欢迎来到天天文库
浏览记录
ID:21810106
大小:1.62 MB
页数:12页
时间:2018-10-24
《100天让你学会机器学习的项目!》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库。
1、100天让你学会机器学习的项目! 机器学习是我们这个时代最具变革性的技术,它具有从太空探索到财务,医学和科学的巨大应用。据估计,未来对机器学习专家的需求将会不断增加,今年估计增长约60%。 最重要的是,该行业在过去几年中经历了巨大的变革。以前,要成为一名机器学习专家,你需要有一个博士学位(或一些高学历),但现在已经不是这样了。由于大型科技公司如Alphabet(谷歌母公司),IBM,微软等公司的参与,现在任何人都可以更轻松地开始机器学习。 这不,YouTube上的大咖SirajRaval就发起了一
2、个挑战赛:#100DaysOfMLCode。 什么是#100DaysOfMLCode? 100天让你学会机器学习的项目! 机器学习是我们这个时代最具变革性的技术,它具有从太空探索到财务,医学和科学的巨大应用。据估计,未来对机器学习专家的需求将会不断增加,今年估计增长约60%。 最重要的是,该行业在过去几年中经历了巨大的变革。以前,要成为一名机器学习专家,你需要有一个博士学位(或一些高学历),但现在已经不是这样了。由于大型科技公司如Alphabet(谷歌母公司),IBM,微软等公司的参与,现在任何
3、人都可以更轻松地开始机器学习。 这不,YouTube上的大咖SirajRaval就发起了一个挑战赛:#100DaysOfMLCode。 什么是#100DaysOfMLCode? 这是向机器学习开发人员(专家或新手)发出的挑战,要求在接下来的100天内每天至少花一小时学习和构建机器学习模型。内容有易到难,由此也可以看得出博主Avik-Jain的用心良苦。 其中一名叫AvikJain的机器学习爱好者,创建了一个100-Days-Of-ML-Code的项目,很快引起了大家的注意,截至今日,该项目已
4、经获得了11570个「star」以及1993个「fork」(GitHub地址:https://github.com/Avik-Jain/100-Days-Of-ML-Code)。 更不可思议的是,他还创建了该项目的中文版 从他的GitHub主页可以看到他共创建了6个项目: 目前作者的100天计划,已经进行到第54天,已有的内容包括: 有监督学习 ●数据预处理 ●简单线性回归 ●多元线性回归 ●逻辑回归 ●k近邻法(k-NN) ●支持向量机(SVM) ●决策树 ●随机森林 无
5、监督学习 ●K-均值聚类 ●层次聚类 这里我们通过介绍第一天的数据预处理来深入了解下这个项目 数据预处理 第一步导入库 importnumpyasnpimportpandasaspd 第2步:导入数据集 dataset=pd.read_csv(‘Data.csv’)X=dataset.iloc[:,:-1].valuesY=dataset.iloc[:,3].values 第3步:处理丢失数据 fromsklearn.preprocessingimportImputerimput
6、er=Imputer(missing_values=“NaN”,strategy=“mean”,axis=0)imputer=imputer.fit(X[:,1:3])X[:,1:3]=imputer.transform(X[:,1:3]) 第4步:解析分类数据 fromsklearn.preprocessingimportLabelEncoder,OneHotEncoderlabelencoder_X=LabelEncoder()X[:,0]=labelencoder_X.fit_transfor
7、m(X[:,0]) 创建虚拟变量 onehotencoder=OneHotEncoder(categorical_features=[0])X=onehotencoder.fit_transform(X).toarray()labelencoder_Y=LabelEncoder()Y=labelencoder_Y.fit_transform(Y) 第5步:拆分数据集为训练集合和测试集合 fromsklearn.cross_validationimporttrain_test_splitX_tra
8、in,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=0.2,random_state=0) 第6步:特征量化 fromsklearn.preprocessingimportStandardScalersc_X=StandardScaler()X_train=sc_X.fit_transform(X_train)X_test=sc_X.fit_transform(X_test)
此文档下载收益归作者所有