python机器学习第2页

【Rust】——高级类型

离散数学，算法设计与分析，数据结构，Python，Java基础，MySQL，linux，基于HTML5的网页设计及应用，Rust（官方文档重点总结），jQuery，前端vue.js，Javaweb开发，Python

Y小夜·2024-09-01 18:00

【Python机器学习】NLP词频背后的含义——隐性语义分析

隐性语义分析基于最古老和最常用的降维技术——奇异值分解（SVD）。SVD将一个矩阵分解成3个方阵，其中一个是对角矩阵。SVD的一个应用是求逆矩阵。一个矩阵可以分解成3个最简单的方阵，然后对这些方阵求转置后再把它们相乘，就得到了原始矩阵的逆矩阵。它为我们提供了一个对大型复杂矩阵求逆的捷径。SVD适用于桁架结构的应力和应变分析等机械工程问题，它对电气工程中的电路分析也很有用，它甚至在数据科学中被用于基

zhangbin_237·2024-08-30 14:22

【Python机器学习】NLP分词——利用分词器构建词汇表（三）——度量词袋之间的重合度

如果能够度量两个向量词袋之间的重合度，就可以很好地估计他们所用词的相似程度，而这也是它们语义上重合度的一个很好的估计。因此，下面用点积来估计一些新句子和原始的Jefferson句子之间的词袋向量重合度：importpandasaspdsentence="""ThomasJeffersonBeganbulidingMonticelliastheageof26.\n"""sentence=senten

zhangbin_237·2024-08-28 05:33

【Python机器学习】NLP概述——深度处理

自然语言处理流水线的各个阶段可以看作是层，就像是前馈神经网络中的层一样。深度学习就是通过在传统的两层机器学习模型架构（特征提取+建模）中添加额外的处理层来创建更复杂的模型和行为。上图中，前四层对应于聊天机器人流水线中的前两个阶段（特征提取和特征分析）。例如，词性标注（POS标注）是在聊天机器人流水线的分析阶段生成特征的一种方法。POS标签由默认的SpaCY流水线自动生成，该流水线包括上图中所有的前

zhangbin_237·2024-08-28 05:03

【Python机器学习】NLP分词——词干还原的挑战

zhangbin_237·2024-08-28 05:03

【Python机器学习】NLP概述——自然语言智商

就像人类的智能一样，如果不考虑多个智能维度，单凭一个智商分数是无法轻易衡量NLP流水线的能力的。衡量机器人系统能力的一种常见方法是：根据系统行为的复杂性和所需的人类监督成都这两个维度来衡量。但是对自然语言处理流水线而言，其目标是建立一个完全自动化的自然语言处理系统，会消除所有的人工监督（一旦模型被训练和部署）。因此，一对更好的IQ维度应该能捕捉到自然语言流水线复杂的广度和深度。像Alexa或All

zhangbin_237·2024-08-26 01:20

【Python机器学习】NLP概述——聊天机器人的自然语言流水线

构建对话引擎或者聊天机器人所需的NLP流水线类似于某些问答系统。聊天机器人需要4个处理阶段和一个数据库来维护过去语句和回复的记录。这4个处理阶段中的每个阶段都可以包含一个或多个并行或串行工作的处理算法。如下图所示：1、解析：从自然语言文本中提取特征、结构化数值数；2、分析：通过对文本的情感、语法合法度及语义打分，生成和组合特征；3、生成：使用模板、搜索或语言模型生成可能的回复；4、执行：根据对话历

zhangbin_237·2024-08-23 10:51

《Python机器学习项目实战》书籍介绍

文章目录书籍介绍主要内容书籍目录书籍介绍《Python机器学习项目实战》带领大家在构建实际项目的过程中，掌握关键的机器学习概念！使用机器学习，我们可完成客户行为分析、价格趋势预测、风险评估等任务。

