在好例子网，分享、交流、成长！
您当前所在位置：首页 → PHP 开发实例 → PHP语言基础 → Machine Learning A-Z New

Machine Learning A-Z New

PHP语言基础

下载此实例
  • 开发语言：PHP
  • 实例大小：228.44M
  • 下载次数：8
  • 浏览次数：82
  • 发布时间：2022-04-02
  • 实例类别：PHP语言基础
  • 发 布 人：傩傩走
  • 文件格式：.zip
  • 所需积分：10
网友评论 举报投诉 收藏该页

实例介绍

【实例简介】Machine Learning A-Z New


【实例截图】

from clipboard

from clipboard

【核心代码】

.
├── Machine Learning A-Z New
│   ├── Part 0 - Welcome to Machine Learning A-Z
│   │   └── Section 1 - Welcome to Machine Learning A-Z !
│   ├── Part 1 - Data Preprocessing
│   │   └── Section 2 -------------------- Part 1 - Data Preprocessing --------------------
│   │       ├── Data.csv
│   │       ├── categorical_data.R
│   │       ├── categorical_data.py
│   │       ├── data_preprocessing_template.R
│   │       ├── data_preprocessing_template.py
│   │       ├── missing_data.R
│   │       └── missing_data.py
│   ├── Part 10 - Model Selection & Boosting
│   │   ├── Section 47 -------------------- Part 10 - Model Selection --------------------
│   │   ├── Section 48 - Model Selection
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── grid_search.R
│   │   │   ├── grid_search.py
│   │   │   ├── k_fold_cross_validation.R
│   │   │   └── k_fold_cross_validation.py
│   │   ├── Section 49 - XGBoost
│   │   │   ├── Churn_Modelling.csv
│   │   │   ├── xg_boost.R
│   │   │   └── xg_boost.py
│   │   └── Section 50 - Part Recap
│   ├── Part 2 - Regression
│   │   ├── Section 10 - Evaluating Regression Models Performance
│   │   ├── Section 11 - Regularization Methods
│   │   ├── Section 12 - Part Recap
│   │   ├── Section 3 -------------------- Part 2 - Regression --------------------
│   │   ├── Section 4 - Simple Linear Regression
│   │   │   ├── Salary_Data.csv
│   │   │   ├── data_preprocessing_template.R
│   │   │   ├── data_preprocessing_template.py
│   │   │   ├── simple_linear_regression.R
│   │   │   └── simple_linear_regression.py
│   │   ├── Section 5 - Multiple Linear Regression
│   │   │   ├── 50_Startups.csv
│   │   │   ├── data_preprocessing_template.R
│   │   │   ├── data_preprocessing_template.py
│   │   │   ├── multiple_linear_regression.R
│   │   │   └── multiple_linear_regression.py
│   │   ├── Section 6 - Polynomial Regression
│   │   │   ├── Position_Salaries.csv
│   │   │   ├── data_preprocessing_template.R
│   │   │   ├── data_preprocessing_template.py
│   │   │   ├── polynomial_regression.R
│   │   │   └── polynomial_regression.py
│   │   ├── Section 7 - Support Vector Regression (SVR)
│   │   │   ├── Position_Salaries.csv
│   │   │   ├── regression_template.R
│   │   │   ├── regression_template.py
│   │   │   ├── svr.R
│   │   │   └── svr.py
│   │   ├── Section 8 - Decision Tree Regression
│   │   │   ├── Position_Salaries.csv
│   │   │   ├── decision_tree_regression.R
│   │   │   ├── decision_tree_regression.py
│   │   │   ├── regression_template.R
│   │   │   └── regression_template.py
│   │   └── Section 9 - Random Forest Regression
│   │       ├── Position_Salaries.csv
│   │       ├── random_forest_regression.R
│   │       ├── random_forest_regression.py
│   │       ├── regression_template.R
│   │       └── regression_template.py
│   ├── Part 3 - Classification
│   │   ├── Section 13 -------------------- Part 3 - Classification --------------------
│   │   ├── Section 14 - Logistic Regression
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── logistic_regression.R
│   │   │   └── logistic_regression.py
│   │   ├── Section 15 - K-Nearest Neighbors (K-NN)
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── classification_template.R
│   │   │   ├── classification_template.py
│   │   │   ├── knn.R
│   │   │   └── knn.py
│   │   ├── Section 16 - Support Vector Machine (SVM)
