大家好。

以下是本系列的第三周。您可以在我的 github 存储库中找到它们。您也可以在 colab 或 jupyter 上运行所有笔记本。

  • 第 15 天 - 镇压第 2 部分

主题:支持向量回归、决策树回归和随机森林回归

  • 第 17 天 - Kaggle 年度机器学习和数据科学调查第 1 部分

主题:数据清洗、预处理、EDA等

  • 第 18 天 - DecisionTreeRegressor 和 RandomForestRegressor

主题:用决策树和随机森林实现回归器

  • 第 19 天 - Kaggle 年度机器学习和数据科学调查第 2 部分

主题:数据清洗、预处理、EDA等

  • 第 20 天 - 详细的加密分析

主题:建立模型进行预测的基本直觉

  • 第 21 天 - Netflix 内容详细分析

主题:Netflix内容的详细分析

希望我的工作对 AI 爱好者有所帮助。

如果是这样,请对该存储库加注星标,然后在 Github 和 Dev.to 上关注我

https://github.com/thunderstroke325

https://dev.to/thunderstroke

此致。

# python # substance painter
Logo
向你推荐>>>开发者社区

华为、百度、京东云现已入驻，来创建你的专属开发者社区吧！

更多推荐

关于 Jupyter 笔记本最糟糕的五件事

我曾经喜欢 Jupyter。我仍然认为它们是许多任务的绝佳工具,例如探索性数据分析和轻松轻松地向同事展示见解。然而,虽然它们有时非常适合数据科学,但有时却令人头疼。像任何软件工具一样,它们也有其缺点。以下是 Jupyter Notebooks 用于数据科学的五个最糟糕的事情: 1.练习良好的代码版本控制几乎是不可能的 Jupyter Notebooks 对于代码版本控制来说很糟糕。问题是它们存储为

avatar 大数据

2023 年流行的大数据和数据科学角色

数据科学和大数据提供了广泛的职业前景。涉及数据的角色的扩展伴随着数据科学的出现。它是当今最流行和最前沿的技术应用领域之一,这是有道理的。数据科学目前可能是最好的就业市场。与此同时,这一发展中的主题正在改变众多业务和技术。随着所有垂直领域的行业越来越受数据驱动,就业市场和必要的技能受到影响。随着我们学习新的数据接触点和评估方法,我们生活的社会、日常生活和国家经济越来越依赖数据。这是大数据和数据科学能

avatar 大数据

数据科学的主要组成部分和特点

数据科学是十年来增长最快、最具挑战性和高薪的工作之一。那么,究竟什么是数据科学?数据科学是一个跨学科领域,它结合了统计学、计算机科学和机器学习算法,以从结构化和非结构化数据中获得洞察力。据《经济时报》报道,尽管供应增长缓慢,但印度对通过数据科学课程认证的各行业数据科学专业人员的需求增长了 400% 以上。 数据科学的组成部分 1\。数据探索 这是最关键的一步,因为它花费的时间最多。数据探索消耗了大

avatar 大数据