只需十四步：從零開(kāi)始掌握python(編輯修改稿)
2025-07-25 03:16 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 建立在幾十年前的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，但是最近的進(jìn)步始于幾年前，并極大地提高了深度神經(jīng)網(wǎng)絡(luò)的認(rèn)知能力，引起了人們的廣泛興趣。如果你對(duì)神經(jīng)網(wǎng)絡(luò)還不熟悉，KDnuggets 有很多文章詳細(xì)介紹了最近深度學(xué)習(xí)大量的創(chuàng)新、成就和贊許。最后一步并不打算把所有類型的深度學(xué)習(xí)評(píng)論一遍，而是在 2 個(gè)先進(jìn)的當(dāng)代 Python 深度學(xué)習(xí)庫(kù)中探究幾個(gè)簡(jiǎn)單的網(wǎng)絡(luò)實(shí)現(xiàn)。對(duì)于有興趣深挖深度學(xué)習(xí)的讀者，我建議從下面這些免費(fèi)的在線書籍開(kāi)始：神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)，作者 Michael Nielsen：鏈接：Theano 是我們講到的第一個(gè) Python 深度學(xué)習(xí)庫(kù)?？纯?Theano 作者怎么說(shuō)：Theano 是一個(gè) Python 庫(kù)，它可以使你有效地定義、優(yōu)化和評(píng)估包含多維數(shù)組的數(shù)學(xué)表達(dá)式。下面關(guān)于運(yùn)用 Theano 學(xué)習(xí)深度學(xué)習(xí)的入門教程有點(diǎn)長(zhǎng)，但是足夠好，描述生動(dòng)，評(píng)價(jià)很高：Theano 深度學(xué)習(xí)教程，作者 Colin Raffel： 鏈接：另一個(gè)我們將測(cè)試驅(qū)動(dòng)的庫(kù)是 Caffe。再一次，讓我們從作者開(kāi)始：Caffe 是一個(gè)深度學(xué)習(xí)框架，由表達(dá)、速度和模塊性建構(gòu)，Bwekeley 視覺(jué)與學(xué)習(xí)中心和社區(qū)工作者共同開(kāi)發(fā)了 Caf fe。這個(gè)教程是本篇文章中最好的一個(gè)。我們已經(jīng)學(xué)習(xí)了上面幾個(gè)有趣的樣例，但沒(méi)有一個(gè)可與下面這個(gè)樣例相競(jìng)爭(zhēng)，其可通過(guò) Caffe 實(shí)現(xiàn)谷歌的 DeepDream。這個(gè)相當(dāng)精彩！掌握教程之后，可以嘗試使你的處理器自如運(yùn)行，就當(dāng)作是娛樂(lè)。通過(guò) Caffe 實(shí)現(xiàn)谷歌 DeepDream：我并沒(méi)有保證說(shuō)這會(huì)很快或容易，但是如果你投入了時(shí)間并完成了上面的 7 個(gè)步驟，你將在理解大量機(jī)器學(xué)習(xí)算法以及通過(guò)流行的庫(kù)（包括一些在目前深度學(xué)習(xí)研究領(lǐng)域最前沿的庫(kù)）在 Python 中實(shí)現(xiàn)算法方面變得很擅長(zhǎng)。進(jìn)階篇?機(jī)器學(xué)習(xí)算法本篇是使用 Python 掌握機(jī)器學(xué)習(xí)的 7 個(gè)步驟系列文章的下篇，如果你已經(jīng)學(xué)習(xí)了該系列的上篇，那么應(yīng)該達(dá)到了令人滿意的學(xué)習(xí)速度和熟練技能；如果沒(méi)有的話，你也許應(yīng)該回顧一下上篇，具體花費(fèi)多少時(shí)間，取決于你當(dāng)前的理解水平。我保證這樣做是值得的。