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── classification_template.R
│   │   │   ├── classification_template.py
│   │   │   ├── svm.R
│   │   │   └── svm.py
│   │   ├── Section 17 - Kernel SVM
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── classification_template.R
│   │   │   ├── classification_template.py
│   │   │   ├── kernel_svm.R
│   │   │   └── kernel_svm.py
│   │   ├── Section 18 - Naive Bayes
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── classification_template.R
│   │   │   ├── classification_template.py
│   │   │   ├── naive_bayes.R
│   │   │   └── naive_bayes.py
│   │   ├── Section 19 - Decision Tree Classification
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── classification_template.R
│   │   │   ├── classification_template.py
│   │   │   ├── decision_tree_classification.R
│   │   │   └── decision_tree_classification.py
│   │   ├── Section 20 - Random Forest Classification
│   │   │   ├── Social_Network_Ads.csv
│   │   │   ├── classification_template.R
│   │   │   ├── classification_template.py
│   │   │   ├── random_forest_classification.R
│   │   │   └── random_forest_classification.py
│   │   ├── Section 21 - Evaluating Classification Models Performance
│   │   └── Section 22 - Part Recap
│   ├── Part 4 - Clustering
│   │   ├── Section 23 -------------------- Part 4 - Clustering --------------------
│   │   ├── Section 24 - K-Means Clustering
│   │   │   ├── Mall_Customers.csv
│   │   │   ├── data_preprocessing_template.R
│   │   │   ├── data_preprocessing_template.py
│   │   │   ├── kmeans.R
│   │   │   └── kmeans.py
│   │   ├── Section 25 - Hierarchical Clustering
│   │   │   ├── Mall_Customers.csv
│   │   │   ├── data_preprocessing_template.R
│   │   │   ├── data_preprocessing_template.py
│   │   │   ├── hc.R
│   │   │   └── hc.py
│   │   └── Section 26 - Part Recap
│   ├── Part 5 - Association Rule Learning
│   │   ├── Section 27 -------------------- Part 5 - Association Rule Learning --------------------
│   │   ├── Section 28 - Apriori
│   │   │   ├── Apriori_Python
│   │   │   │   ├── Market_Basket_Optimisation.csv
│   │   │   │   ├── apriori.py
│   │   │   │   └── apyori.py
│   │   │   └── Apriori_R
│   │   │       ├── Market_Basket_Optimisation.csv
│   │   │       └── apriori.R
│   │   ├── Section 29 - Eclat
│   │   │   ├── Market_Basket_Optimisation.csv
│   │   │   └── eclat.R
│   │   └── Section 30 - Part Recap
│   ├── Part 6 - Reinforcement Learning
│   │   ├── Section 31 -------------------- Part 6 - Reinforcement Learning --------------------
│   │   ├── Section 32 - Upper Confidence Bound (UCB)
│   │   │   ├── Ads_CTR_Optimisation.csv
│   │   │   ├── UCB_Algorithm_Slide.png
│   │   │   ├── random_selection.R
│   │   │   ├── random_selection.py
│   │   │   ├── upper_confidence_bound.R
│   │   │   └── upper_confidence_bound.py
│   │   ├── Section 33 - Thompson Sampling
│   │   │   ├── Ads_CTR_Optimisation.csv
│   │   │   ├── Thompson_Sampling_Slide.png
│   │   │   ├── random_selection.R
│   │   │   ├── random_selection.py
│   │   │   ├── thompson_sampling.R
│   │   │   └── thompson_sampling.py
│   │   └── Section 34 - Part Recap
│   ├── Part 7 - Natural Language Processing
│   │   ├── Section 35 -------------------- Part 7 - Natural Language Processing --------------------
│   │   ├── Section 36 - Natural Language Processing
│   │   │   ├── Restaurant_Reviews.tsv
│   │   │   ├── natural_language_processing.R
│   │   │   └── natural_language_processing.py
│   │   └── Section 37 - Part Recap
│   ├── Part 8 - Deep Learning
│   │   ├── Section 38 -------------------- Part 8 - Deep Learning --------------------
│   │   ├── Section 39 - Artificial Neural Networks (ANN)
│   │   │   ├── Churn_Modelling.csv
│   │   │   ├── Stochastic_Gradient_Descent.png
