Correlation速度快、易于计算，经常在拿到数据(经过清洗和特征提取之后的)之后第一时间就执行。Scipy的pearsonr方法能够同时计算相关系数和p-value，import

管道的性能提高到基线以上。自动合并检索，将文档组织成分层树结构，其中每个父节点的文本在其子节点之间分割。根据子节点与用户查询的相关性，这可以让您更好地决定是否应将整个父节点作为上下文提供给

第二版》PDF下载可能是全网最全的速查表：Python机器学习ChatGPT线性代数微积分概率统计微软真是活菩萨，面向初学者的机器学习、数据科学、AI、LLM课程统统免费

我是老章Excalidraw是我最喜欢的一个虚拟白板应用，专门用于绘制类似手绘的图表。它提供了一个无限的、基于画布的白板，具有手绘风格，支持多种功能。之前我分享的：72张PNG，图解机器学习

Chollet认为，这样至少可以获得4大好处：始终让模型获得最佳性能：JAX通常在GPU、CPU各种PU上都最快，但不使用XLA（加速线性代数）的Tensorflow在GPU上偶尔更快。Keras

(@sketchthedocs)地址：https://microsoft.github.io/Data-Science-For-Beginners/#/为期

和分类器、回归器和估计器等新功能外，本书还包含评估和微调模型性能的秘诀。此外，本书提供完整的python代码，链接在书中列出！目录第一章，高性能机器学习

大家好，我是老章吴恩达老师又出新课了：《Generative

JR们好，这是我校友兄弟写的一篇文章。他经济学硕士成功转行数据分析，前期和面试准备的很充分。所以我邀请他写个专栏，框架搭好后刚写了几篇就入职了，工作太忙就没空再写了。本文是技能需求篇《统计学基础知识》，付费阅读，收费5元苹果用户可以加我微信，直接转账，就不用给库克手续费了下图就是他找工作时期的知识储备，也是原计划要的课程框架，不写完还真可惜了。课程框架统计学基础导读这部分开始，我们就开始正式介入数据分析师的一些基础知识的学习。在这里，我们本章节先从统计学基础开始。

ax=ax[1])axesSub.set_title('Height')100%|██████████████████████████████████████████████████|

https://pan.baidu.com/s/1hjy_L_K1Ez0cMNcf3qIUxQ?pwd=bwjt进行下载，然后拷贝到下方root参数指定的目录中。trainset

加载预训练的模型和权重参数在后续使用预训练模型时，我们可以根据具体需求选择合适的版本权重。使用这些版本权重时，可以通过将其传递给模型的weights参数来加载相应的预训练权重。如下所示：from

预计阅读时间：

模型保存训练深度学习模型时，最重要的部分是模型的状态。这里说的状态既包括模型的参数，例如模型各层的权重和偏置，也包括优化器的状态，例如移动平局、动量等信息。在

开启TensorBoard的WEB应用在通过上述命令完成tensorboard的安装后，即可在命令行调用tensorboard进行启动。如下所示：tensorboard

是我们本次使用的蚂蚁蜜蜂分类图像数据集存放的目录，其中包含所有需要使用的图像。这个目录的名称不重要，当然，见名知意就好。在

Lightning是一个轻量级的PyTorch包装器，用于更简洁地组织PyTorch代码，同时不牺牲任何灵活性。PyTorch

Parameters）：正则化是用来防止过拟合的一种技术。常见的正则化技术有L1和L2正则化、Dropout等。激活函数（Activation

损失函数基本概念在深入了解PyTorch中的损失函数之前，我们首先来回顾一下损失函数的基本概念。这一章节将介绍损失函数的定义、作用以及与优化器之间的关系。损失函数（Loss

深度学习优化器基础在深入了解PyTorch优化器之前，我们首先需要了解一些深度学习优化器的基本概念。本节将简要介绍梯度下降法、不同类型的梯度下降方法以及学习率的重要性和调整策略。2.1

https://blog.jupyter.org/a-visual-debugger-for-jupyter-914e61716559[2]JupyterLab-TOC

是输出张量。线性层的目的是学习输入到输出之间的最佳线性映射，通过调整权重矩阵

torch.randn(4)sample_inputOut:tensor([-0.1949,

函数获取数据集的大小。需要注意的是，虽然所有的预定义数据集类都具有上述的公共参数和方法，但是它们也可能有一些自己独特的参数和方法。比如，torchvision.datasets.MNIST

仿射变换。可以从不同视角获取图像,增强模型对视角变化的鲁棒性。RandomRotation随机旋转图像。RandomAffine进行随机仿射变换。RandomPerspective进行透视变换。5.

