这篇文章介绍了5个具有魔力的实用机器学习资源,涵盖了机器学习的基本知识,以及从零开始编码算法和使用特定的深度学习框架。
出于一些理由,许多最优质的机器学习教育资源往往非常注重理论,特别是刚刚开始的时候。然而,似乎从一开始就是一个渐渐趋于实际的趋势,理论与实践不断混合,这篇文章就介绍了这样实用的5个机器学习资源,涵盖了机器学习的基础知识,以及各种框架等。
希望在机器学习方面有所收获的人,你一定要看看!
从Kaggler Kaan Can,这第一个资源作为开始吧。
在本教程中,不打算向各位介绍如何学习机器学习,这里将解释自己如何学习一些东西。
本教程直接切入重点,可以直接使用Python库实现机器学习算法。它还涵盖了一些数据清理和操作,以及在进入建模之前,一些数据库的数据可视化。
这是Sebastian Raschka和Vahid Mirjalili的著作《Python机器学习》(第二版)的代码,但请注意:
这些只是这本书附带的代码示例。如果没有公式和描述性文字,这些笔记本可能没有任何用处。尽管如此,当与本书第一版中的类似材料配对时,这些代码可能是一组有用的资源。
从使用现有的库到实现机器学习模型,这个Github存储库从头开始保存Python实现的大量机器学习算法(因此名称)。虽然不是工业级的,而且缺乏Scikit-learn等优秀库的一致性、优化和便利性,这些实现很容易遵循,当想要实现自己的算法或更好地学习它们的功能,这些材料就是一组很棒的学习材料了。
不得不说,Python确实实现了一些基本的机器学习模型和算法。
这个项目的目的不是要产生尽可能优化和计算效率高的算法,而是要以透明和可访问的方式来展示它们的内部运作。
这是一本关于深度学习的交互式书籍,这本在线书籍做了两件事:它向读者介绍了机器学习的基础知识和深度学习理论,并可以让他们用大量的代码来实现自己的思想。具体而言,本书的代码是用Python编写的,并使用MXNet库及其高级别的Gluon API。
这个repo包含一个增量序列的笔记本,旨在教授深度学习、Apache MXNet(孵化)、 gluon interface。而我们的目标是利用Jupyter笔记本电脑的优势,将散文、图形、方程式和代码一起呈现在一个地方。如果成功了,结果将成为一个资源,可以同时成为一本书、课程材料、现场教程的道具,以及有用的代码资源。
大约一年半以前,fast.ai刚刚推出了实用的深度学习MOOC。 乍一看最明显的变化是,MOOC现在正在使用PyTorch和他们自己的fast.ai高级深度学习框架。
领取专属 10元无门槛券
私享最新 技术干货