│   │   │   ├── ann.R
│   │   │   └── ann.py
│   │   ├── Section 40 - Convolutional Neural Networks (CNN)
│   │   │   ├── cnn.py
│   │   │   └── dataset
│   │   │       ├── test_set
│   │   │       │   ├── cats
│   │   │       │   └── dogs
│   │   │       └── training_set
│   │   │           ├── cats
│   │   │           └── dogs
│   │   └── Section 41 - Part Recap
│   └── Part 9 - Dimensionality Reduction
│       ├── Section 42 -------------------- Part 9 - Dimensionality Reduction --------------------
│       ├── Section 43 - Principal Component Analysis (PCA)
│       │   ├── Wine.csv
│       │   ├── pca.R
│       │   └── pca.py
│       ├── Section 44 - Linear Discriminant Analysis (LDA)
│       │   ├── Wine.csv
│       │   ├── lda.R
│       │   └── lda.py
│       ├── Section 45 - Kernel PCA
│       │   ├── Social_Network_Ads.csv
│       │   ├── kernel_pca.R
│       │   └── kernel_pca.py
│       └── Section 46 - Part Recap
├── ]Machine Learning A-Z New.zip
└── __MACOSX
    └── Machine Learning A-Z New
        ├── Part 0 - Welcome to Machine Learning A-Z
        ├── Part 1 - Data Preprocessing
        │   └── Section 2 -------------------- Part 1 - Data Preprocessing --------------------
        ├── Part 10 - Model Selection & Boosting
        │   ├── Section 48 - Model Selection
        │   └── Section 49 - XGBoost
        ├── Part 2 - Regression
        │   ├── Section 4 - Simple Linear Regression
        │   ├── Section 5 - Multiple Linear Regression
        │   ├── Section 6 - Polynomial Regression
        │   ├── Section 7 - Support Vector Regression (SVR)
        │   ├── Section 8 - Decision Tree Regression
        │   └── Section 9 - Random Forest Regression
        ├── Part 3 - Classification
        │   ├── Section 14 - Logistic Regression
        │   ├── Section 15 - K-Nearest Neighbors (K-NN)
        │   ├── Section 16 - Support Vector Machine (SVM)
        │   ├── Section 17 - Kernel SVM
        │   ├── Section 18 - Naive Bayes
        │   ├── Section 19 - Decision Tree Classification
        │   └── Section 20 - Random Forest Classification
        ├── Part 4 - Clustering
        │   ├── Section 24 - K-Means Clustering
        │   └── Section 25 - Hierarchical Clustering
        ├── Part 5 - Association Rule Learning
        │   ├── Section 28 - Apriori
        │   │   ├── Apriori_Python
        │   │   └── Apriori_R
        │   └── Section 29 - Eclat
        ├── Part 6 - Reinforcement Learning
        │   ├── Section 32 - Upper Confidence Bound (UCB)
        │   └── Section 33 - Thompson Sampling
        ├── Part 7 - Natural Language Processing
        │   └── Section 36 - Natural Language Processing
        ├── Part 8 - Deep Learning
        │   ├── Section 39 - Artificial Neural Networks (ANN)
        │   └── Section 40 - Convolutional Neural Networks (CNN)
        │       └── dataset
        │           ├── test_set
        │           └── training_set
        └── Part 9 - Dimensionality Reduction
            ├── Section 43 - Principal Component Analysis (PCA)
            ├── Section 44 - Linear Discriminant Analysis (LDA)
            └── Section 45 - Kernel PCA

117 directories, 125 files



标签： Machine Learning learning MAChine python

实例下载地址

Machine Learning A-Z New

不能下载？内容有错？ 点击这里报错 + 投诉 + 提问

好例子网口号：伸出你的我的手 — 分享！

相关软件

相关文章

网友评论

我要评论

发表评论

(您的评论需要经过审核才能显示)

查看所有0条评论>>

小贴士

感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。

  • 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
  • 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
  • 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
  • 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。

关于好例子网

本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明

;
报警