卷积神经网络机器学习速成课程

• 递归神经网络深度学习速成课程

多层感知器

• Keras中神经网络模型的5步生命周期

• 如何使用Keras在Python中为深度学习模型网格搜索超参数

• 保存和加载Keras深度学习模型

• 在Keras中显示深度学习模型培训历史

• Keras深度学习模型中的辍学正则化

卷积神经网络

• 使用Keras在Python中使用卷积神经网络进行手写数字识别

• Keras深度学习库中具有卷积神经网络的目标识别

• 使用深度学习从电影评论中预测情感

递归神经网络

• 使用Keras在Python中使用LSTM递归神经网络进行时间序列预测

• 使用Keras理解Python中的状态LSTM递归神经网络

• 使用Keras在Python中使用LSTM递归神经网络生成文本

更好的深度学习表现

 

尽管定义和拟合深度学习神经网络模型很容易，但是要在特定的预测建模问题上获得良好的性能可能会充满挑战。

您可以使用标准技术来改善学习，减少过度拟合并通过深度学习模型做出更好的预测。

这是开始获得更好的深度学习性能的方法：

• 步骤1：发现深度学习的挑战。为什么训练神经网络很困难

  • 训练深度学习神经网络模型的挑战

• 第2步：发现用于诊断和改善模型性能的框架。如何提高深度学习表现

  • 更好的深度学习框架

  • 诊断模型性能的学习曲线简介

• 步骤3：发现可用于提高性能的技术。如何获得更好的深度学习成果（7天迷你课程）

  • 更好的深度学习（我的书）

您可以在此处查看所有更好的深度学习文章。以下是一些最受欢迎的教程。

更好的学习（修复培训）

• 如何使用节点和层控制模型容量

• 训练神经网络时如何选择损失函数

• 了解学习率对模型性能的影响

• 如何使用ReLU修复消失的渐变

更好的泛化（修复过度拟合）

• 正则化以减少神经网络的过度拟合

• 如何使用重量衰减来减少过度拟合

• 如何通过辍学正则化减少过度拟合

• 如何使用早期停止在正确的时间停止训练

更好的预测（合奏）

• 深度学习神经网络的集成方法

• 如何开发平均模型集成

• 如何开发交叉验证和装袋集成

• 如何开发堆叠式深度学习组合

提示，技巧和资源

• 配置反向传播的8个技巧

• 贸易评论技巧

• 深度学习从业人员的三本必备书籍

• 数据集大小对深度学习模型技能的影响

长短期记忆网络（LSTM）

 

长短期记忆（LSTM）递归神经网络是为序列预测问题设计的，是用于挑战性预测问题的最新深度学习技术。

这是在Python中开始使用LSTM的方法：

• 步骤1：发现LSTM的前景。递归神经网络用于时间序列预测的承诺

• 步骤2：发现LSTM在哪里有用。用序列进行预测

  • 专家对长短期记忆网络的温和介绍

  • 序列预测模型简介

• 步骤3：发现如何在项目中使用LSTM。Keras中长短期记忆模型的5个步骤生命周期

  • 长短期记忆网络（迷你课程）

  • 使用Python的长期短期记忆网络（我的书）

您可以在此处查看所有LSTM帖子。以下是通过Keras深度学习库在Python中使用LSTM的一些最受欢迎的教程的精选。

LSTM的数据准备

• 如何为长短期存储网络重塑输入数据

• 如何对序列数据进行热编码

• 如何使用差异转换删除趋势和季节性

• 如何为长期短期存储网络扩展数据

• 如何为截断的BPTT准备序列预测

• 如何处理序列预测问题中缺少的时间步

LSTM行为

• 温和反向传播的温和介绍

• 带有长短期记忆网络的记忆演示

• 如何将时间分布层用于长短期内存网络

• 如何使用编码器-解码器LSTM来回波随机整数

• 长短期记忆循环神经网络中的注意事项

用LSTM建模

• 生成长期短期记忆网络

• 堆叠式长短期记忆网络

• 编解码器长短期存储网络

• CNN长短期记忆网络

• 诊断LSTM模型的过拟合和过拟合

• 如何使用长短期记忆模型做出预测

LSTM时间序列

• LSTM对时间序列预测的适用性

• 长短期记忆网络的时间序列预测

• 长短期记忆网络的多步时间序列预测

• Keras中使用LSTM进行的多元时间序列预测

自然语言处理深度学习（NLP）

 

