Введение в алгоритмы машинного обучения в Python с scikit-learn

Искусственный интеллект. Машинное обучение. Боты. Компьютеры учатся и общаются с нами, чтобы делать нашу жизнь проще. Но с чего начать? Как вы научите машину даже начать понимать что вы говорите или набираете? Существует несколько общих алгоритмов машинного обучения, которые помогут ответить на эти вопросы.

В этом курсе мы узнаем о общих алгоритмах машинного обучения, которые не требуют внедрения нейронной сети. Мы не будем слишком много углублятся в математику, но вместо этого узнаем, для чего подходит каждый алгоритм, и как их обучать. Мы также узнаем о нескольких показателях для оценки моделей.

Мы реализуем их в Python, используя scikit-learn, а также встроенные наборы данных scikit-learn. Основное внимание в этом курсе уделяется внедрению и высокоуровневому пониманию этих алгоритмов.

Мы рассмотрим несколько способов оценки наших моделей как для моделей классификации, так и для регрессии. Мы коснемся среднеквадратичной ошибки и коэффициента определения (для регрессии), а также оценки точности, логарифмических потерь, матриц путаницы и классификационных отчетов (для классификации).

Мы будем использовать Python 2.7, но предоставленный код совместим и с Python 3. Единственное нарушение - это API-интерфейс отчета о печати.

Для получения дополнительной информации об установке, лексике и распространенных ошибках посетите README.md.

https://github.com/eggheadio-projects/introductory-machine-learning-algorithms-in-python-with-scikit-learn/tree/master/python-2/1-linear