内容 隐藏
1 使用 Jax 学习机器学习算法
2 Learn Machine Learning Algorithms with Jax
2.1 学习内容
2.2 要求
2.3 描述
2.4 本课程适合谁：

使用 Jax 学习机器学习算法

Learn Machine Learning Algorithms with Jax

培养您的数据科学技能

 学习内容

  • 学生将学习 Python 的 Jax 库。
  • 学生将学习如何在 Jax 中编写监督分类机器学习算法。
  • 学生将学习如何在 Jax 中编写监督回归机器学习算法。
  • 学生将学习如何在 Jax 中编写神经网络。

 要求

  • 在学习本课程之前，学生应该对 Python 有基本的了解。
  • 学生应该参加过我的免费 Udemy 课程，例如：- Python 编程简介;机器学习的理论概念;以及探索性数据分析中涉及的实用性。

 描述

Jax 是 Google 于 2018 年开发的一个 Python 库，用于研究目的将超过 Google 的另一个 Python 库 Tensorflow。Jax 中可用的代码比 Tensorflow 中的代码少得多，这就是我决定在 Jax 中开发一门课程的原因。

Jax 的编写与 numpy API 非常相似，但课程中将介绍一些差异。

课程的开始将介绍 Jax，讨论将要展示的 16 个 Jupyter Notebooks 中的一些代码。机器学习算法的介绍将分为八个部分。将要介绍的机器学习算法，其中详细介绍了代码：-

 1. 线性回归

 2. 逻辑回归

 3. 朴素贝叶斯

 4. 决策树

 5. 随机森林

 6. K 最近邻

7. 支持向量机

 8. 神经网络

为了使机器学习算法能够有效地呈现，它们必须包含在机器学习项目中，包括：

1. 将 Jax 等 Python 库导入到程序中

2. 从 Google Colab、GitHub 或 sklearn 将适当的数据集加载到程序中

3. 如有必要，对数据进行预处理

4. 如果适用，请删除异常值

5. 如果适用，请删除高度相关的特征

6. 必要时对数据进行标准化

7. 定义因变量和自变量

8. 将数据集拆分为训练集、验证集和测试集，以适当者为准

9. 定义 Jax 模型

10. 将 Jax 模型与其 sklearn 等效项进行比较

11. 获取预测并测试其准确性或误差，无论合适。

本课程适合谁：

  • 本课程适用于有兴趣扩展 Python 的 Jax 库、机器学习和数据科学知识的人。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。