@hbkedge

龍家俊教你 機器學習 day31 np.logspace(start,stop, num) 創建等比數列 參數: num:要生成的等比數列數量，默認為50 # 生成10^x np.logspace(0, 2, 3) 返回結果: array([ 1., 10., 100.])

猜下一句吧 佛跳牆做到會爆炸，是不允許的...

龍家俊教你 機器學習 day30 np.arange(start,stop, step, dtype) 創建等差數組 — 指定步長 參數 step:步長,默認值為1 np.arange(10, 50, 2) 返回結果： array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48])

猜下一句吧 好！居然將米釀再箕圍蝦裡面蒸熟，再用原隻吉品鮑魚榨汁，加上極品官燕來炒，表面上看起來平平無奇的炒飯，其實金雕玉砌，高深莫測，不愧有炒王稱號

龍家俊教你 機器學習 day29 #生成固定範圍的數組 np.linspace (start, stop, num, endpoint) 創建等差數組 — 指定數量 參數: start:序列的起始值 stop:序列的終止值 num:要生成的等間隔樣例數量，默認為50 endpoint:序列中是否包含stop值，默認為ture # 生成等間隔的數組 np.linspace(0, 100, 11) 返回結果： array([ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90., 100.])

猜下一句吧 那天晚上我玩完她後第二天就有了，哪有那麼快的啊

龍家俊教你 機器學習 day28 #生成數組的方法2 np.array(object, dtype) np.asarray(a, dtype) a = np.array([[1,2,3],[4,5,6]]) # 從現有的數組當中建立 a1 = np.array(a) # 相當於索引的形式，並沒有真正的建立一個新的 a2 = np.asarray(a)

慶祝5人上課 猜下一句吧 眨巴眼：一個大男人偷偷摸摸跑來找眨巴眼，一定是買眨眼那些玩意了！ 車文晶：你怎麽知道？

龍家俊教你 機器學習 day27 #生成數組的方法 ## 生成0和1的數組 np.ones(shape, dtype) np.ones_like(a, dtype) np.zeros(shape, dtype) np.zeros_like(a, dtype) ones = np.ones([4,8]) ones 返回結果: array([[1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1.]]) np.zeros_like(ones) 返回結果: array([[0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0.]])

龍家俊教你 機器學習 day26 ndarray的屬性 # 建立不同形狀的數組 >>> a = np.array([[1,2,3],[4,5,6]]) >>> b = np.array([1,2,3,4,5]) >>> c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]]) 分別印出形狀(維度) >>> a.shape >>> b.shape >>> c.shape

龍家俊教你 機器學習 day25 NumPy提供了一個N維數組類型ndarray，它描述了相同類型的“items”的集合。 範例: import numpy as np # 建立ndarray score = np.array( [[50, 89, 86, 67, 89], [78, 97, 59, 67, 81], [90, 94, 78, 62, 74], [91, 93, 91, 57, 69], [76, 87, 75, 67, 86], [78, 79, 84, 97, 84], [94, 92, 63, 47, 64], [96, 85, 83, 67, 85]]) score

龍家俊教你 機器學習 day24 #Numpy介紹 Numpy（Numerical Python）是一個開源的Python科學計算庫，用於快速處理任意維度的數組。 Numpy支持常見的數組和矩陣操作。對於同樣的數值計算任務，使用Numpy比直接使用Python要簡潔的多。 Numpy使用ndarray對象來處理多維數組，該對像是一個快速而靈活的大數據容器。

龍家俊教你 機器學習 day23 圓餅圖：用於表示不同分類的佔比情況，通過弧度大小來對比各種分類。 特點：分類數據的佔比情況(佔比) api：plt.pie(x, labels=,autopct=,colors) Parameters: x:數量，自動算百分比 labels:每部分名稱 autopct:佔比顯示指定%1.2f%% colors:每部分顏色

