机器学习实战学习笔记：前言与准备
个人学习介绍
- 该专栏作为《机器学习实战（原书第三版）》的读书笔记，涉及对书本内容的理解和书本内容原有的示例和部分原文。
- 略懂一点点python语法
- 编程环境选用python 3.12.1 ，IDE为 DataSpell （主要）（Pycharm/jupyter lab/jupyter notebook 少用）
前言
Python框架
以下是三个Python框架的介绍以及相应的时间和官方文档地址：
1. Scikit-Learn
- 介绍：Scikit-Learn（简称sklearn）是一个开源的Python机器学习库，建立在NumPy、SciPy、Pandas和Matplotlib之上，提供了简单而高效的工具用于数据挖掘和数据分析。它涵盖了机器学习中的样例数据、数据预处理、模型验证、特征选择、分类、回归、聚类、降维等几乎所有环节。
- 时间线：
- 2007年：Scikit-learn最初由David Cournapeau在Google的夏季代码项目中开发。
- 2010年：法国计算机科学与自动化研究所INRIA参与其中，并发布了第一个公开版本（v0.1 beta）。
- 2022年12月：发布scikit-learn 1.2.0版本。
- 官方文档地址：Scikit-Learn Official Documentation
2. TensorFlow
- 介绍：TensorFlow是一个由Google开发的开源机器学习框架，广泛用于数据流图的数值计算。它允许开发者灵活地构建模型，并在多种平台上运行，包括CPU、GPU和TPU（张量处理单元）。TensorFlow提供了高级API，如Keras，使得构建和训练模型更加简单。
- 时间线：TensorFlow最初发布于2015年11月。
- 官方文档地址：TensorFlow Official Documentation
3. Keras
- 介绍：Keras是一个用Python编写的高级神经网络API，它能够以TensorFlow、CNTK或Theano作为后端运行。Keras的开发重点是支持快速的实验，允许简单而快速的原型设计，并且同时支持卷积神经网络和循环神经网络，以及两者的组合。
- 时间线：Keras最初发布于2015年。
- 官方文档地址：Keras Official Documentation
这些框架都是Python在机器学习和深度学习领域中非常重要的工具，各自有着广泛的应用和社区支持。
这些框架都是Python在机器学习和深度学习领域中非常重要的工具，各自有着广泛的应用和社区支持。
基本的库
当然，以下是三个Python库的介绍以及它们的官方文档地址：
1. NumPy
- 介绍：NumPy（Numeric Python的缩写）是一个开源的Python科学计算库，用于进行大规模数值和矩阵运算。它提供了一个高性能的多维数组对象
ndarray以及用于操作这些数组的工具和函数，是许多其他科学计算和数据分析库（如Pandas和SciPy）的基础。 - 官方文档地址：NumPy Official Documentation
2. Pandas
- 介绍：Pandas是一个开源的数据分析和操作库，它提供了快速、灵活以及表达力强的数据结构，旨在使“关系”或“标签”数据的操作既简单又直观。它的核心数据结构是DataFrame和Series，可以被看作是带有标签的列式和行式数据结构。
- 官方文档地址：Pandas Official Documentation
3. Matplotlib
- 介绍：Matplotlib是一个用于创建静态、交互式以及动画可视化的Python库。它提供了一个类似于MATLAB的绘图框架，使得创建高质量2D图表变得简单。Matplotlib可以与多种GUI库一起使用，如Tkinter、GTK、Qt等。
- 官方文档地址：Matplotlib Official Documentation
这三个库是Python数据科学和科学计算领域中不可或缺的工具，它们共同为数据分析、科学计算和数据可视化提供了强大的支持。
全书路线介绍
- 机器学习部分——基础
- 深度学习部分——深刻
原文地址：https://blog.csdn.net/qq_48035645/article/details/144347293
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！