实例介绍
【实例简介】Machine Learning A-Z New
【实例截图】
【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
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
网友评论
我要评论