90+ алгоритмов и моделей машинного обучения, и их реализация с помощью языка программирования Python
алгоритмы и модели машинного обучения, реализованные с помощью языка программирования Python.
В этой статье я расскажу вам о реализации всех алгоритмов и моделей машинного обучения с помощью языка программирования Python.
Все алгоритмы и модели машинного обучения с Python
- Допущения алгоритмов машинного обучения
- Лучшие подходы к анализу настроений
- Алгоритмы многоклассовой классификации
- Алгоритмы двоичной классификации
- Алгоритмы кластеризации
- Архитектура LeNet-5
- Введение и подходы к созданию систем рекомендаций
- Примеры использования алгоритмов машинного обучения
- Кластеризация сдвига среднего
- Мини-пакетная кластеризация K-средних
- Грамматическая разметка частей речи
- Метрики оценки эффективности
- Полиномиальный наивный байесовский метод
- Бернулли Наивный Байес
- Агломеративная кластеризация
- VisualKeras для визуализации нейронной сети
- Стохастический градиентный спуск
- Объясненная дисперсия
- Оценка F-Beta
- Классификационный отчет
- Пассивно-агрессивная регрессия
- Оценка R2
- Ленивый прогноз
- FLAML
- Алгоритм t-SNE
- Учебное пособие по AutoKeras
- Смещение и отклонение
- Персептрон
- Многослойный персептрон
- Методы балансировки классов
- «Один ко многим» и «один к одному» в машинном обучении
- Полиномиальная регрессия
- Кластеризация BIRCH в машинном обучении
- Независимый компонентный анализ
- Ядро PCA
- Редкий PCA
- Факторизация неотрицательных матриц
- Учебник по нейронным сетям
- PyCaret
- Руководство по Scikit-learn
- Учебное пособие по NLTK
- Учебное пособие по TextBlob
- Учебное пособие по Streamlit
- Кластеризация DBSCAN
- Наивный Байес
- Пассивно-агрессивный классификатор
- Повышение градиента (используется при реализации алгоритма Instagram)
- Логистическая регрессия
- Линейная регрессия
- Кластеризация K-средних
- Уменьшение размерности
- Анализ главных компонентов
- Автоматический EDA
- Масштабирование функций
- Алгоритм Априори с использованием Python
- K-ближайший сосед
- CatBoost
- SMOTE
- Проверка гипотез (обычно используется при обнаружении выбросов)
- Контентная фильтрация
- Совместная фильтрация
- Косинусное подобие
- Tf-Idf векторизация
- Перекрестная проверка
- Матрица неточностей в машинном обучении
- Алгоритмы поиска на графах с Python
- StandardScaler в машинном обучении
- SARIMA
- ARIMA
- Кривая Auc и ROC
- Алгоритм XGBoost
- BERT в машинном обучении
- NeuralProphet
- Алгоритм AdaBoost
- Алгоритм случайного леса
- Алгоритм полиномиальной регрессии
- Алгоритм градиентного спуска
- Многообразное обучение
- Деревья решений
- Руководство по SVM (Support-Vector Machine или Опорно-векторная машина) с использованием Python
- Нейронные сети
- FastAI
- LightGBM
- Pyforest в Python
- Модели машинного обучения, которые должен знать каждый специалист по даннымт
Все вышеперечисленные алгоритмы описаны с использованием языка программирования Python. Это – самые распространенные и часто используемые алгоритмы машинного обучения.