由于自然语言的混乱性质，因此很难处理文本数据。

文本不是“已解决”的，而是要获得有关具有挑战性的NLP问题的最新结果，您需要采用深度学习方法

这是开始进行自然语言处理的深度学习的方法：

• 步骤1：了解NLP的深度学习的意义。什么是自然语言处理？

  • 什么是深度学习？

  • 深度学习对自然语言处理的承诺

• 第2步：发现NLP的标准数据集。7深度学习在自然语言处理中的应用

  • 自然语言处理数据集

• 步骤3：发现如何解决问题并交付结果。深度学习中的自然语言处理速成课程

  • 用于自然语言处理的深度学习（我的书）

您可以在此处查看有关NLP帖子的所有深度学习。以下是一些最受欢迎的教程。

词袋模型

• 什么是词袋模型？

• 如何使用scikit-learn为机器学习准备文本数据

• 如何开发用于预测情感的言语模型

语言建模

• 统计语言建模和神经语言模型的简要介绍

• 如何在Keras中开发基于字符的神经语言模型

• 如何开发单词级神经语言模型并使用它来生成文本

文字摘要

• 文本摘要的温和介绍

• 如何准备新闻文章以进行文本摘要

• Keras中用于文本汇总的编解码器模型

文字分类

• 深度学习中的文本分类最佳实践

• 如何开发用于情感分析的单词袋模型

• 如何开发用于情感分析的CNN

词嵌入

• 什么是词嵌入？

• 如何使用Gensim在Python中开发Word嵌入

• 如何使用词嵌入层进行Keras深度学习

图片字幕

• 如何使用深度学习自动生成照片的文字描述

• 深度学习字幕生成模型的简要介绍

• 如何从头开始开发深度学习照片字幕生成器

文字翻译

• 神经机器翻译的温和介绍

• 如何为神经机器翻译配置编码器-解码器模型

• 如何从头开始开发神经机器翻译系统

用于计算机视觉的深度学习

 

由于原始像素之间的鸿沟以及图像中的含义，使用图像数据非常困难。

不能解决计算机视觉问题，但是要获得具有挑战性的计算机视觉任务（例如对象检测和面部识别）的最新结果，您需要深度学习方法。

这是开始进行计算机视觉深度学习的方法：

• 第1步：发现有关计算机视觉的深度学习的全部内容。什么是计算机视觉？

  • 深度学习对计算机视觉的承诺是什么？

• 步骤2：发现计算机视觉的标准任务和数据集。9深度学习在计算机视觉中的应用

  • 如何使用Keras加载和可视化标准计算机视觉数据集

  • 如何开发和展示深度学习的计算机视觉能力

• 步骤3：发现如何解决问题并交付结果。如何开始用于计算机视觉的深度学习（7天微型课程）

  • 计算机视觉的深度学习（我的书）

您可以在此处查看有关Computer Vision的所有深度学习文章。以下是一些最受欢迎的教程。

图像数据处理

• 如何使用PIL /枕头加载和处理图像

• 如何使用Keras API加载，转换和保存图像

• 通道优先和通道最后图像格式简介

图像数据增强

• 如何从目录加载大数据集

• 如何配置和使用图像数据增强

• 测试时间数据扩充简介

影像分类

• 如何为CIFAR-10照片分类开发CNN

• 如何开发CNN对猫和狗的照片进行分类

• 如何开发CNN对卫星照片进行分类

图像数据准备

• 如何手动缩放图像像素数据以进行深度学习

• 如何评估图像分类的像素缩放方法

• 如何在Keras中归一化，居中和标准化图像

卷积神经网络的基础

• 对CNNS中卷积层的介绍

• 对CNN的填充和步幅进行温和介绍

• CNN中池化层的简要介绍

物体识别

• 物体识别的温和介绍

• 如何使用遮罩R-CNN执行目标检测

• 如何在Keras中使用YOLOv3执行对象检测

深度学习以进行时间序列预测

 

