数据分析:Prophet 因素分解工具实践

数据分析:Prophet 因素分解工具实践

介绍 时间序列分析实验中,我们学习了使用 ARMA 和 ARIMA 对平稳和非平稳时间序列建模方法,对时间序列分析流程中涉及到的平稳检验和纯随机性检验进行了......

数据分析:时间序列数据建模分析

数据分析:时间序列数据建模分析

介绍 前面,我们已经学习了使用 Pandas 进行时间序列处理的一些方法和技巧。这篇文章中,将带大家学习时间序列数据分析的相关模型,并使用一些知名的工......

数据分析:时间序列数据分析处理

数据分析:时间序列数据分析处理

介绍 时间序列是数据分析中经常会遇到的数据类型。了解并掌握相关特征及处理方法,能够帮助我们应对时间序列分析任务。这篇文章中,我们重点学......

数据分析:Apriori 关联规则学习方法

数据分析:Apriori 关联规则学习方法

介绍 关联规则学习是一种在大型数据库中发现变量之间的有趣关系的方法。它的目的是利用一些有趣的量度来识别数据库中发现的强规则。关联规......

数据分析:数据预处理之数据规约

数据分析:数据预处理之数据规约

介绍 这篇文章中,我们将了解数据预处理中的第四项流程:数据规约。数据规约的思想很简单,那就是尝试通过对数据「压缩」来得到比利用全部数据解......

数据分析:数据预处理之数据转换

数据分析:数据预处理之数据转换

介绍 数据转换同样是数据预处理过程中经常会需要遇到的情况。这里的转换往往不仅是数据格式或类型的转换,更多的是通过一些统计学方法对数据......

数据分析:数据预处理之数据集成

数据分析:数据预处理之数据集成

介绍 对数据进行清洗之后,可能会需要对多个数据集进行关联、映射、合并等操作,这也就是数据集成所涉及到的内容。 本篇文章需 特别授权许可,内容......

深度学习:自动编码器原理及构建

深度学习:自动编码器原理及构建

介绍 前面我们学习了 GAN 生成对抗网络。你应该可以发现,如果我们按照监督学习和非监督学习进行分类,GAN 明显是一种非监督学习神经网络,因为我们无......

数据分析:数据预处理之数据清洗

数据分析:数据预处理之数据清洗

介绍 这篇文章,我们将学习数据预处理的第一步数据清洗,数据清洗指删除、更正数据库中错误、不完整、格式有误或多余的数据。数据清理不仅能够......

深度学习:感知机和人工神经网络

深度学习:感知机和人工神经网络

介绍 人工神经网络是一种发展时间较早且十分常用的机器学习算法。因其模仿人类神经元工作的特点,在监督学习和非监督学习领域都给予了人工神......

数据分析:数据可视化及初步探索

数据分析:数据可视化及初步探索

介绍 数据可视化是数据分析过程中必不可少的手段,它几乎贯穿于整个数据分析全程。这篇文章将介绍数据可视化中静态图形的绘制,并学习 Python 中两个......

数据分析:常见数据文件存储和读取

数据分析:常见数据文件存储和读取

介绍 数据分析虽然强调的是分析过程和结果,但是「数据」却是必不可少的基础。没有数据,何谈数据分析?同时,数据分析师手中的数据也并不是凭空出......

深度学习:神经机器翻译和对话系统

深度学习:神经机器翻译和对话系统

介绍 前面讲解了循环神经网络,并介绍其在自然语言处理中的一些应用,这篇文章将会讲解一种循环神经网络的变体,即序列到序列模型,该模型在自然语......

深度学习:自然语言处理框架拓展

深度学习:自然语言处理框架拓展

介绍 前面我们介绍了循环神经网络,并利用深度学习框架完成文本分类任务。实际上,深度学习框架在自然语言处理方面并没有计算机视觉那么擅长。......

深度学习:文本分类原理与实践

深度学习:文本分类原理与实践

介绍 自然语言处理(英语:Natural Language Processing,缩写作 NLP)是人工智能和语言学领域的分支学科,此主要在于探讨如何处理及运用自然语言。自然语言处理包括多方面和......

深度学习:循环神经网络构建

深度学习:循环神经网络构建

介绍 前面的实验中,我们了解并学习了循环神经网络(Recurrent Neural Networks,简称 RNN)。循环神经网络被广泛运用在自然语言处理,语音识别等领域,其具备的「记忆」能力......

