Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
ml-mastery-zh
提交
2c318dc6
M
ml-mastery-zh
项目概览
OpenDocCN
/
ml-mastery-zh
9 个月 前同步成功
通知
2
Star
556
Fork
158
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
M
ml-mastery-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
2c318dc6
编写于
1月 16, 2022
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2022-01-16 00:06:52
上级
0b5a83e0
变更
11
隐藏空白更改
内联
并排
Showing
11 changed file
with
39 addition
and
39 deletion
+39
-39
trans/keras/choose-an-activation-function-for-deep-learning.md
.../keras/choose-an-activation-function-for-deep-learning.md
+5
-5
trans/keras/practical-deep-learning-for-coders-review.md
trans/keras/practical-deep-learning-for-coders-review.md
+1
-1
trans/keras/pytorch-tutorial-develop-deep-learning-models.md
trans/keras/pytorch-tutorial-develop-deep-learning-models.md
+1
-1
trans/keras/softmax-activation-function-with-python.md
trans/keras/softmax-activation-function-with-python.md
+1
-1
trans/keras/tensorflow-tutorial-deep-learning-with-tf-keras.md
.../keras/tensorflow-tutorial-deep-learning-with-tf-keras.md
+1
-1
trans/lstm/reshape-input-data-long-short-term-memory-networks-keras.md
...shape-input-data-long-short-term-memory-networks-keras.md
+2
-2
trans/sklearn/gaussian-processes-for-classification-with-python.md
...earn/gaussian-processes-for-classification-with-python.md
+2
-2
trans/sklearn/linear-discriminant-analysis-with-python.md
trans/sklearn/linear-discriminant-analysis-with-python.md
+2
-2
trans/sklearn/nearest-shrunken-centroids-with-python.md
trans/sklearn/nearest-shrunken-centroids-with-python.md
+3
-3
trans/start/a-gentle-introduction-to-sigmoid-function.md
trans/start/a-gentle-introduction-to-sigmoid-function.md
+2
-2
trans/ts/time-series-forecasting-with-prophet-in-python.md
trans/ts/time-series-forecasting-with-prophet-in-python.md
+19
-19
未找到文件。
trans/keras/choose-an-activation-function-for-deep-learning.md
浏览文件 @
2c318dc6
...
...
@@ -158,7 +158,7 @@ pyplot.show()
运行该示例计算一系列值的输出,并创建输入与输出的关系图。
我们可以看到熟悉的 S 形的
Sigmoid
激活函数。
我们可以看到熟悉的 S 形的
Sigmoid
激活函数。
![
Plot of Inputs vs. Outputs for the Sigmoid Activation Function.
](
img/64e9917fa31d025a855334f80d5d0079.png
)
...
...
@@ -170,7 +170,7 @@ Sigmoid 激活函数的输入与输出图。
双曲正切激活函数也简称为 Tanh(也是“
*tanh*
”和“
*TanH*
”)函数。
它与
Sigmoid
激活函数非常相似,甚至具有相同的 S 形。
它与
Sigmoid
激活函数非常相似,甚至具有相同的 S 形。
该函数将任何实数值作为输入,并输出-1 到 1 范围内的值。输入越大(越正),输出值越接近 1.0,而输入越小(越负),输出越接近-1.0。
...
...
@@ -327,7 +327,7 @@ pyplot.show()
运行该示例计算一系列值的输出,并创建输入与输出的关系图。
我们可以看到熟悉的 S 形的
Sigmoid
激活函数。
我们可以看到熟悉的 S 形的
Sigmoid
激活函数。
![
Plot of Inputs vs. Outputs for the Sigmoid Activation Function.
](
img/64e9917fa31d025a855334f80d5d0079.png
)
...
...
@@ -401,9 +401,9 @@ print(outputs.sum())
如果有两个互斥的类(二进制分类),那么您的输出层将有一个节点,应该使用 sigmoid 激活函数。如果有两个以上互斥的类(多类分类),那么你的输出层每个类有一个节点,应该使用 softmax 激活。如果有两个或更多相互包含的类(multilabel 分类),那么输出层将为每个类提供一个节点,并使用 sigmoid 激活函数。
*
**二元分类**
:一个节点,Sigmoid激活。
*
**二元分类**
:一个节点,Sigmoid
激活。
*
**多类分类**
:每类一个节点,softmax 激活。
*
**多标签分类**
:每类一个节点,Sigmoid激活。
*
**多标签分类**
:每类一个节点,Sigmoid
激活。
下图总结了如何为神经网络模型的输出层选择激活函数。
...
