机器学习Sklearn入门指南

机器学习入门指南，基于SKlearn讲解如何学习《机器学习》，更新中。

注意

如果通过Github站内超链接打开Jupyter Notebook文件发生错误，可以点击根据 https://nbviewer.org 生成的“备用链接”间接访问对应文件。
或者通过以下链接访问整个项目的站外备用链接，注意点击站外备用链接里的非Jupyter Notebook格式文件会跳转回到Github仓库内：
● Machine_Learning_Sklearn_Examples

机器学习Python基础

● Numpy科学计算     (备用链接)]
● Pandas数据分析     (备用链接)]
● Matplotlib可视化     (备用链接)]
● 数据探索EDA     (备用链接)]

监督学习

● 线性回归     (备用链接)]
● 逻辑回归     (备用链接)]
● 支持向量机SVM     (备用链接)]
● 随机梯度下降SGD
● K近邻（KNN）     (备用链接)]
● 朴素贝叶斯
● 决策树     (备用链接)]
● 随机森林     (备用链接)]
● 多分类与多输出
● 特征选择
● 神经网络

无监督学习

● Kmeans聚类     (备用链接)]
● 神经网络模型（无监督）

模型选择与评估

● 交叉验证     (备用链接)]
● 调整估算器超参数     (备用链接)]
● 指标和评分     (备用链接)]
● 验证曲线：绘制分数以评估模型     (备用链接)]

可视化

● 可视化

数据集转换

● 流水线和复合估算器     (备用链接)]
● 特征提取     (备用链接)]
● 数据预处理     (备用链接)]
● 缺失值补充     (备用链接)]
● 无监督降维
● 随机投影

数据集加载

● 玩具数据集     (备用链接)]
● 真实世界数据集     (备用链接)]
● 生成的数据集     (备用链接)]
● 加载其他数据集     (备用链接)]

模型持久化

● 模型持久化

*扩展

1.推荐系统
王树森推荐系统公开课 - 基于小红书的场景讲解工业界真实的推荐系统。
● Recommender_System

2.YouTuBe推荐系统排序模型
以"DNN_for_YouTube_Recommendations"模型和电影评分数据集（ml-1m）为基础，详尽的展示了如何基于TensorFlow2实现推荐系统排序模型。
● YouTube深度排序模型(多值embedding、多目标学习)

3.推荐系统推理服务
基于Goalng、Docker和微服务思想实现了高并发、高性能和高可用的推荐系统推理微服务，包括多种召回/排序服务，并提供多种接口访问方式（REST、gRPC和Dubbo）等，每日可处理上千万次推理请求。
● 推荐系统推理微服务Golang

4.深度学习TensorFlow入门教程
● 深度学习TensorFlow入门教程