龍家俊教你 機器學習 day22 4.直方圖：由一系列高度不等的縱向條紋或線段表示數據分佈的情況。一般用橫軸表示數據范圍，縱軸表示分佈情況。 特點：繪製連續性的數據展示一組或者多組數據的分佈狀況(統計) api：matplotlib.pyplot.hist(x, bins=None)

龍家俊教你 機器學習 day21 3.柱狀圖：排列在工作表的列或行中的數據可以繪製到柱狀圖中。 特點：繪製連離散的數據,能夠一眼看出各個數據的大小,比較數據之間的差別。 (統計/對比) api：plt.bar(x, width, align='center', **kwargs)

龍家俊教你 機器學習 day20 2散點圖：用兩組數據構成多個坐標點，考察坐標點的分佈,判斷兩變量之間是否存在某種關聯或總結坐標點的分佈模式。 特點：判斷變量之間是否存在數量關聯趨勢,展示離群點(分佈規律) api：plt.scatter(x, y)

龍家俊教你 機器學習 day19 #Matplotlib能夠繪製折線圖、散點圖、柱狀圖、直方圖、圓餅圖 1.折線圖：以折線的上升或下降來表示統計數量的增減變化的統計圖 特點：能夠顯示數據的變化趨勢，反映事物的變化情況。 (變化) api：plt.plot(x, y)

龍家俊教你 機器學習 day18 # 增加以下兩行代碼 # 構造x軸刻度 x_ticks_label = ["10點{}分".format(i) for i in x] # 構造y軸刻度 y_ticks = range(30) # 修改x,y軸坐標的刻度顯示 plt.xticks(x[::5], x_ticks_label[::5]) plt.yticks(y_ticks[::5])

龍家俊教你 機器學習 day17 #添加自定義x,y軸 刻度 plt.xticks(x, **kwargs) x:要顯示的刻度值 plt.yticks(y, **kwargs) y:要顯示的刻度值

龍家俊教你 機器學習 day16 import matplotlib.pyplot as plt import random # 畫出溫度變化圖 # 0.準備x, y坐標的數據 x = range(60) y_t = [random.uniform(16, 23) for i in x] # 1.創建畫布 plt.figure(figsize=(20, 8), dpi=80) # 2.繪製折線圖 plt.plot(x, y_t) # 3.顯示圖像 plt.show()

龍家俊教你 機器學習 day15 #Matplotlib之HelloWorld import matplotlib.pyplot as plt # 1.創建畫布 plt.figure(figsize=(10, 10), dpi=100) # 2.繪製折線圖 plt.plot([1, 2, 3, 4, 5, 6 ,7], [20,17,18,16,11,11,18]) # 3.顯示圖像 plt.show()

龍家俊教你 機器學習 day14 #matplotlib.pyplot模塊 matplotlib.pytplot包含了一系列類似於matlab的畫圖函數。 import matplotlib.pyplot as plt # 圖形繪製流程： 1.創建畫布 -- plt.figure() plt.figure(figsize=(), dpi=) figsize:指定圖的長寬 dpi:圖像的清晰度 返回fig對象 2.繪製圖像 -- plt.plot(x, y) 以折線圖為例 3.顯示圖像 -- plt.show()

龍家俊教你 機器學習 day13 什麼是Matplotlib 是專門用於開發2D圖表（包括3D圖表） 以漸進、方式實現數據可視化 為什麼要學習Matplotlib 可視化是在整個數據挖掘的關鍵輔助工具，可以清晰地理解數據，從而調整我們的分析。 能夠將數據進行可視化、更直觀的顯示 使數據進一步、說服力