袁袁袁袁满·2024-08-22 09:23

【Python机器学习】NLP的部分实际应用

自然语言处理在现实中非常多的应用，下表是其中的一些例子：应用示例1示例2示例3搜索web文档自动补全编辑拼写语法风格对话聊天机器人助手行程安排写作索引用语索引目录电子邮件垃圾邮件过滤分类优先级排序文本挖掘摘要知识提取医学诊断法律法律断案先例搜索传票分类新闻事件检索真相核查标题排字归属剽窃检测文字取证风格指导情感分析团队士气监控产品评论分类客户关怀行为预测金融选举预测营销创作电影脚本诗歌歌词如果在索

zhangbin_237·2024-08-21 21:00

python清华大学出版社答案_Python机器学习及实践

第1章机器学习的基础知识1.1何谓机器学习1.1.1传感器和海量数据1.1.2机器学习的重要性1.1.3机器学习的表现1.1.4机器学习的主要任务1.1.5选择合适的算法1.1.6机器学习程序的步骤1.2综合分类1.3推荐系统和深度学习1.3.1推荐系统1.3.2深度学习1.4何为Python1.4.1使用Python软件的由来1.4.2为什么使用Python1.4.3Python设计定位1.4.

weixin_39805119·2024-03-29 03:04

Python机器学习笔记：CART算法实战

完整代码及其数据，请移步小编的GitHub传送门：请点击我如果点击有误：https://github.com/LeBron-Jian/MachineLearningNote前言在python机器学习笔记

战争热诚·2024-03-23 17:00

python机器学习库Scikit-learn

python语言中用来处理机器学习的库最重要的就是Scikit-learn，简称sklearn。被大多数科学家所钟爱，包括了构建良好的学习算法、误差函数和测试例程。在sklearn的核心有四种类型的类覆盖了所有机器学习功能：分类回归聚类分组转换数据虽然sklearn提供的算法比较多，但是他们都符合基本的接口定义，为了是使用不同的算法时，所使用的接口时统一的。sklearn提供了四个基本对象接口。评

崔吉龙·2024-02-20 12:49

optuna，一个好用的Python机器学习自动化超参数优化库

️个人主页：鼠鼠我捏，要死了捏的主页️付费专栏：Python专栏️个人学习笔记，若有缺误，欢迎评论区指正前言超参数优化是机器学习中的重要问题，它涉及在训练模型时选择最优的超参数组合，以提高模型的性能和泛化能力。Optuna是一个用于自动化超参数优化的库，它提供了有效的参数搜索算法和方便的结果可视化工具。目录前言

牵着猫散步的鼠鼠·2024-02-19 20:23

【机器学习笔记】 6 机器学习库Scikit-learn

Scikit-learn概述Scikit-learn是基于NumPy、SciPy和Matplotlib的开源Python机器学习包,它封装了一系列数据预处理、机器学习算法、模型选择等工具,是数据分析师首选的机器学习工具包

RIKI_1·2024-02-19 19:07

Python机器学习：Scikit-learn库与应用

当涉及到Python机器学习时，Scikit-learn是一个非常流行且功能强大的库。它提供了广泛的算法和工具，使得机器学习变得简单而高效。

数据小爬虫·2024-02-19 18:11

见世面的成本有多低？这几个技术公众号告诉你答案

大数据分析挖掘和Python机器学习商业智能BI、数据分析、数据挖掘、大数据、Python、机器学习、深度学习、算法等技术分享

傅一平·2024-02-19 16:19

如何安装Pytorch,CPU版本和GPU版本的安装流程。

1.PyTorch简介：PyTorch是一个开源的Python机器学习框架，专注于深度学习任务。

JayGboy·2024-02-19 10:30

Python机器学习之交叉验证

交叉验证是一种非常常用的对于模型泛化能力进行评估方法，交叉验证既可以解决数据集的数据量不够大问题，也可以解决参数调优的问题。常用的交叉验证方法有：简单交叉验证（HoldOut检验，例如train_test_split）、k折交叉验证（例如KFold）、自助法kfold是将数据集划分为K-折，只是划分数据集；cross_val_score是根据模型进行计算，计算交叉验证的结果，你可以简单认为就是cr

一只怂货小脑斧·2024-02-13 09:32

浏览器F12调试

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录

知行合一。。。·2024-02-09 01:11

[培训-Python机器学习]04-Git的使用和规范

参考书Python机器学习实战作者裔隽张怿檬张目清出版社科学技术文献出版社难度入门安排计划：本章30分钟；作业：上网查阅Linus开发Git的背景；分析所在的开发团队所用的协作开发流程是什么？

