AI 实战 - practicalAI 中文版
让你可以使用机器学习从数据中得到有价值见解。
-
用 PyTorch 实现基本的机器学习算法和深层神经网络。
-
无需任何设置，即可使用 Google Colab 在浏览器上运行。
-
学习面向对象的机器学习来编写产品代码，而不仅仅是教程。
Notebooks
| 基础 | 深度学习 | 进阶 | 主题 |
|---|---|---|---|
| Notebooks | PyTorch | 高级循环神经网络 Advanced RNNs | 计算机视觉 Computer Vision |
| Python | 多层感知 Multilayer Perceptrons | Highway and Residual Networks | 时间序列分析 Time Series Analysis |
| NumPy | 数据和模型 Data & Models | 自编码器 Autoencoders | Topic Modeling |
| Pandas | 面向对象的机器学习 Object-Oriented ML | 生成对抗网络 Generative Adversarial Networks | 推荐系统 Recommendation Systems |
| 线性回归 Linear Regression | 卷积神经网络 Convolutional Neural Networks | 空间变换模型 Spatial Transformer Networks | 预训练语言模型 Pretrained Language Modeling |
| 逻辑回归 Logistic Regression | 嵌入层 Embeddings | 多任务学习 Multitask Learning | |
| 随机森林 Random Forests | 递归神经网络 Recurrent Neural Networks | Low Shot Learning | |
| k-均值聚类 KMeans Clustering | 强化学习 Reinforcement Learning |
运行 notebooks
-
在本项目的
notebooks文件夹，进入 notebooks； -
你可以在 Google Colab （建议的）或本地机器运行这些 notebook；
-
点击一项 notebook，把 notebook 的 URL 替换
https://github.com/成https://colab.research.google.com/github/，或者使用该 Chrome扩展，一键完成操作； -
登入你的 Google 账号；
-
点击工具栏上的
复制到云端硬盘按钮，之后会在一个新标签页打开 notebook； -
删去标题的
副本部分，来重命名该 notebook； -
你可以运行代码、做修改等。这将自动存储在你的私人谷歌云盘。
-
AI 实战 — practicalAI 中文版 简介： 让你可以使用机器学习从数据中得到有价值见解。用 PyTorch 实现基本的机器学习算法和深层神经网络。无需任何设置，即可使用 Google Colab 在浏览器上运行。学习面向对象的机器学习来编写产品代码，而不仅仅是教程。 之前在网上找这个，大部分都要钱，但看了看自己的口袋，，，，，后来我在网上找到了资源，我决定分享给大家，不要钱，帮助那些想
-
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
-
欢迎阅读 Python 机器学习系列教程的回归部分。这里，你应该已经安装了 Scikit-Learn。如果没有，安装它，以及 Pandas 和 Matplotlib。
-
Python 有着海量的可用于数据分析、统计以及机器学习的库，这使得 Python 成为很多数据科学家所选择的语言。 下面我们列出了一些被广泛使用的机器学习及其他数据科学应用的 Python 包。 Scipy 技术栈 Scipy 技术栈由一大批在数据科学中被广泛使用的核心辅助包构成，可用于统计分析与数据可视化。由于其丰富的功能和简单易用的特性，这一技术栈已经被视作实现大多数数据科学应用的必备品了。
-
主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 致谢 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes等其他资
-
机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等。 机器学习算法 _图片来自scikit-learn_。 机器学习全景图 _图片来自http://www.shivonzilis.com/_。
-
机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等。
-
“三个臭皮匠顶个诸葛亮”。集成学习就是利用了这样的思想，通过把多分类器组合在一起的方式，构建出一个强分类器；这些被组合的分类器被称为基分类器。事实上，随机森林就属于集成学习的范畴。通常，集成学习具有更强的泛化能力，大量弱分类器的存在降低了分类错误率，也对于数据的噪声有很好的包容性。
-
主要内容：机器学习,深度学习,机器学习与深度学习的区别,机器学习和深度学习的应用人工智能是近几年来最流行的趋势之一。机器学习和深度学习构成了人工智能。下面显示的维恩图解释了机器学习和深度学习的关系 - 机器学习 机器学习是让计算机按照设计和编程的算法行事的科学艺术。许多研究人员认为机器学习是实现人类AI的最佳方式。机器学习包括以下类型的模式 - 监督学习模式 无监督学习模式 深度学习 深度学习是机器学习的一个子领域，其中有关算法的灵感来自大脑的结构和功能，称为人工神经网络。