在Python开发领域流传着这样一句话：人生苦短，我用Python，这句话出自Bruce Eckel，原文是：Life is short，you need Python。使用过Python语言的程序员，或者从别的语言转换到Python开发的程序员或许对这句

Apache Spark是行业中流行和广泛使用的大数据工具之一。Apache Spark已成为业界的热门话题，并且如今非常流行。但工业正在转移朝向apache flink。Apache Spark是为快速计算而设计的开源，闪电般快速的集群计算框架。Apac

而PCA则是特征降维中除了特征选择的另一种降维方法，中文名为主成分分析技术，他的作用是尽可能降低原数据的维数，简化数据。

　　特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。　　PCA是一种数学降维方法，利用正交变换把一系列可能线性相关的变量转换为一组线性不相关的

训练数据有目标向量（标签）。聚类、密度估计、可视化。回归、分类、聚类、神经网络等

《21 个项目玩转深度学习——基于TensorFlow 的实践详解》以实践为导向，深入介绍了深度学习技术和TensorFlow 框架编程内容。本书代码基于TensorFlow 1.4 及以上版本，并介绍了TensorFlow 中的一些新特性。本书适合有一定

线性回归处理的是回归问题，逻辑回归处理的是分类问题；两者的损失函数不同，线性回归是均方误差，逻辑回归是对数似然损失；

逻辑回归就是一个分类的算法，常见用在二分类当中，就是把我们的输入值在线性回归中转化为预测值，然后映射到Sigmoid 函数中，讲值作为x轴的变量，y轴作为一个概率，预测值对应的Y值越接近于1说明完全符合预测结果。

可以处理回归问题：例如房价预测，温度预测等。线性回归模型通过面积预测租房价格

Word2Vec是词的一种表示，将词以固定的维数的向量表示出来。其优点：基于词袋模型的独热编码方式在判定同义词和相似句子的时候效果不是很好，而Word2Vec充分利用上下文信息，对上下文进行训练，每个向量不在是只有一个位置为1，其余位置为0 的稀疏向量。实

机器学习分为四大块，分别是classification (分类)，regression (回归),clustering (聚类),dimensionality reduction (降维)。聚类的结果将产生一组集合，集合中的对象与同集合中的对象彼此相似，与

这些结果是对《财富》500强公司的调查统计得出的。研究发现，29%的开发者近年来从事过人工智能和机器学习方面的工作。这些发现来自Forrester的一项研究。有关公司所在IT部门中的54%的决策都是由人工智能处理的，并且产生了预期的良好效果。实现特定过程的

param_grid=[{‘kernel‘=[‘rbf‘],‘c‘=c_range,‘gamma‘=gamma_range}]#暴力求解c,与gamma的值

可以是不同算法的集成。可以是数据集不同部分分配给不同分类器之后的集成。使用 S 个 CART 决策树作为弱学习器。假设样本特征数为 a，则每次生成 CART 树都是随机选择 a 中的 k 个特征。与 bagging 类似，不同的是 bagging 的各个分

既然今天闲来无事，索性就来写写半年来的学习总结吧，顺便也写写所遇到的一些悲惨经历，真的是一把型辛酸泪。　　2019年7月20日到了新学校，开始了硕士阶段，越做课题，感觉就越悲惨，每当别人问我的研究方向时，心里总是一阵模型的低落，这点需要自己去调整。这一阶段

在机器学习开发领域，如果我们纵观全局，撇除所有微小的细节，那么就可以提炼出机器学习开发中的两大不变步骤：模型训练和预测（或推断）。如今，机器学习的首选语言是Python，而这篇文章会带你走过一段新的旅程。对于像 Python 这样的动态编程语言，这是一个理

至此，我们已明确了问题，并对数据进行了预处理。现在我们选择并训练一个机器学习模型。这样就已完成了一个线性回归模型的训练，非常简单。我们从训练集里抓几条数据验证一下：。从均方误差的大小来看，这并不是一个很好的结果，说明模型存在欠拟合。可以看到此模型做出预测后

　　| 　　　　　　　　　　　　　　　　　　　 ====》 policy evaluation使用采样求均值的方法。　　| 　 　　　　　　　　　　　　　　　　　　　　　　　　　|____ OFF-POLICY TD

print#打印Tensorflow安装路径。random1=tf.random_normal#正态分布随机数组。product3=matrix1*matrix2#对应元素相乘，等同于tf.multiply()

入行机器学习有一年多了，做过大大小小的机器学习项目，参加数据竞赛等实践活动，从最初的懵懵懂懂到现在逐步的深入，也渐渐的有了很多的体会和理解，本篇文章主要来阐述机器学习的知识体系，以让更多人明白机器学习应该怎样学习、需要学习什么？这些问题就是本篇文章的主要讨