龍家俊教你 機器學習 day12 Jupyter Notebook快捷鍵操作 兩種模式通用快捷鍵 Shift+Enter，執行本單元代碼，並跳轉到下一單元 Ctrl+Enter，執行本單元代碼，留在本單元 命令模式：按ESC進入 Y，cell切換到Code模式 M，cell切換到Markdown模式 A，在當前cell的上面添加cell B，在當前cell的下面添加cell 其他 雙擊D：刪除當前cell Z，回退 L，為當前cell加上行號 <!-- Ctrl+Shift+P，對話框輸入命令直接運行 快速跳轉到首個cell，Crtl+Home 快速跳轉到最後一個cell，Crtl+End --> 編輯模式：按Enter進入 補全代碼：變量、方法後跟Tab鍵 為一行或多行代碼添加/取消註釋：Ctrl+/（Mac:CMD+/） 其他 多光標操作：Ctrl鍵點擊滑鼠（Mac:CMD+點擊鼠標） 回退：Ctrl+Z（Mac:CMD+Z） 重做：Ctrl+Y（Mac:CMD+Y)

龍家俊教你 機器學習 day11 #cell操作 什麼是cell？ cell：一對In Out會話被視作一個代碼單元，稱為cell cell行號前的 * ，表示 代碼正在運行 #Jupyter支持兩種模式： 編輯模式（Enter） 命令模式下回車Enter或鼠標雙擊cell進入編輯模式 可以操作cell內文本或代碼，切下／複製／貼上移動等操作 命令模式（Esc） 按Esc退出編輯，進入命令模式 可以操作cell單元本身進行切下／複製／貼上／移動等操作

龍家俊教你 機器學習 day10 Jupyter Notebook 使用 1.開啟Jupyter Notebook (Anaconda3) 2.點new 新增python檔案 3.可以在CELL內寫CODE

龍家俊教你 機器學習 day9 整個機器學習基礎階段會用到Matplotlib、Numpy、Pandas等library 推薦使用anaconda https://www.anaconda.com/products/individual

龍家俊教你 機器學習 day8 #模型評估 模型評估是模型開發過程不可或缺的一部分。它有助於發現表達數據的最佳模型和所選模型將來工作的性能如何。 按照數據集的目標值不同，可以把模型評估分為分類模型評估(分類惡性良性細胞)和回歸模型評估(房價預估)。 # 擬合 模型評估用於評價訓練好的的模型的表現效果，其表現效果大致可以分為兩類：過擬合、欠擬合。 在訓練過程中，你可能會遇到如下問題： 訓練數據訓練的很好啊，誤差也不大，為什麼在測試集上面有問題呢？ 當算法在某個數據集當中出現這種情況，可能就出現了擬合問題。 ##欠擬合（under-fitting）：模型學習的太過粗糙，連訓練集中的樣本數據特徵關係都沒有學出來。 ##過擬合（over-fitting）：所建的機器學習模型或者是深度學習模型在訓練樣本中表現得過於優越，導致在測試數據集中表現不佳。

龍家俊教你 機器學習 day 7 #強化學習 定義： 實質是make decisions 問題，即自動進行決策，並且可以做連續決策。 舉例： 小寶寶想要走路，但在這之前，他需要先站起來，站起來之後還要保持平衡，接下來還要先邁出一條腿，是左腿還是右腿，邁出一步後還要邁出下一步。 小寶寶就是agent，他試圖通過採取行動（即行走）來操縱環境（行走的表面），並且從一個狀態轉變到另一個狀態（即他走的每一步），當他完成任務的子任務（即走了幾步）時，孩子得到獎勵（給巧克力吃），並且當他不能走路時，就不會給巧克力。

龍家俊教你 機器學習 day 6 #半監督學習 定義： 訓練集同時包含有標記樣本數據和未標記樣本數據。屬於無監督學習（沒有任何標記的訓練數據）和監督學習（完全標記的訓練數據）之間 對於學習問題的標記數據的獲取通常需要熟練的人類代理（例如轉錄音頻片段）或物理實驗（例如，確定蛋白質的3D結構或確定在特定位置處是否存在油）。因此與標籤處理相關的成本可能使得完全標註的訓練集不可行，而獲取未標記的數據相對便宜。在這種情況下，半監督學習可能具有很大的實用價值.