作者｜Stefan Kojouharov

編譯 | 聶震坤

隨著各種的問題提及的越來越頻繁，筆者決定整理并分享有關(guān)機器學(xué)習(xí)、深度學(xué)習(xí)、人工智能、神經(jīng)網(wǎng)絡(luò)與大數(shù)據(jù)的技術(shù)合輯。為了內(nèi)容更加生動易懂，針對各個大類展開詳細解析。

機器學(xué)習(xí)

（點擊查看大圖）

機器學(xué)習(xí)： Scikit-learn 算法

此部分內(nèi)容有助于解決機器學(xué)習(xí)中最難的部分，即找到正確的估計器（Estimator）。下圖有助于快速查找文檔與簡介，更快了解問題并找到相應(yīng)的解決方法。

（點擊查看大圖）

Scikit-Learn

Scikit-learn是 Python 的一個用于機器學(xué)習(xí)的免費庫。旨在與 Python 數(shù)字庫 NumPy 和科學(xué)庫 SciPy 進行交互。庫中包含大量的分類，回歸與聚類算法，支持向量機、隨機森林、梯度提升、K均值與DBSCAN。

機器學(xué)習(xí)：算法

此部分旨在介紹如何根據(jù)預(yù)測分析方案來選擇合適的機器學(xué)習(xí)算法。下圖可以根據(jù)數(shù)據(jù)性質(zhì)提出最佳算法。

Keras

2017 年，谷歌在 TensorFlow 的核心庫中加入了對 Keras 的支持。相較于端到端的機器學(xué)習(xí)框架，Keras 更適合作為接口來使用。它提供了更高級別、更直觀的抽象集合，無論后端科學(xué)計算庫如何，都可以輕松配置神經(jīng)網(wǎng)絡(luò)。

（點擊查看大圖）

Numpy

NumPy 是針對 Python 的 CPython 參考實現(xiàn)，是一個非優(yōu)化的字節(jié)碼解釋器。Numpy 使用多維數(shù)組和函數(shù)與運算符來改寫部分代碼來提高運行效率，解決目前版本的Python編寫數(shù)學(xué)算法的運行速度相對較慢的問題。

（點擊查看大圖）

Pandas

名稱 “Pandas” 源于“面板數(shù)據(jù)”（Panel Data）一詞，是多維結(jié)構(gòu)化數(shù)據(jù)集的計量經(jīng)濟學(xué)術(shù)語。

SciPy 是基于 NumPy 數(shù)組對象進行構(gòu)建，為 NumPy 堆棧的一部分。包括 Matplotlib，pandas 和 SymPy 等工具以及擴展的科學(xué)計算庫集。該 NumPy 堆棧與其他應(yīng)用程序（如MATLAB，GNU Octave 和 Scilab）具有類似的使用者。

（點擊查看大圖）

Matplotlib

Matplotlib 是 Python 編程語言及其數(shù)學(xué)擴展 NumPy 的繪圖庫。它提供了面向?qū)ο蟮腁PI，用于使用 Tkinter，wxPython，Qt 或 GTK +等通用 GUI 工具包將圖形嵌入到應(yīng)用程序中。還有一個基于狀態(tài)機的程序 “pylab” 接口。接口類似 MATLAB，但不鼓勵使用。

Pyplot 是一個 matplotlib 模塊，提供了一個類似 MATLAB 的界面。Pyplot 擁有跟MATLAB 一樣易上手、兼容 Pyhton 且免費的優(yōu)點。

PySpark

大數(shù)據(jù)周刊

郵箱:tougao@bigdatamag.cn

眾論大數(shù)據(jù) 引領(lǐng)大時代