乱码奇糟·2024-02-08 13:05

[培训-Python机器学习]02-使用conda管理环境和包

参考书Python机器学习实战作者裔隽张怿檬张目清出版社科学技术文献出版社难度入门安排计划：本章30分钟；作业：培训后实践本章的各种操作；结果：以Python3.10创建开发虚拟环境；再创建一个Python3.7

乱码奇糟·2024-02-08 13:34

《Git 简易速速上手小册》第10章：未来趋势与扩展阅读（2024 最新版）

Git10.1.3拓展案例1：Git在大型开源项目中的角色10.1.4拓展案例2：支持开源项目的Git托管平台10.2新兴技术与Git的整合10.2.1基础知识讲解10.2.2重点案例：使用Git管理Python

江帅帅·2024-02-08 07:20

Sklearn库知识学习-学习笔记

机器学习"课程内容导学2.Sklearn库的安装3.Sklearn库标准数据集及基本功能Python机器学习应用-北京理工大学-礼欣、嵩天1."

努力奋斗的durian·2024-02-07 08:22

ui转py

pyqt系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录

CN-JackZhang·2024-02-07 05:05

基于Python机器学习算法农业数据可视化分析预测系统（完整系统源码+数据库+详细文档+论文+部署教程）

文章目录基于Python机器学习算法农业数据可视化分析预测系统完整源码获取方式在文章末尾一、项目简介二、开发环境三、项目技术四、功能结构五、功能实现模型构建封装类用于网格调参训练模型系统可视化数据请求接口模型评分

谁不学习揍谁！·2024-02-06 12:31

Python机器学习模型库之hummingbird使用详解

概要随着人工智能和机器学习的快速发展，将训练好的模型部署到生产环境中成为了一个重要的任务。而边缘计算设备，如智能手机、嵌入式系统和物联网设备，也需要能够运行机器学习模型以进行实时推理。PythonHummingbird是一个强大的工具，可以轻松地将机器学习模型部署到边缘设备。本文将详细介绍PythonHummingbird的使用方法，并提供丰富的示例代码。什么是PythonHummingbird？

Rocky006·2024-02-03 13:15

Windows Server 2019 Web服务器搭建

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录

可惜已不在·2024-02-02 19:49

Python机器学习：一文讲透机器学习中的验证集法

验证集法又被称为“留出法”，基本思路是将样本数据集划分为两个互斥的集合：训练集和测试集。其中训练集占比一般为2/3~4/5，常用70%；测试集占比一般为1/5~1/3，常用30%。训练集用来构建机器学习模型；测试集也被称为“验证集”“保留集”，用来进行样本外预测，并计算测试集误差，估计模型预测能力。验证集法的优点在于简单方便，但是也有自身劣势。一方面，验证集法的稳定性不足。验证集法的结果与随机分组

数据科学作家·2024-02-02 06:00

一、容器化技术-docker初识

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用目录前言一、docker是什么？

天灾领主加尔鲁什·2024-02-01 12:25

python机器学习——简单神经网络算法回归分析

利用python实现简单的神经网络算法回归分析2023年亚太杯数学建模C题可以使用这个代码进行分析importpandasaspdimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScalerfromtensorflow.keras.model

EchoToMe·2024-02-01 02:32

【无标题】

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一

MarkHD·2024-01-31 18:03

一文讲透Python机器学习特征选择角度的卡方检验

机器学习特征选择角度的卡方检验是计算特征变量与响应变量之间的χ2统计量。χ2统计量越大，则特征变量与响应变量之间独立的概率就越小，相关性就越大。因此，χ2统计量大的特征变量将会被优先选择用于预测。在使用卡方检验时，会返回F值和p值两个统计量。其中特征变量的F值越大，越倾向于选择该特征变量；而p值则是与F值相对应的统计量，特征变量的P值越小，则越倾向于选择该特征变量。P值的参照标准一般为0.05。卡