PyTorch从入门到项目实践PyTorch那些事儿（一）：深度学习环境搭建PyTorch那些事儿（二）：PyTorch建模示例PyTorch那些事儿（三）：Tensor深度解析构建数据集，进行数据预处理的代码会因为处理过程繁杂而变得混乱且难以维护，在理想情况下，我们希望数据预处理过程代码与我们的模型训练代码分离，以获得更好的可读性和模块化，为此，PyTorch提供了torch.utils.data.DataLoader

PyTorch那些事儿（一）：深度学习环境搭建PyTorch那些事儿（二）：PyTorch建模示例通过上一篇建模流程的介绍，我们知道，数据准备是整个建模过程的开端，数据的质量和准备程度直接影响模型的训练效果和预测精度，有经验的数据工程师都知道，数据准备阶段工作是否完善，决定了我们整个建模性能的天花板，后续的模型搭建与优化只是去不断逼近这个天花板的过程。所以，我们这个PyTorch教程，就从如何使用PyTorch进行数据准备开始。数据准备阶段包括数据的读取、预处理、划分和转换等步骤。在后续章节中，我们将一一介绍这些过程。在本节内容中，我们将对PyTorch中的核心数据结构——Tensor进行深入介绍。不要疑惑，之所以不直接进入正题去介绍如何使用PyTorch准备数据，因为Tensor太重要了，是整个PyTorch的基石，事实上，无论是神经网络还是其他机器学习算法，无论是CV（计算机视觉），还是NLP（自然语言处理），都依赖于对数据的有效表示和操作，而Tensor就是为此而生，Tensor正是PyTorch中最终用于承载数据的数据结构。详细来说，Tensor在Pytorch

机器学习算法与Python实战P1：搭建开发环境机器学习算法与Python实战P2：Python基础机器学习算法与Python实战P3：Numpy基础机器学习算法与Python实战P4：Pandas机器学习算法与Python实战P5：Matplotlib&Seaborn机器学习算法与Python实战P6：Scikit-Learn机器学习算法与Python实战P7：概率论基础（上）正文共：

机器学习算法与Python实战P1：搭建开发环境机器学习算法与Python实战P2：Python基础机器学习算法与Python实战P3：Numpy基础机器学习算法与Python实战P4：Pandas机器学习算法与Python实战P5：Matplotlib&Seaborn机器学习算法与Python实战P6：Scikit-Learn正文共：

PyTorch从入门到项目实践PyTorch那些事儿（一）：深度学习环境搭建一个完整的模型训练过程包括数据准备、模型搭建、训练与优化等过程，每个过程又涉及若干不同的知识点，本篇中，我们通过一个示例，从整体层面介绍PyTorch的完整建模流程，通过这个例子，我们可以知道建模流程中的各个环节所要做的事情及其意义。在后续的博客中，我们将展开介绍各个过程环节涉及的相关知识内容。1

installation”，选“Yes”，一般两三分钟就能安装完成。安装完成后，再次运行“nvidia-smi”，能成功运行并显示显卡信息，则表示显卡驱动安装成功，如下图所示：$

大家好，我是老章。2019年Google将TensorFlow升级到了2.0，我的好友奥辰同学撰写了一些列TensorFlow2.0的技术文章并发布到了我的公众号：TensorFlow2.0入门教程但是后来他转投PyTorch阵营，在看过太多不成体系的技术文章后，发现很多教程过于偏重理论、代码分析不够通俗易懂，很少有从建模层面去介绍细节。所以，他结合了众多开源项目+真实建模经历+PyTorch官方文档+技术博客后，开发了这套PyTorch教程。我看过之后非常喜欢，理由只有一个：这完全是从一个初学者角度，结合自身学习和项目实战经验开发的聚焦建模过程的PyTorch课程，对初学者十分友好。无论你是初学者，还是已有一些基础知识，这个课程都将帮助大家深入理解和掌握Pytorch，在深度学习的道路上更进一步！1、Why

机器学习算法与Python实战P1：搭建开发环境机器学习算法与Python实战P2：Python基础机器学习算法与Python实战P3：Numpy基础机器学习算法与Python实战P4：Pandas机器学习算法与Python实战P5：Matplotlib&Seaborn正文共：11071字