深度学习:循环神经网络原理

深度学习:循环神经网络原理

介绍 本节实验我们进入循环神经网络(Recurrent Neural Networks,简称 RNN)的学习。循环神经网络在自然语言处理,语音识别等领域取得了重大成功并且得到广泛运用,它在序......

深度学习:目标检测原理与实践

深度学习:目标检测原理与实践

介绍 除了图像分类、图像生成、图像去噪,目标检测也是计算机视觉领域非常常见的一类问题,其在人脸检测,行人检测,图像检索和视频监控等方面有广......

深度学习:生成对抗网络原理及构建

深度学习:生成对抗网络原理及构建

介绍 本节实验我们将正式进入生成对抗网络(Generative Adversarial Nets,简称:GAN)的学习。Facebook AI 主要负责人 Yann LeCun 曾明确表示,生成对抗网络是近 10 年来机器学习领域最有趣的......

深度学习:图像分类原理与实践

深度学习:图像分类原理与实践

介绍 这篇文章,我们将关注于机器学习工程应用上的图像分类问题。之前的实验中,我们实际上已经学会了使用简单的卷积神经网络来完成图像分类。......

深度学习:卷积神经网络构建

深度学习:卷积神经网络构建

介绍 前面,我们已经学习了卷积神经网络的原理,尤其对卷积层和池化层等关键组件进行了详细说明。这篇文章会关注于如何利用深度学习框架构建卷......

深度学习:卷积神经网络原理

深度学习:卷积神经网络原理

介绍 深度学习在计算机视觉等领域有广泛的应用,其中最核心的模型来源于卷积神经网络的突破性发展。这篇文章中,我们将了解并学习深度学习里的......

深度学习:PyTorch 构建神经网络

深度学习:PyTorch 构建神经网络

介绍 如今,我们已经了解了 PyTorch 中张量及其运算,但这远远不够。这篇文章将学会如何使用 PyTorch 方便地构建神经网络模型,以及 PyTorch 训练神经网络的步骤及方法......

深度学习:PyTorch 基础概念语法

深度学习:PyTorch 基础概念语法

介绍 PyTorch 是由 Facebook 主导开发的深度学习框架,因其高效的计算过程以及良好的易用性被诸多大公司和科研人员所喜爱。18 年 5 月,PyTorch 正式宣布集成 Caffe2 和 ONNX 的......

深度学习:TensorFlow 高阶 API 使用

深度学习:TensorFlow 高阶 API 使用

介绍 TensorFlow 作为深度学习框架,当然是为了帮助我们更便捷地构建神经网络。所以,这篇文章将会了解如何使用 TensorFlow 来构建神经网络,并学会 TensorFlow 构建神经网络的......

深度学习:TensorFlow 构建神经网络

深度学习:TensorFlow 构建神经网络

介绍 TensorFlow 作为深度学习框架,当然是为了帮助我们更便捷地构建神经网络。所以,这篇文章将会了解如何使用 TensorFlow 来构建神经网络,并学会 TensorFlow 构建神经网络的......

深度学习:TensorFlow 基础概念语法

深度学习:TensorFlow 基础概念语法

介绍 这篇文章开始,我们将正式进入到深度学习的内容。深度学习的关键,其实在于深度神经网络的构建,而如果你从 0 开始自己编程构建一个深度神经......

机器学习:模型推理与部署

机器学习:模型推理与部署

介绍 机器学习工程会利用本地训练的模型进行推理,并在有必要的时候将其部署到云端。这篇文章将学会如何对 scikit-learn 构建的模型进行保存,部署和推理。......

机器学习:模型动态增量训练

机器学习:模型动态增量训练

介绍 通过前面的内容,相信你已经对于使用 scikit-learn 保存、部署模型非常熟悉。本次挑战中,你会了解到什么是增量训练,以及动态增量模型的部署及调用。 本......

机器学习:自动化机器学习实践应用

机器学习:自动化机器学习实践应用

介绍 auto-sklearn 是基于 scikit-learn 开发的自动化机器学习框架。它延续了 scikit-learn 的易用性,并进一步引入自动化机器学习的方法来方便非专业开发者建立预测模型。这篇文......

机器学习:自动化机器学习综述

机器学习:自动化机器学习综述

介绍 自动化机器学习(Automated machine learning,简称:AutoML)是机器学习近年来发展出来的热门分支,其可以看作为一种基于人工智能的解决方案,以应对不断增长的机器学习应......

机器学习:谱聚类及其他聚类方法应用

机器学习:谱聚类及其他聚类方法应用

介绍 前面的文章中,我们已经学习了最典型的 3 类聚类方法。本周的最后一课将会带大家继续学习几种比较常见的聚类方法以帮助大家更加充分地了......

