[PYTHON] Lernressourcen-Lernblock für maschinelles Lernen

ML-Studiennotiz von de amateur. Unregelmäßige Updates.

Python-Ressource für ML

• Awesome Pysci by bafoo
• https://github.com/bakfoo/awesome-pysci
• Eine maschinelle Lernversion dieser fantastischen Python. Mit einer höflichen japanischen Erklärung.

webinar

• Machine Learning by Stanford Univ.
• https://www.coursera.org/learn/machine-learning/
• Berühmter Kerl. Kostenlos, leicht verständlich, mit Japanisch (Untertitel).
• Grundsätzlich nur über Mathematik sprechen. Es ist effektiver, Numpy / Scikit-Learn / Tensorflow usw. zu berühren, nachdem Sie dies gesehen und den mathematischen Teil verstanden haben.
• nimm dir Zeit. Es dauert jeden Tag 1-2 Stunden. Sie müssen den Test ernsthaft machen.
• [Impression Artikel von denen, die fertig sind] Abschluss des Kurses für maschinelles Lernen von Coursera

Buch

• Python Machine Learning Programmiertheorie und -praxis von erfahrenen Datenwissenschaftlern
• https://www.amazon.co.jp/dp/4844380605

Datensatz

• UCI Machine Learning Repository
• http://archive.ics.uci.edu/ml/
• Verschiedene einschließlich Iris
• Kaggle Datasets
• https://www.kaggle.com/datasets
• Mit einem interessanten Datensatz wie der European Soccer Database (https://www.kaggle.com/hugomathien/soccer) sieht es lustig aus.

Webartikel

• Machine Learning in a Week
• https://medium.com/learning-new-stuff/machine-learning-in-a-week-a0da25d59850#.y88amjan7

# 1: Lineare Regression

• scikit-learn video #6: Linear regression (plus pandas & seaborn)

• http://blog.kaggle.com/2015/05/28/scikit-learn-video-6-linear-regression-plus-pandas-seaborn/

• Sie sollten den Blog von kaggle abonnieren. (Http://blog.kaggle.com/)

• A friendly introduction to linear regression (using python)

• http://www.dataschool.io/linear-regression-in-python/

• Übung: Bike Sharing Demand (kaggle)

• https://www.kaggle.com/c/bike-sharing-demand

• Da die Frist geschlossen wurde, bekomme ich keinen formellen Rang, aber er wird bewertet

• Es scheint einfach, aber nicht so

• Wenn Sie den Code einfach schreiben und einreichen, beträgt er ungefähr 3000/3200 (Gesamtzahl der Teilnehmer während der Frist).

• Nach der Gruppierung nach Saison, Feiertag, Arbeitstag, Wetter, Training und Vorhersage der Testdaten anhand der Trainingsergebnisse derselben Gruppe

• Verwenden Sie Temp, Tempo, Windgeschwindigkeit und Luftfeuchtigkeit, um zu lernen

• Erläuterung: https://www.analyticsvidhya.com/blog/2015/06/solution-kaggle-competition-bike-sharing-demand/

• Hinweis

• So wählen Sie die Lernrate: (zu klein: langsame Konvergenz) ..., 0,001, 0,003, 0,01, 0,03, 0,1, 0,3, 1, ... (zu groß: Die Kostenfunktion wird nicht klein oder konvergiert nicht) → Jeweils 3 mal

• Feature Scailing: normalized_value = (original_value --average) / (max --min)

Anwendung

Online-Spiel Cheat-Maßnahmen

• Probabilistic Approaches to Cheating Detection in Online Games
• http://www.hamilton.ie/dwmalone/CIG2010.pdf