Main Navigation推荐系统 d2l Linux ML Tips

Appearance

Sidebar Navigation

机器学习概述

人工智能概述

人工智能发展历程

人工智能主要分支

机器学习工作流程

机器学习算法分类

模型评估

Azure机器学习模型搭建实验

深度学习简介

基础环境

常见库的安装

Jupyter Notebook使用

Matplotlib

Matplotlib之HelloWorld

基础绘图功能 — 以折线图为例

常见图形绘制

参考

Numpy

Numpy优势

N维数组-ndarray

基本操作

ndarray运算

数组间运算

向量与矩阵

Pandas

Pandas介绍

Pandas数据结构

基本数据操作

DataFrame运算

Pandas画图

文件读取与存储

高级处理-缺失值处理

高级处理-数据离散化

高级处理-合并

高级处理-交叉表与透视表

高级处理-分组与聚合

案例

K-近邻算法

K-近邻算法简介

k近邻算法api初步使用

距离度量

k值的选择

kd树

案例：鸢尾花种类预测--数据集介绍

特征工程-特征预处理

案例：鸢尾花种类预测—流程实现

交叉验证和网格搜索

案例2：预测facebook签到位置

算法总结

线性回归

线性回归简介

线性回归api初步使用

数学:求导

线性回归的损失和优化

梯度下降法介绍

线性回归api再介绍

案例：波士顿房价预测

欠拟合和过拟合

正则化线性模型

线性回归的改进-岭回归

模型的保存和加载

逻辑回归

逻辑回归介绍

逻辑回归api介绍

案例：癌症分类预测-良／恶性乳腺癌肿瘤预测

分类评估方法

ROC曲线的绘制

决策树算法

决策树算法简介

决策树分类原理

cart剪枝

特征工程-特征提取

决策树算法api

案例：泰坦尼克号乘客生存预测

集成学习

集成学习算法简介

Bagging

Boosting

聚类算法

聚类算法简介

聚类算法api初步使用

聚类算法实现流程

模型评估

算法优化

特征降维

案例：探究用户对物品类别的喜好细分降维

算法选择指导

On this page

Table of Contents for current page

参考

https://matplotlib.org/stable/
https://github.com/PacktPublishing/Matplotlib-3.0-Cookbook
https://seaborn.pydata.org/

Last updated:

Previous page常见图形绘制

Next pageNumpy优势

参考 ​

参考