100天寫機器學習代碼
Siraj Raval提出的100天機器學習編碼
從這裏獲取數據集
數據預處理| 第1天
從這裏查看代碼。
Day 1.jpg
簡單線性迴歸| 第2天
從這裏查看代碼。
Day 2.jpg
多元線性迴歸| 第3天
從這裏查看代碼。
Day 3.jpg
Logistic迴歸| 第4天
Day 4.jpg
Logistic迴歸| 第5天
今天進入＃100DaysOfMLCode我深入研究了實際Logistic迴歸的深度，以及它背後的數學運算是什麼。瞭解如何計算成本函數，以及如何將梯度下降算法應用於成本函數以最小化預測誤差。 由於時間較短，我現在將在隔天發佈信息圖。此外，如果有人想幫助我在代碼文檔中，並已經在該領域的一些經驗，並知道Markdown for github請在LinkedIn上與我聯繫:)。
實施Logistic迴歸| 第6天
在這裏查看代碼
K最近的鄰居| 第7天
Day 7.jpg
Logistic迴歸背後的數學| 第8天
＃100DaysOfMLCode爲了清楚我對邏輯迴歸的見解，我在互聯網上搜索了一些資源或文章，我在Saishruthi Swaminathan 看到了這篇文章（https://towardsdatascience.com/logistic-regression-detailed-overview-46c4da4303bc）。
它給出了Logistic迴歸的詳細描述。檢查一下。
支持向量機| 第9天
直觀瞭解SVM是什麼以及如何使用它來解決分類問題。
SVM和KNN | 第10天
瞭解更多關於SVM如何工作和實現knn算法的知識。
實施K-NN | 第11天
實現了K-NN算法進行分類。＃100DaysOfMLCode支持向量機信息圖表中途完成將在明天更新。
支持向量機| 第12天
Day 12.jpg
樸素貝葉斯分類器| 第13天
繼續＃100DaysOfMLCode今天我通過Naive Bayes分類器。我也在使用scikit-learn在python中實現SVM。將很快更新代碼。
SVM的實現| 第14天
今天我在線性相關數據上實現了SVM。使用Scikit-Learn庫。在scikit-learn中我們有SVC分類器，我們用它來完成這個任務。將在下一次實現時使用kernel-trick。在這裏查看代碼。
樸素貝葉斯分類器和黑盒機學習| 第15天
瞭解不同類型的樸素貝葉斯分類也開始了彭博社的講座。播放列表中的第一個是Black Box Machine Learning。它給出了關於預測函數，特徵提取，學習算法，性能評估，交叉驗證，樣本偏差，非平穩性，過度擬合和超參數調整的整體視圖。
使用Kernel Trick實現SVM 第16天
使用Scikit-Learn庫實現了SVM算法以及內核函數，該函數將我們的數據點映射到更高維度以找到最佳超平面。
開始深入學習Coursera的專業化| 第17天
在一天內完成整個第1周和第2周。學習Logistic迴歸爲神經網絡。
課程深度學習專業化| 第18天
完成深度學習專業課程1。在python中實現了神經網絡。
學習問題，Yaser Abu-Mostafa教授| 第19天
由Yaser Abu-Mostafa教授開始的加州理工學院機器學習課程 - 第156講第1講。這基本上是對即將到來的講座的一種介紹。他還解釋了Perceptron算法。
開始深度學習專業課程2 | 第20天
完成了改進深度神經網絡的第1周：超參數調整，正則化和優化。
網頁蒐羅| 第21天
觀看了一些關於如何使用Beautiful Soup進行網頁劃分的教程，以便收集用於構建模型的數據。
學習可行嗎？| 第22天
加州理工學院機器學習課程18的第2講 - 由Yaser Abu-Mostafa教授主講的CS 156。瞭解Hoeffding不平等。
決策樹| 第23天
Day 23.jpg
統計學習理論導論| 第24天
Bloomberg ML課程的第3課介紹了一些核心概念，如輸入空間，動作空間，結果空間，預測函數，損失函數和假設空間。
實施決策樹| 第25天
跳到刷線性代數| 第26天
在youtube 3Blue1Brown上找到了一個驚人的頻道。它有一個名爲Essence of Linear Algebra的播放列表。通過完成4個視頻開始，完整地概述了矢量，線性組合，跨度，基矢量，線性變換和矩陣乘法。
跳到刷線性代數| 第27天
繼續完成播放列表下一個4視頻討論主題3D轉換，行列式，逆矩陣，列空間，空間和非平方矩陣。
跳到刷線性代數| 第28天
在3Blue1Brown的播放列表中完成了另外3個來自線性代數本質的視頻。涉及的主題是Dot Product和Cross Product。
跳到刷線性代數| 第29天
今天完成整個播放列表，12 - 14的視頻。真的是一個令人驚歎的播放列表，可以刷新線性代數的概念。涵蓋的主題是基礎的變化，特徵向量和特徵值，以及抽象向量空間。
微積分的本質| 第30天
通過3blue1brown完成播放列表 - 線性代數的本質由youtube彈出關於同一頻道3Blue1Brown再次播放一系列視頻的建議。由於之前關於線性代數的系列已經給我留下了深刻的印象。完成了大約5個關於主題的視頻，例如衍生品，鏈規則，產品規則和指數衍生。
微積分的本質| 第31天
觀看2個關於主題隱含差異和限制的視頻來自播放列表微積分的本質。
微積分的本質| 第32天
觀看剩下的4個視頻，內容包括集成和高階衍生品等主題。
隨機森林| 第33天
Day 33.jpg
實施隨機森林| 第34天
但什麼是神經網絡？| 深度學習，第1章| 第35天
由3Blue1Brown youtube頻道製作的關於神經網絡的精彩視頻。該視頻可以很好地理解神經網絡，並使用手寫數字數據集來表達概念。鏈接到視頻。
梯度下降，神經網絡如何學習 深度學習，第2章| 第36天
3Blue1Brown youtube Channel的神經網絡的第二部分，這個視頻以一種有趣的方式解釋了Gradient Descent的概念。169必須觀看並強烈推薦。鏈接到視頻。
什麼是反向傳播呢？| 深度學習，第3章| 第37天
3Blue1Brown youtube Channel的神經網絡的第三部分，在這個視頻中，談話主要是關於偏導數和反向傳播。鏈接到視頻。
K意味着聚類| 第43天
轉向無監督學習並研究了聚類。在我的網站上工作查看avikjain.me 還找到了一個很棒的動畫，有助於輕鬆理解K - Means Clustering Link
Day 43.jpg