...
trans/keras/practical-deep-learning-for-coders-review.md
浏览文件 @
2c318dc6
...
...
@@ -61,7 +61,7 @@ fast.ai 是一个小型组织,提供关于实用机器学习和深度学习的
重要的是,课程从 v1 到 v2 的主要变化是从
[
Keras 深度学习框架
](
https://keras.io/
)(
谷歌
TensorFlow 的包装器)转移到自己的开源
[
fast.ai 库
](
https://github.com/fastai/fastai
)
,它为脸书的
[
PyTorch 深度学习框架
](
https://pytorch.org/
)
提供了包装器。
这种从
Keras到 PyTorch 的转变是出于灵活性的考虑。他们自己的包装器捕获了许多最先进的方法和最佳实践,但也隐藏了许多细节。它可能最适合从业者,而不太适合学者,比更一般的
Keras。
这种从
Keras 到 PyTorch 的转变是出于灵活性的考虑。他们自己的包装器捕获了许多最先进的方法和最佳实践,但也隐藏了许多细节。它可能最适合从业者,而不太适合学者,比更一般的
Keras。
## 课程分解
...
...
trans/keras/pytorch-tutorial-develop-deep-learning-models.md
浏览文件 @
2c318dc6
...
...
@@ -57,7 +57,7 @@ PyTorch 教程-如何开发深度学习模型
**你不需要什么都懂(至少现在不需要)**
。你的目标是把教程从头到尾看一遍,并得到一个结果。你不需要第一遍就明白所有的事情。边走边列出你的问题。大量使用 API 文档来了解您正在使用的所有功能。
**你不需要
Prophet
道数学**
。数学是描述算法如何工作的简洁方式,特别是来自线性代数、概率和微积分的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过精心控制的实验来发现这一点。
**你不需要
Prophet
道数学**
。数学是描述算法如何工作的简洁方式,特别是来自线性代数、概率和微积分的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过精心控制的实验来发现这一点。
**你不需要知道算法是如何工作的**
。了解这些限制以及如何配置深度学习算法非常重要。但是关于算法的学习可以在以后进行。你需要长时间慢慢积累这些算法知识。今天,从适应平台开始。
...
...
trans/keras/softmax-activation-function-with-python.md
浏览文件 @
2c318dc6
...
...
@@ -52,7 +52,7 @@ softmax 函数在应用机器学习中最常见的用途是用作神经网络模
假设没有对输入的加权和执行任何变换,则线性激活函数可以输出任何数值。这使得线性激活函数不适用于预测二项式或多项式情况下的概率。
### Sigmoid激活函数
### Sigmoid
激活函数
预测类成员概率的另一种方法是使用 sigmoid 激活函数。
...
...
trans/keras/tensorflow-tutorial-deep-learning-with-tf-keras.md
浏览文件 @
2c318dc6
...
...
@@ -74,7 +74,7 @@ TensorFlow 是由谷歌开发和维护的首要开源深度学习框架。虽然
**你不需要什么都懂(至少现在不需要)**
。您的目标是将教程从头到尾运行一遍并获得结果。你不需要第一遍就明白所有的事情。边走边列出你的问题。大量使用 API 文档来了解您正在使用的所有功能。
**你不需要
Prophet
道数学**
。数学是描述算法如何工作的简洁方式,特别是来自
[
线性代数
](
https://machinelearningmastery.com/start-here/#linear_algebra
)
、
[
概率
](
https://machinelearningmastery.com/start-here/#probability
)
和
[
统计
](
https://machinelearningmastery.com/start-here/#statistical_methods
)
的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过仔细的受控实验来发现这一点。
**你不需要
Prophet
道数学**
。数学是描述算法如何工作的简洁方式,特别是来自
[
线性代数
](
https://machinelearningmastery.com/start-here/#linear_algebra
)
、
[
概率
](
https://machinelearningmastery.com/start-here/#probability
)
和
[
统计
](
https://machinelearningmastery.com/start-here/#statistical_methods
)
的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过仔细的受控实验来发现这一点。
**你不需要知道算法是如何工作的**
。了解这些限制以及如何配置深度学习算法非常重要。但是关于算法的学习可以在以后进行。你需要长时间慢慢积累这些算法知识。今天,从适应平台开始。
...