机器学习:密度聚类方法实现与应用

机器学习:密度聚类方法实现与应用

介绍 掌握划分聚类和层次聚类方法之后,我们还需要了解并学习一类聚类方法,也就是密度聚类方法。密度聚类通过评估样本的紧密程度来划分对应的......

机器学习:主成分分析原理及应用

机器学习:主成分分析原理及应用

介绍 在多元统计分析中,主成分分析(Principal components analysis,PCA)是一种分析、简化数据集的技术。经常用于减少数据集的维数,同时保留数据集中的对方差贡献最大的特......

机器学习:层次聚类方法实现与应用

机器学习:层次聚类方法实现与应用

介绍 前面的文章中,我们学习了划分聚类方法,特别是了解掌握了 K-Means 和 K-Means++ 两种出色的聚类算法。这篇文章将介绍一类完全不同的聚类方法,也就是层次聚......

机器学习:划分聚类方法实现与应用

机器学习:划分聚类方法实现与应用

介绍 前面的内容中,我们熟悉了回归和分类中常见的算法,接下来我们将带领大家学习并掌握无监督学习:聚类。这篇文章,首先讲解聚类中最常用的划分......

机器学习:装袋和提升集成学习方法

机器学习:装袋和提升集成学习方法

介绍 前面的实验都是独立的讲解每一个分类器的分类过程,每一个分类器都有其独有的特点并非常适合某些数据。但在实际中,由于数据的不确定性,单......

机器学习:决策树实现与应用

机器学习:决策树实现与应用

介绍 决策树是机器学习中简单又经典的算法,这篇文章将带领大家学习决策树的原理,通过代码详细了解决策分类的特征选择,通过 Python 实现决策树的算法......

机器学习:支持向量机实现与应用

机器学习:支持向量机实现与应用

介绍 在前面的文章中,我们对线性分布和非线性分布的数据处理方法进行了简单的介绍和实验操作。当前还有一种机器学习方法,它在解决小样本、非......

机器学习:分类模型评价方法

机器学习:分类模型评价方法

介绍 前面的分类文章中,我们使用了准确率这一种方法对模型进行评价。实际上,分类模型的评价方法还有很多,本次试验将会了解其它常用方法以便于......

机器学习:朴素贝叶斯实现及应用

机器学习:朴素贝叶斯实现及应用

介绍 在分类预测中,以概率论作为基础的算法比较少,而朴素贝叶斯就是其中之一。朴素贝叶斯算法实现简单,且预测分类的效率很高,是一种十分常用的......

机器学习:K-近邻算法实现与应用

机器学习:K-近邻算法实现与应用

介绍 在解决分类问题的过程中,K-近邻算法(简称:KNN)是一种简单而且实用的方法。这篇文章将对 K-近邻算法进行详细的介绍,并从距离计算,分类决策等方......

机器学习:逻辑回归实现与应用

机器学习:逻辑回归实现与应用

介绍 逻辑回归(Logistic Regression),又叫逻辑斯蒂回归,是机器学习中一种十分基础的分类方法,由于算法简单而高效,在实际场景中得到了广泛的应用。这篇文章中,我们......

机器学习:回归模型评价与检验

机器学习:回归模型评价与检验

介绍 目前为止,我们已经掌握了回归分析与预测的相关方法,并了解了多种模型评价的标准。不过,对于回归分析的结果,往往还需要经历一个流程,那就是......

机器学习:岭回归和 LASSO 回归实现

机器学习:岭回归和 LASSO 回归实现

介绍 在回归预测中,除了前面所讲到的线性回归和多项式回归,还有很多的回归分析方法。例如,岭回归、LASSO 回归、以及由下一周分类方法变形而来的各......

机器学习:多项式回归实现与应用

机器学习:多项式回归实现与应用

介绍 前面的文章中,相信你已经对线性回归有了充分的了解。掌握一元和多元线性回归之后,我们就能针对一些有线性分布趋势的数据进行回归预测。......

机器学习:线性回归实现与应用

机器学习:线性回归实现与应用

介绍 线性回归是一种较为简单,但十分重要的机器学习方法。掌握线性的原理及求解方法,是深入了解线性回归的基本要求。除此之外,线性回归也是监......

机器学习:综述及示例

机器学习:综述及示例

介绍 机器学习是概率论、统计学、计算理论、最优化方法、以及计算机科学组成的交叉学科,其主要的研究对象是如何从经验中学习并改善具体算法......