深度学习神经网络能够自动学习从输入到输出的任意复杂映射，并支持多个输入和输出。

MLP，CNN和LSTM等方法为时间序列预测提供了很多希望。

以下是开始进行时间序列预测的深度学习的方法：

• 步骤1：发现深度学习对时间序列的承诺（和局限性）。递归神经网络用于时间序列预测的承诺

  • 长短期记忆网络在时间序列预测中的适用性

  • 比较经典和机器学习方法进行时间序列预测的结果

• 第2步：发现如何开发可靠的基线和合理的预测模型。时间序列预测问题的分类

  • 如何开发熟练的机器学习时间序列预测模型

• 步骤3：发现如何为时间序列预测建立深度学习模型。如何开始使用深度学习进行时间序列预测（7天的微型课程）

  • 时间序列预测的深度学习（我的书）

您可以在此处查看有关时间序列预测帖子的所有深度学习。以下是一些最受欢迎的教程。

预测趋势和季节性（单变量）

• 时间序列预测的网格搜索SARIMA模型

• 时间序列预测的网格搜索指数平滑

• 开发用于单变量预测的深度学习模型

人类活动识别（多变量分类）

• 如何根据智能手机数据对人类活动进行建模

• 如何开发用于人类活动识别的CNN模型

• 如何开发用于人类活动识别的RNN模型

预测用电量（多变量，多步骤）

• 如何加载和探索家庭用电量数据

• 机器学习的多步时间序列预测

• 如何开发用于多步时间序列预测的CNN

型号类型

• 如何开发用于时间序列预测的MLP

• 如何开发用于时间序列预测的CNN

• 如何为时间序列预测开发LSTM

时间序列案例研究

• 室内运动时间序列分类

• 预测空气污染天数的概率预测模型

• 根据环境因素预测房间入住率

• 使用脑电波预测眼睛是睁着还是闭着

预测空气污染（多变量，多步骤）

• 加载，可视化和探索空气污染预测

• 为空气污染预测制定基线预测

• 开发用于空气污染预测的自回归模型

• 开发用于空气污染预测的机器学习模型

生成对抗网络（GAN）

 

生成对抗网络，简称GAN，是一种使用深度学习方法（例如卷积神经网络）进行生成建模的方法。

GAN是一个令人兴奋且瞬息万变的领域，它具有生成模型的承诺，能够在各种问题域中生成逼真的示例，尤其是在图像到图像的翻译任务中。

以下是开始生成对抗网络的深度学习的方法：

• 步骤1：发现GAN在生成建模中的前景。18生成对抗网络的令人印象深刻的应用

• 步骤2：探索GAN架构和不同的GAN模型。生成对抗网络的温和介绍

  • 生成对抗网络模型之旅

• 步骤3：探索如何使用Keras在Python中开发GAN模型。如何开始生成对抗网络（7天迷你课程）

  • 用Python生成对抗网络（我的书）

您可以在此处查看列出的所有“ 生成对抗网络”教程。以下是一些最受欢迎的教程。

GAN基础知识

• 如何编码GAN训练算法和损失函数

• 如何使用UpSampling2D和Conv2DTranspose图层

• 如何在Keras中实施GAN Hacks训练稳定模型

GAN损失函数

• 如何实施Wasserstein损失（WGAN）

• 如何开发最小二乘GAN（LSGAN）

开发简单的GAN模型

• 如何从零开始开发一维GAN

• 如何开发用于生成MNIST数字的GAN

• 如何开发GAN生成CIFAR10照片

用于图像翻译的GAN

• 如何从头开始实现Pix2Pix GAN模型

• 如何从零开始实施CycleGAN模型

喜欢点下关注，你的关注是我写作的最大支持