...
trans/lstm/reshape-input-data-long-short-term-memory-networks-keras.md
浏览文件 @
2c318dc6
# 如何重塑
Keras
长短期记忆网络的输入数据
# 如何重塑
Keras
长短期记忆网络的输入数据
> 原文:<https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/>
...
...
@@ -24,7 +24,7 @@
![
How to Reshape Input for Long Short-Term Memory Networks in Keras
](
img/8fc6bb4ace397f56877135f7cedfc102.png
)
如何在
Keras
重塑长短期记忆网络的输入
如何在
Keras
重塑长短期记忆网络的输入
图片由
[
全球景观论坛
](
https://www.flickr.com/photos/152793655@N07/33495968401/
)
提供,保留部分权利。
## 教程概述
...
...
trans/sklearn/gaussian-processes-for-classification-with-python.md
浏览文件 @
2c318dc6
...
...
@@ -28,7 +28,7 @@
本教程分为三个部分;它们是:
1.
高斯分类过程
2.
用 Sklearn高斯过程
2.
用 Sklearn
高斯过程
3.
调整高斯过程超参数
## 高斯分类过程
...
...
@@ -71,7 +71,7 @@
*
[
机器学习的高斯过程
](
https://amzn.to/3aY1nsu
)
,2006。
## 用 Sklearn高斯过程
## 用 Sklearn
高斯过程
高斯过程分类器可通过
[
高斯过程分类器类
](
https://Sklearn.org/stable/modules/generated/sklearn.gaussian_process.GaussianProcessClassifier.html
)
在 Sklearn Python 机器学习库中获得。
...
...
trans/sklearn/linear-discriminant-analysis-with-python.md
浏览文件 @
2c318dc6
...
...
@@ -28,7 +28,7 @@
本教程分为三个部分;它们是:
1.
线性判别分析
2.
基于 Sklearn的线性判别分析
2.
基于 Sklearn
的线性判别分析
3.
调整线性判别分析超参数
## 线性判别分析
...
...
@@ -63,7 +63,7 @@ LDA 模型自然是多类的。这意味着它支持两类分类问题,并且
现在我们已经熟悉了 LDA,让我们看看如何使用 Sklearn 库来拟合和评估模型。
## 基于 Sklearn的线性判别分析
## 基于 Sklearn
的线性判别分析
线性判别分析可通过
[
线性判别分析类
](
https://Sklearn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html
)
在 Sklearn Python 机器学习库中获得。
...
...
trans/sklearn/nearest-shrunken-centroids-with-python.md
浏览文件 @
2c318dc6
...
...
@@ -22,7 +22,7 @@
![
Nearest Shrunken Centroids With Python
](
img/a0b81176fcb54f89f21a5b771d530f04.png
)
Giuseppe Milo 拍摄的最近的
Python
缩小质心
Giuseppe Milo 拍摄的最近的
Python
缩小质心
照片,保留部分权利。
## 教程概述
...
...
@@ -30,7 +30,7 @@ Giuseppe Milo 拍摄的最近的Python缩小质心
本教程分为三个部分;它们是:
1.
最近质心算法
2.
用 Sklearn最近的质心
2.
用 Sklearn
最近的质心
3.
调谐最近质心超参数
## 最近质心算法
...
...
@@ -61,7 +61,7 @@ A [质心](https://en.wikipedia.org/wiki/Centroid)是数据分布的几何中心
这种方法被称为“
*最近的收缩着丝粒*
”,最早由
[
罗伯特·蒂比什拉尼
](
https://statweb.stanford.edu/~tibs/
)
等人在他们 2002 年发表的题为“
[
通过基因表达的收缩着丝粒
](
https://www.pnas.org/content/99/10/6567.short
)
诊断多种癌症类型”的论文中描述
## 用 Sklearn最近的质心
## 用 Sklearn
最近的质心
最近收缩质心可通过
[
最近质心类
](
https://Sklearn.org/stable/modules/generated/sklearn.neighbors.NearestCentroid.html
)
在 Sklearn Python 机器学习库中获得。
...
