数据科学正在快速发展成所有行业开发人员和管理人员的关键技能，它看起来也十分有趣。但是，它非常复杂，虽有许多工程和分析工具助力，却也难清楚掌握现在做得对不对，哪里是不是有陷阱。在本文中，我们解释了如何发挥数据科学的作用，理解哪里需要它，哪里不需要它，以及如何令它为你产生价值，如何从先行者那里获得有用的经验。这是“GettingAHandleOnDataScience”系统文章中的一部分，你可以通过此RSS予以订阅。大多数类型的机器学习项目归根结底通常是使用监督式学习方式进行分类或回归。特征工程是大多数机器学习过程中的一个关键组成部分。像K均值（K-means）之类无人监督式的学习算法能用于你事前
2021-02-25 22:04:51
372KB
1
加州理工大学Mustafa教授的机器学习入门教材，非常浅显易懂，配合公开课效果更好哦（全课程18节，网易公开课只有前10节，并且中文字幕很渣，推荐B站的英文字幕原版）
2020-04-01 12:10:15
21.95MB
1
卷积神经网络的数字识别训练代码 python3.5 准确率98% 保存模型 画板手写测试
字体颜色和背景相差大就行 字体不能太细 有编译代码可以看到数字样本图片
2019-12-21 21:39:18
7KB
1
机器学习入门项目，kaggle里的项目房价预测，适合初学者学习数据分析及机器学习算法，入门Kaggle.
2019-12-21 20:13:57
1.28MB
1