数据科学作家·2024-01-31 18:52

Python机器学习--简单清晰的说说K近邻算法的基本原理

K近邻算法的基本原理：首先通过所有的特征变量构筑起一个特征空间，特征空间的维数就是特征变量的个数，然后针对某个测试样本，按照参数K在特征空间内寻找与它最为近邻的K个训练样本观测值，最后依据这K个训练样本的响应变量值或实际分类情况获得该样本响应变量拟合值或预测分类情况。针对分类问题，按照“多数票规则”来确定，也就是说，K个训练样本中包含样本数最多的那一类是什么，测试样本的分类就是什么；针对回归问题，

数据科学作家·2024-01-31 18:21

Jittor 深度学习框架入门（pytorch转换）、对比

1.PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

竹篓有个天·2024-01-30 23:57

政安晨的机器学习笔记——实例讲解深度学习工具PyTorch在Ubuntu系统上的安装入门（基于Miniconda）（非常详细）

PyTorch是一个开源的Python机器学习库，于2016年由Facebook的人工智能研究团队推出，有助于构建深度学习项目。

政安晨·2024-01-30 11:43

实战案例：使用 Python 机器学习预测外卖送餐时间

今天我就给大家来介绍一下，基于Python机器学习预测外卖送餐时间。

Python数据挖掘·2024-01-29 20:10

数据分析

本教程或许能帮你成功上手，从0到1掌握Python机器学习，至于后面再从1到100变成机器学习专家，就要看你自己的努力了。

Stella__Lee·2024-01-28 04:47

python机器学习实战|机器学习入门笔记3-Pandas基础知识

文章目录1.Pandas介绍2.案例知识点2.1创建DataFrame2.2创建日期3.DataFrame介绍3.1DataFrame属性3.2DataFrame设置索引3.3基本数据操作3.4DataFrame运算1.Pandas介绍开源的数据挖掘库，用于数据探索，封装了matplotlib，numpy2.案例知识点2.1创建DataFramepd.DataFrame(ndarray,index

小赵同学871·2024-01-27 11:40

Python机器学习入门必学必会：机器学习与Python基础

1.机器学习常见的基础概念根据输入数据是否具有“响应变量”信息，机器学习被分为“监督式学习”和“非监督式学习”。“监督式学习”即输入数据中即有X变量，也有y变量，特色在于使用“特征（X变量）”来预测“响应变量（y变量）”。“非监督式学习”即算法在训练模型时期不对结果进行标记，而是直接在数据点之间找有意义的关系，或者说输入数据中仅有X变量而没有y变量，特色在于针对X变量进行降维或者聚类，以挖掘特征变

数据科学作家·2024-01-24 19:05

python机器学习算法进阶视频教程 24课适合进阶学习高清课件代码全

课程介绍：机器学习是人工智能的一个分支。我们使用计算机设计一个条统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该条统可以在性能上不新学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。授课时长：48小时授课环境：Python3配套资料：高清视频、课件讲义、源码课程目录：01.第一课：机器学习与数学分析02.第二课：概率论与贝叶斯先验03.第三课：矩阵和线性代数

花心五花肉·2024-01-24 02:45

spdlog库学习（五）：其他小功能

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录周期刷新周期性执行的实现

树不懒·2024-01-21 00:37

【Python机器学习】多分类问题的不确定度

decision_function和predict_proba也适用于多分类问题。还是以鸢尾花数据集为例：fromsklearn.ensembleimportGradientBoostingClassifierfromsklearn.datasetsimportmake_circles,load_irisimportnumpyasnpfromsklearn.model_selectionimpor

zhangbin_237·2024-01-19 21:44

【Python机器学习】无监督学习（理论知识）

无监督学习包括没有已知输出、没有“老师指导”学习算法的各种机器学习。在无监督学习中，学习算法只有输入数据，并需要从这些数据中提取知识。数据集的无监督变换是创建数据新的表示的算法，与数据的原始表示相比，新的表示可能更容易被人或其他机器学习算法所理解。无监督变换的一个常见应用是降维，它接受包括许多特征的数据的高维表示，并找到表示该数据的一种新方法，用较少的特征就可以概括其重要特征。降维的一个常见应用是