...
trans/start/a-gentle-introduction-to-sigmoid-function.md
浏览文件 @
2c318dc6
...
...
@@ -51,7 +51,7 @@ sigmoid 函数及其导数的图形。还显示了一些重要特性。
6.
函数在其定义域内处处可微。
7.
从数值上来说,在一个小的数字范围内计算这个函数的值就足够了,例如,[-10,+10]。对于小于-10 的值,该函数的值几乎为零。对于大于 10 的值,该函数的值几乎为 1。
## **Sigmoid挤压功能**
## **Sigmoid
挤压功能**
sigmoid 函数也被称为挤压函数,因为它的定义域是所有实数的集合,范围是(0,1)。因此,如果函数的输入是非常大的负数或非常大的正数, 输出总是在 0 和 1 之间。-∞和+∞之间的任何数字也是如此。
...
...
@@ -63,7 +63,7 @@ sigmoid 函数用作神经网络中的激活函数。为了回顾什么是激活
神经网络中的 sigmoid 单元
当神经元的激活函数是 sigmoid 函数时,可以保证该单元的输出总是在 0 和 1 之间。此外,由于 sigmoid 是非线性函数,该单元的输出将是输入加权和的非线性函数。这种采用
Sigmoid 函数作为激活函数的神经元被称为Sigmoid
单位。
当神经元的激活函数是 sigmoid 函数时,可以保证该单元的输出总是在 0 和 1 之间。此外,由于 sigmoid 是非线性函数,该单元的输出将是输入加权和的非线性函数。这种采用
Sigmoid 函数作为激活函数的神经元被称为 Sigmoid
单位。
## **线性与非线性可分性?**
...
...
trans/ts/time-series-forecasting-with-prophet-in-python.md
浏览文件 @
2c318dc6
...
...
@@ -4,38 +4,38 @@
时间序列预测可能具有挑战性,因为有许多不同的方法可以使用,而且每种方法都有许多不同的超参数。
Prophet库是一个开源库,设计用于对单变量时间序列数据集进行预测。它易于使用,旨在自动为模型找到一组好的超参数,以便对默认情况下具有趋势和季节结构的数据进行熟练的预测。
Prophet
库是一个开源库,设计用于对单变量时间序列数据集进行预测。它易于使用,旨在自动为模型找到一组好的超参数,以便对默认情况下具有趋势和季节结构的数据进行熟练的预测。
在本教程中,您将发现如何使用脸书
Prophet
库进行时间序列预测。
在本教程中,您将发现如何使用脸书
Prophet
库进行时间序列预测。
完成本教程后,您将知道:
*
Prophet 是一个由脸书开发的开源库,设计用于单变量时间序列数据的自动预测。
*
如何拟合预言家模型并使用它们进行样本内和样本外预测。
*
如何在搁置数据集上评估
Prophet
模型。
*
如何在搁置数据集上评估
Prophet
模型。
我们开始吧。
![
Time Series Forecasting With Prophet in Python
](
img/c8f6da2dd6c2b69b9db4dbddb275c708.png
)
时间序列预测与 Python 中的Prophet
时间序列预测与 Python 中的
Prophet
图片由
[
里纳尔多·伍尔格利茨
](
https://flickr.com/photos/wurglitsch/9466317145/
)
提供,保留部分权利。
## 教程概述
本教程分为三个部分;它们是:
1.
Prophet预测图书馆
1.
Prophet
预测图书馆
2.
汽车销售数据集
1.
加载和汇总数据集
2.
加载和绘制数据集
3.
Prophet预测汽车销量
1.
适合
Prophet
模型
3.
Prophet
预测汽车销量
1.
适合
Prophet
模型
2.
进行抽样预测
3.
进行样本外预测
4.
