基于Python的scikit-learn编程实例
scikit-learn 是机器学习领域非常热门的一个开源库，基于python 语言写成。可以免费使用。
上面有很多的教程，编程实例。而且还做了很好的总结，下面这张图基本概括了传统机器学习领域的大多数理论与相关算法。
我们可以看到，机器学习分为四大块，分别是 classification (分类)， clustering (聚类), regression (回归), dimensionality reduction (降维)。
给定一个样本特征 x, 我们希望预测其对应的属性值 y, 如果 y 是离散的, 那么这就是一个分类问题，反之，如果 y 是连续的实数, 这就是一个回归问题。
如果给定一组样本特征, 我们没有对应的 y, 而是想发掘这组样本在 d 维空间的分布, 比如分析哪些样本靠的更近，哪些样本之间离得很远, 这就是属于聚类问题。
如果我们想用维数更低的子空间来表示原来高维的特征空间, 那么这就是降维问题。
classification & regression 无论是分类还是回归，都是想建立一个预测模型 h，给定一个输入 x, 可以得到一个输出 y:
不同的只是在分类问题中, y 是离散的; 而在回归问题中 y 是连续的。所以总得来说，两种问题的学习算法都很类似。所以在这个图谱上，我们看到在分类问题中用到的学习算法，在回归问题中也能使用。分类问题最常用的学习算法包括 svm (支持向量机) , sgd (随机梯度下降算法), bayes (贝叶斯估计), ensemble, knn 等。而回归问题也能使用 svr, sgd, ensemble 等算法，以及其它线性回归算法。
clustering 聚类也是分析样本的属性, 有点类似classification, 不同的就是classification 在预测之前是知道 y 的范围, 或者说知道到底有几个类别, 而聚类是不知道属性的范围的。所以 classification 也常常被称为 supervised learning, 而clustering就被称为 unsupervised learning。
clustering 事先不知道样本的属性范围，只能凭借样本在特征空间的分布来分析样本的属性。这种问题一般更复杂。而常用的算法包括 k-means (k-均值), gmm (高斯混合模型) 等。
dimensionality reduction 降维是机器学习另一个重要的领域, 降维有很多重要的应用, 特征的维数过高, 会增加训练的负担与存储空间, 降维就是希望去除特征的冗余, 用更加少的维数来表示特征. 降维算法最基础的就是pca了, 后面的很多算法都是以pca为基础演化而来。
对于数字双胞胎的含义以及给设备制造商带来的好处解析
千元机王者之争！当华为荣耀v9、魅族魅蓝note6、小米5x三部机相遇，大战一触即发
电感器：适合汽车应用的紧凑型 Z 轴转发机线圈
三种图像插值方式对比
中科院广州电子CASAIM&沈阳航空航天大学：基于CASAIM激光自动检测技术实现航空部件自动化智能检测
基于Python的scikit-learn编程实例
关于摄像头模组工作原理分析和应用
基于嵌入式Linux系统平台的传感器网络系统设计与实现
田丁智慧社区数据搜集、清洗、沉淀助力决策
新建12英寸晶圆厂，以及12英寸大硅片项目的厂商
中国台湾半导体行业分析：任重道远
全球半导体供应链全面紧缺，光掩膜传出缺货声浪
复合材料在工业阀门中的应用
如何正确使用防爆电加热器
电驱动桥减速器内的润滑油道布置原理和分析实践
Shell基础知识（上）
中国公共充电桩数量持续增长，2019年底设施保有量达到51.6万台
苹果13上市哪些机子会降价
降压转换器的低输出电压噪声和高效率解决方案
关于PCBA设计10个常见错误介绍
上面有很多的教程，编程实例。而且还做了很好的总结，下面这张图基本概括了传统机器学习领域的大多数理论与相关算法。
我们可以看到，机器学习分为四大块，分别是 classification (分类)， clustering (聚类), regression (回归), dimensionality reduction (降维)。
给定一个样本特征 x, 我们希望预测其对应的属性值 y, 如果 y 是离散的, 那么这就是一个分类问题，反之，如果 y 是连续的实数, 这就是一个回归问题。
如果给定一组样本特征, 我们没有对应的 y, 而是想发掘这组样本在 d 维空间的分布, 比如分析哪些样本靠的更近，哪些样本之间离得很远, 这就是属于聚类问题。
如果我们想用维数更低的子空间来表示原来高维的特征空间, 那么这就是降维问题。
classification & regression 无论是分类还是回归，都是想建立一个预测模型 h，给定一个输入 x, 可以得到一个输出 y:
不同的只是在分类问题中, y 是离散的; 而在回归问题中 y 是连续的。所以总得来说，两种问题的学习算法都很类似。所以在这个图谱上，我们看到在分类问题中用到的学习算法，在回归问题中也能使用。分类问题最常用的学习算法包括 svm (支持向量机) , sgd (随机梯度下降算法), bayes (贝叶斯估计), ensemble, knn 等。而回归问题也能使用 svr, sgd, ensemble 等算法，以及其它线性回归算法。
clustering 聚类也是分析样本的属性, 有点类似classification, 不同的就是classification 在预测之前是知道 y 的范围, 或者说知道到底有几个类别, 而聚类是不知道属性的范围的。所以 classification 也常常被称为 supervised learning, 而clustering就被称为 unsupervised learning。
clustering 事先不知道样本的属性范围，只能凭借样本在特征空间的分布来分析样本的属性。这种问题一般更复杂。而常用的算法包括 k-means (k-均值), gmm (高斯混合模型) 等。
dimensionality reduction 降维是机器学习另一个重要的领域, 降维有很多重要的应用, 特征的维数过高, 会增加训练的负担与存储空间, 降维就是希望去除特征的冗余, 用更加少的维数来表示特征. 降维算法最基础的就是pca了, 后面的很多算法都是以pca为基础演化而来。
对于数字双胞胎的含义以及给设备制造商带来的好处解析
千元机王者之争！当华为荣耀v9、魅族魅蓝note6、小米5x三部机相遇，大战一触即发
电感器：适合汽车应用的紧凑型 Z 轴转发机线圈
三种图像插值方式对比
中科院广州电子CASAIM&沈阳航空航天大学：基于CASAIM激光自动检测技术实现航空部件自动化智能检测
基于Python的scikit-learn编程实例
关于摄像头模组工作原理分析和应用
基于嵌入式Linux系统平台的传感器网络系统设计与实现
田丁智慧社区数据搜集、清洗、沉淀助力决策
新建12英寸晶圆厂，以及12英寸大硅片项目的厂商
中国台湾半导体行业分析：任重道远
全球半导体供应链全面紧缺，光掩膜传出缺货声浪
复合材料在工业阀门中的应用
如何正确使用防爆电加热器
电驱动桥减速器内的润滑油道布置原理和分析实践
Shell基础知识（上）
中国公共充电桩数量持续增长，2019年底设施保有量达到51.6万台
苹果13上市哪些机子会降价
降压转换器的低输出电压噪声和高效率解决方案
关于PCBA设计10个常见错误介绍