在这篇文章中，我们将创建一个由简单的长短期记忆层和二元分类器组成的循环神经网络。该机器学习模型的目的是根据前30天的 close, open, high, low price和volume预测股票在第二天上涨或下跌。我们将其准确性与“基线模型”进行比较，“

介绍深度学习是一个非常时髦的术语。主要原因是，相关技术最近显示出了令人难以置信的能力，能够在从图像识别到文本翻译等各种各样的问题上产生真正好的、甚至是最先进的结果。站在这种不断发展的技术面前，由于可用数据和计算机能力的增加，对于外行来说，有时很难真正了解“

SVM是一种接收输入数据并返回这样一条分界线的算法。请考虑以下示例。假设我们有一个数据集，我们想要对蓝色圆圈中的红色方块进行分类和划分。这项任务的主要目标是找到将两个类分开的“理想”线。找到将数据集划分为蓝色和红色类的完美线或超平面。但是，正如您所看到的，

本文主要介绍典型数据科学管道中所期望的内容。从构建业务问题到创建可执行的见解。解决任何数据科学问题的初始点是首先提出要求数据解决的问题。根据经验，在获取数据时必须进行严格的检查。事实上，您将面临的大多数问题都是工程问题。即使拥有良好的机器学习的所有资源，大

机器学习中的线性回归要求因变量和自变量之间的关系是线性的。如果数据的分布更复杂，如下图所示，该怎么办？线性模型可以用于拟合非线性数据吗？我们如何生成最佳捕获数据的曲线呢？我们将在这篇文章中回答这些问题。目录为什么使用多项式回归过度拟合与欠拟合偏差与差异权衡

线性回归通常是每个数据科学家遇到的第一个机器学习算法。这是一个简单的模型，但每个人都需要掌握它，因为它为其他机器学习算法奠定了基础。它可以通过分析前几个月的销售数据来预测未来几个月的销售情况。什么是线性回归线性回归模型的目标是找到一个或多个特征（自变量）和

如果我们有一个具有多个特征的连续标记数据，我们可以使用多元线性回归来建立机器学习模型。标签是数据的答案，值是连续的。以下面的房价示例，标签是价格，特征是大小，卧室数量，楼层数和房龄。不幸的是，我们不知道真正的机器学习模型是什么。在选择机器学习模型时，一定要

简介强化学习是机器学习的重要组成部分。强化学习类似于学习人类和动物如何了解环境。在强化学习中，机器通过其执行的动作和结果来学习。在强化学习中，学习者是一个在环境中采取行动并因其试图解决问题的行为而获得奖励或惩罚的决策代理。在过去几年中，强化学习获得了很大的

在决定选择哪些特征以使您的机器学习模型免受过度拟合的影响时，您是否感到困惑?有什么方法可以减少特征空间的维度吗?PCA肯定能帮到你。我们将通过一个简单的解释癌症数据集的主成分分析，并看到特征空间维度减少到数据可视化的例子。cancer = load_bre

在机器学习中，朴素贝叶斯分类器是一组简单的“概率分类器”，基于贝叶斯定理，特征之间有很强的独立性假设。在统计学和计算机科学文献中，朴素贝叶斯模型以各种名称而闻名，包括简单贝叶斯和独立贝叶斯。我们知道m1每小时可生产30个扳手，每小时可生产20个扳手。此外，

在统计学中，多项式回归是回归分析的一种形式，其中独立变量x和因变量y之间的关系被建模为x中的n次多项式。虽然多项式回归适合于数据的非线性模型，但作为一个统计估计问题，它是线性的，因为回归函数E在从数据估计的未知参数中是线性的。因此，多项式回归被认为是多元线

书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。最后，想学习Python的小伙伴们！

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。机器学习的起点和终点分别是什么呢？然后，我们会学习一个典型的机器学习项目的工作流程，讨论

是否有可能通过机器学习来预测基于其描述的葡萄酒评级？有些人称这种情绪分析或文本分析。导入依赖# This Python 3 environment comes with many helpful analytics libraries installed.

介绍我猜现在你已经了解了线性回归和逻辑回归算法。如果没有，我建议您在继续支持向量机之前先看看它们。支持向量机是每个机器学习专家都应该拥有的另一个简单算法。支持向量机由于具有较高的精度和较低的计算能力而受到许多人的青睐。支持向量机，简称SVM，可用于回归和分

当我初步开始实施机器学习时，我遇到了一个问题，即在one-hot编码之后，训练和测试集数据中的列数是不相等的，但问题是，在训练数据集上训练我的模型之后，由于列数不同，不能预测测试集。在训练和测试数据中创建一个新列，并分别为其分配1和0。现在对所需列执行所需

拥有不适当参数集的模型没有任何好处，选择正确的参数和设计模型一样重要。美妙之处在于，没有人知道正确的参数，通常我们凭直觉选择参数，如果它没有产生我们认为的效果，我们就使用它们然后选择另一个集合的值，然后重复这个过程。这很困难，也很耗时，GridSearch

在技术行业内，有许多领域。本文的目的是提供对这些领域之一的了解，即机器学习。在本文中，我将提供机器学习的高级解释，以便即使是不熟悉与该领域有关的技术概念的初学者也会对机器学习的内容有所了解，以及对我们的各个方面住。我们将探索常见的机器学习方法和算法。机器学

我们在深入学习项目时面临的一个常见问题是选择学习速率和优化器（超参数）。为了更好地理解优化器和学习速率选择的影响，我训练了相同的模型500次。结果表明，正确的超参数对培训成功至关重要，但难以发现。实验设置我从TensorFlow的教程系列中学习识别MNIS

spaCy是Python中流行且易于使用的自然语言处理库。它提供了当前最先进的准确性和速度级别，并且拥有一个活跃的开源社区。但是，由于SpaCy是一个相对较新的NLP库，并没有像 NLTK那样被广泛采用。还没有足够的教程可用。在这篇文章中，我们将演示如何使