【文件属性】：
文件名称：小型机器学习项目了解核心概念-Python开发
文件大小：734KB
文件格式：ZIP
更新时间：2021-05-25 16:45:49
Python Deep Learning
Python机器学习小型项目了解核心概念（顺序：从最旧到最新）使用具有新闻组20数据集的潜在Dirichlet分配进行主题建模，实施Python机器学习小型项目以了解核心概念（顺序：从最旧到最新）使用带有新闻组20数据集的潜在Dirichlet分配进行主题建模，使用Python和Scikit-Learn实现。在MNIST数据集上实现了使用Keras构建的简单神经网络。使用线性回归在Google上进行了股价预测。网络学习Python实施的Naives Bayes分类器的基础以过滤垃圾邮件
【文件预览】：
Machine-Learning-with-Python-master
----hparams_grid_search_keras_nn.py(3KB)
----sonar_clf_rf.py(7KB)
----interview_prep.md(22KB)
----multiple_regression()
--------utils.py(3KB)
--------__pycache__()
--------model.py(2KB)
--------data.py(5KB)
----Understanding Vanishing Gradient.md(4KB)
----logistic_regression_banking()
--------utils.py(912B)
--------binary_logisitic_regression.py(2KB)
--------banking.csv(4.62MB)
----use_cases_insurnace.md(4KB)
----working_with_data()
--------utils.py(9KB)
--------__pycache__()
--------stocks.txt(344KB)
--------model.py(3KB)
--------comma_delimited_stock_prices.csv(118B)
--------data.py(4KB)
----LDA scikit-learn()
--------__pycache__()
--------displaytopics.py(501B)
--------nmf_lda_scikitlearn.py(403B)
--------preprocess.py(666B)
--------load20newsgroups.py(174B)
----NN_churn_prediction.py(2KB)
----.github()
--------ISSUE_TEMPLATE()
----hypothesis_inference.py(6KB)
----mnist-deep-learning.py(941B)
----LICENSE(1KB)
----natural_language_processing()
--------utils.py(6KB)
--------__pycache__()
--------model.py(2KB)
--------data.py(2KB)
----simple_linear_regression()
--------utils.py(1KB)
--------model.py(1016B)
--------data.py(2KB)
----CONTRIBUTING.md(4KB)
----k_means_clustering()
--------utils.py(5KB)
--------__pycache__()
--------Understanding the algorithm.md(3KB)
--------model.py(1KB)
--------data.py(243B)
----neural_network()
--------utils.py(3KB)
--------__pycache__()
--------model.py(2KB)
--------data.py(713B)
----Anamoly_Detection_notes.md(3KB)
----k_nearest_neighbors()
--------utils.py(3KB)
--------__pycache__()
--------Understanding the algorithm.md(2KB)
--------model.py(1KB)
--------data.py(3KB)
----requirements.txt(720B)
----logistic_regression()
--------utils.py(1KB)
--------__pycache__()
--------model.py(2KB)
--------data.py(4KB)
----.gitignore(1KB)
----network_analysis()
--------utils.py(6KB)
--------__pycache__()
--------model.py(645B)
--------data.py(638B)
----regression_intro.py(3KB)
----CODE_OF_CONDUCT.md(3KB)
----friendster_network.py(6KB)
----Understanding SQL Queries.md(6KB)
----recommender_systems()
--------utils.py(2KB)
--------__pycache__()
--------model.py(2KB)
--------data.py(957B)
----README.md(7KB)
----scripts()
--------install_requirements.sh(45B)
----decision_trees()
--------utils.py(4KB)
--------__pycache__()
--------model.py(1KB)
--------data.py(1KB)
----naive_bayes_classfier()
--------utils.py(2KB)
--------model.py(2KB)
--------naivebayesclassifier.py(749B)
----helpers()
--------machine_learning.py(1KB)
--------linear_algebra.py(3KB)
--------stats.py(6KB)
--------probabilty.py(4KB)
--------gradient_descent.py(5KB)
----telecom_churn_prediction.py(2KB)