手动评估预测模型
## Prophet预测图书馆
## Prophet
预测图书馆
[
预言家
](
https://github.com/facebook/prophet
)
,或“
*脸书预言家*
”,是脸书开发的单变量(单变量)时间序列预测的开源库。
...
...
@@ -53,7 +53,7 @@ Prophet库是一个开源库,设计用于对单变量时间序列数据集进
该库提供了两个接口,包括 R 和 Python。在本教程中,我们将重点关注 Python 接口。
第一步是使用 Pip 安装
Prophet
库,如下所示:
第一步是使用 Pip 安装
Prophet
库,如下所示:
```
py
sudo
pip
install
fbprophet
...
...
@@ -70,7 +70,7 @@ import fbprophet
print
(
'Prophet %s'
%
fbprophet
.
__version__
)
```
运行该示例会打印
Prophet
的安装版本。
运行该示例会打印
Prophet
的安装版本。
你应该有相同或更高的版本。
...
...
@@ -159,15 +159,15 @@ pyplot.show()
汽车销售数据集的线图
现在我们已经熟悉了数据集,让我们探索如何使用
Prophet
库进行预测。
现在我们已经熟悉了数据集,让我们探索如何使用
Prophet
库进行预测。
## Prophet预测汽车销量
## Prophet
预测汽车销量
在本节中,我们将探索使用预言家来预测汽车销售数据集。
让我们从在数据集上拟合模型开始
### 适合
Prophet
模型
### 适合
Prophet
模型
要使用 Prophet 进行预测,首先定义并配置一个
*Prophet()*
对象,然后通过调用
*fit()*
函数并传递数据来拟合数据集。
...
...
@@ -186,7 +186,7 @@ df.columns = ['ds', 'y']
df
[
'ds'
]
=
to_datetime
(
df
[
'ds'
])
```
下面列出了在汽车销售数据集中拟合
Prophet
模型的完整示例。
下面列出了在汽车销售数据集中拟合
Prophet
模型的完整示例。
```
py
# fit prophet model on the car sales dataset
...
...
@@ -205,7 +205,7 @@ model = Prophet()
model
.
fit
(
df
)
```
运行该示例将加载数据集,以预期的格式准备数据帧,并适合
Prophet
模型。
运行该示例将加载数据集,以预期的格式准备数据帧,并适合
Prophet
模型。
默认情况下,在拟合过程中,库会提供大量详细的输出。我认为这是一个坏主意,因为它训练开发人员忽略输出。
...
...
@@ -532,13 +532,13 @@ MAE: 1336.814
过去 12 个月汽车销量的实际值与预测值图
Prophet库还提供了自动评估模型和绘制结果的工具,尽管这些工具对于分辨率超过一天的数据似乎不能很好地工作。
Prophet
库还提供了自动评估模型和绘制结果的工具,尽管这些工具对于分辨率超过一天的数据似乎不能很好地工作。
## 进一步阅读
如果您想更深入地了解这个主题,本节将提供更多资源。
*
[
Prophet主页
](
https://facebook.github.io/prophet/
)
。
*
[
Prophet
主页
](
https://facebook.github.io/prophet/
)
。
*
[
Prophet GitHub 项目
](
https://github.com/facebook/prophet
)
。
*
[
预言家 API 文档
](
https://facebook.github.io/prophet/docs/
)
。
*
[
预言家:规模预测
](
https://research.fb.com/blog/2017/02/prophet-forecasting-at-scale/
)
,2017 年。
...
...
@@ -548,13 +548,13 @@ Prophet库还提供了自动评估模型和绘制结果的工具,尽管这些
## 摘要
在本教程中,您发现了如何使用脸书
Prophet
库进行时间序列预测。
在本教程中,您发现了如何使用脸书
Prophet
库进行时间序列预测。
具体来说,您了解到:
*
Prophet 是一个由脸书开发的开源库,设计用于单变量时间序列数据的自动预测。
*
如何拟合预言家模型并使用它们进行样本内和样本外预测。
*
如何在搁置数据集上评估
Prophet
模型。
*
如何在搁置数据集上评估
Prophet
模型。
**你有什么问题吗?**
在下面的评论中提问,我会尽力回答。
\ No newline at end of file
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录