本文1.7万字，预计阅读时间45分钟机器学习算法与Python实战P1：搭建开发环境机器学习算法与Python实战P2：Python基础机器学习算法与Python实战P3：Numpy基础机器学习算法与Python实战P4：Pandas市面上的Matplotlib教程大部分都只注重各种图表的绘制方法，本文略有不同，比如在5.2节会重点突出Matplotlib图表布局、组件构成等底层原理，掌握这些之后，绘制各种各样图表就有思路了。Matplotlib的学习，从数据分析师的角度或机器学习工程师的角度学习重点会略有不同，比如后者偏重：数据分布的可视化：使用直方图、盒形图和小提琴图来了解数据的分布和离群值。特征关系的可视化：使用散点图和相关热图来了解特征之间的关系。模型性能的可视化：使用混淆矩阵、ROC

机器学习算法与Python实战P1：搭建开发环境机器学习算法与Python实战P2：Python基础机器学习算法与Python实战P3：Numpy基础Pandas

机器学习算法与Python实战P1：搭建开发环境机器学习算法与Python实战P2：Python基础关于

等数据科学和机器学习库。侧重点：数据清洗、数据可视化、数据分析、特征工程、模型训练和调优、模型评估等等。项目实践：预测模型、分类模型、聚类、深度学习、自然语言处理等。Python

这是计划的一部分工欲善其事必先利其器，玩转机器学习，环境问题将一直伴随我们。一个完美的机器学习开发环境，可以让我们少一些糟心事，同时省下不少时间。本文我向大家详细介绍自己用着非常舒服的环境，结构如下：目录Python

本文将详细解释XGBoost中十个最常用超参数的介绍，功能和值范围，及如何使用Optuna进行超参数调优。对于XGBoost来说，默认的超参数是可以正常运行的，但是如果你想获得最佳的效果，那么就需要自行调整一些超参数来匹配你的数据，以下参数对于XGBoost非常重要:etanum_boost_roundmax_depthsubsamplecolsample_bytreegammamin_child_weightlambdaalphaXGBoost的API有2种调用方法，一种是我们常见的原生API，一种是兼容Scikit-learn

等各大明星公司和机构。项目地址：https://github.com/jupyterlab/jupyter-ai有了大模型的加持，Jupyter

变笨了，但还有自知之明机器学习中的最优化算法（全面总结）机器学习知识卡片：降维方法（PCA、ICA、LDA、t-SNE）统计学经典书籍更新

Part1

大家好，我是章北海之前看过一个手绘风格《图解机器学习》项目，然后翻译了其中一部分机器学习知识卡片：聚类机器学习知识卡片：集成方法机器学习知识卡片：优化方法机器学习知识卡片：降维方法挺费劲的，这个系列分为基础和工程两个部分，共72张图喜欢的同学可以看英文原版：https://illustrated-machine-learning.github.io/中文版下载（文末）目录如下：机器学习基础：1.

LLM）强烈建议大家去学习一下：https://learn.deeplearning.ai/huggingface-gradio/GPT-4

神经网络是线性模块和非线性模块的巧妙排列。当聪明地选择并连接这些模块时，我们就得到了一个强大的工具来逼近任何一个数学函数，如一个能够借助非线性决策边界进行分类的神经网络。本文代码的如下：git

level.翻译A:在决定如何和在哪里存储数据之前，选择合适的存储级别是至关重要的。翻译B:在决定如何以及在哪里存储数据之前,选择适当的存储级别至关重要。原文2：The

导言对于几乎所有机器学习算法，无论是有监督学习、无监督学习，还是强化学习，最后一般都归结为求解最优化问题。因此，最优化方法在机器学习算法的推导与实现中占据中心地位。在这篇文章中，小编将对机器学习中所使用的优化算法做一个全面的总结，并理清它们直接的脉络关系，帮你从全局的高度来理解这一部分知识。

Learning)」第一版发布于2013年，可以说是数据科学领域的必读书！💬

客户端下载数据分析入门：统计学基础知识总结可能是全网最全的速查表：Python

JR们好，这是我校友兄弟写的一篇文章。他经济学硕士成功转行数据分析，前期和面试准备的很充分。所以我邀请他写个专栏，框架搭好后刚写了几篇就入职了，工作太忙就没空再写了。本文是技能需求篇《统计学基础知识》，付费阅读，收费5元苹果用户可以加我微信，直接转账，就不用给库克手续费了下图就是他找工作时期的知识储备，也是原计划要的课程框架，不写完还真可惜了。课程框架统计学基础导读这部分开始，我们就开始正式介入数据分析师的一些基础知识的学习。在这里，我们本章节先从统计学基础开始。