快速回顧之后，本篇文章會(huì)更明確地集中于幾個(gè)機(jī)器學(xué)習(xí)相關(guān)的任務(wù)集上。由于安全地跳過(guò)了一些基礎(chǔ)模塊——Python 基礎(chǔ)、機(jī)器學(xué)習(xí)基礎(chǔ)等等——我們可以直接進(jìn)入到不同的機(jī)器學(xué)習(xí)算法之中。這次我們可以根據(jù)功能更好地分類教程。第1步：機(jī)器學(xué)習(xí)基礎(chǔ)回顧amp。一個(gè)新視角上篇中包括以下幾步：1. Python 基礎(chǔ)技能2. 機(jī)器學(xué)習(xí)基礎(chǔ)技能3. Python 包概述4. 運(yùn)用 Python 開(kāi)始機(jī)器學(xué)習(xí)：介紹amp。模型評(píng)估5. 關(guān)于 Python 的機(jī)器學(xué)習(xí)主題：k均值聚類、決策樹(shù)、線性回歸amp。邏輯回歸6. 關(guān)于 Python 的高階機(jī)器學(xué)習(xí)主題：支持向量機(jī)、隨機(jī)森林、PCA 降維7. Python 中的深度學(xué)習(xí)如上所述，如果你正準(zhǔn)備從頭開(kāi)始，我建議你按順序讀完上篇。我也會(huì)列出所有適合新手的入門材料，安裝說(shuō)明包含在上篇文章中。然而，如果你已經(jīng)讀過(guò)，我會(huì)從下面最基礎(chǔ)的開(kāi)始：機(jī)器學(xué)習(xí)關(guān)鍵術(shù)語(yǔ)解釋，作者 Matthew Mayo。地址：維基百科條目：統(tǒng)計(jì)學(xué)分類。地址：機(jī)器學(xué)習(xí)：一個(gè)完整而詳細(xì)的概述，作者 Alex Castrounis。地址：如果你正在尋找學(xué)習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)的替代或補(bǔ)充性方法，恰好我可以把正在看的 Shai BenDavid 的視頻講座和 Shai ShalevShwartz 的教科書推薦給你：Shai BenDavid 的機(jī)器學(xué)習(xí)介紹視頻講座，滑鐵盧大學(xué)。地址：理解機(jī)器學(xué)習(xí)：從理論到算法，作者 Shai BenDavid amp。 Shai ShalevShwartz。地址：記住，這些介紹性資料并不需要全部看完才能開(kāi)始我寫的系列文章。視頻講座、教科書及其他資源可在以下情況查閱：當(dāng)使用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)模型時(shí)或者當(dāng)合適的概念被實(shí)際應(yīng)用在后續(xù)步驟之中時(shí)。具體情況自己判斷。第2步：更多的分類我們從新材料開(kāi)始，首先鞏固一下我們的分類技術(shù)并引入一些額外的算法。雖然本篇文章的第一部分涵蓋決策樹(shù)、支持向量機(jī)、邏輯回歸以及合成分類隨機(jī)森林，我們還是會(huì)添加 k最近鄰、樸素貝葉斯分類器和多層感知器。?Scikitlearn 分類器 k最近鄰（kNN）是一個(gè)簡(jiǎn)單分類器和懶惰學(xué)習(xí)者的示例，其中所有計(jì)算都發(fā)生在分類時(shí)間上（而不是提前在訓(xùn)練步驟期間發(fā)生）。kNN 是非參數(shù)的，通過(guò)比較數(shù)據(jù)實(shí)例和 k 最近實(shí)例來(lái)決定如何分類。使用 Python 進(jìn)行 k最近鄰分類。地址：樸素貝葉斯是基于貝葉斯定理的分類器。它假定特征之間存在獨(dú)立性，并且一個(gè)類中任何特定特征的存在與任何其它特征在同一類中的存在無(wú)關(guān)。使用 Scikitlearn 進(jìn)行文檔分類，作者 Zac
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1