自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

Python機器學習教程

開發(fā) 后端 機器學習
本機器學習教程提供了機器學習的基本和中間概念。它是為完全入門的學生和專業(yè)工作人員而設計的。

 

本機器學習教程提供了機器學習的基本和中間概念。它是為完全入門的學生和專業(yè)工作人員而設計的。在本教程的最后,您不會成為機器學習方面的專家,但是您將能夠制作能夠執(zhí)行復雜任務(例如,預測房屋價格或從尺寸識別虹膜的種類)的機器學習模型。花瓣和萼片的長度。如果您還不是一個完整的初學者,并且對機器學習有所了解,那么我建議您從子主題八開始,即機器學習類型。

在進入本教程之前,您應該熟悉Pandas和NumPy。這對于理解實現(xiàn)部分很重要。以下是我們將在本教程中討論的子主題:

  •  什么是機器學習?
  •  它與傳統(tǒng)編程有何不同?
  •  為什么我們需要機器學習?
  •  機器學習的歷史
  •  目前的機器學習
  •  機器學習的特點
  •  機器學習的最佳語言是什么?
  •  機器學習的類型
  •  監(jiān)督學習
  •  無監(jiān)督學習
  •  強化學習
  •  機器學習算法
  •  機器學習步驟
  •  機器學習的優(yōu)勢
  •  未來的機器學習

什么是機器學習?

亞瑟·塞繆爾(Arthur Samuel)在1959年創(chuàng)造了“機器學習”一詞。他是人工智能和計算機游戲的先驅(qū),并將機器學習定義為“使計算機無需明確編程即可學習的能力的研究領域”。

簡而言之,機器學習是人工智能(AI)的一種應用程序,它使程序(軟件)可以從經(jīng)驗中學習并提高自己在完成一項任務時的自我,而無需進行明確的編程。例如,您將如何編寫一個程序來根據(jù)水果的各種屬性(例如顏色,形狀,大小或任何其他屬性)識別水果?

一種方法是對所有內(nèi)容進行硬編碼,制定一些規(guī)則并使用它們來識別結(jié)果。這似乎是唯一可行的方法,但永遠無法制定適用于所有情況的完善規(guī)則。使用機器學習可以輕松解決此問題,而無需任何規(guī)則,這使其變得更加健壯和實用。您將在接下來的部分中看到我們將如何使用機器學習來完成此任務。

因此,我們可以說,機器學習是通過使機器具有最少的人工干預(即無需顯式編程)進行學習的能力,從而使機器的行為和決策更具人性化。現(xiàn)在出現(xiàn)了一個問題,程序如何獲得任何經(jīng)驗以及從中學習?答案是數(shù)據(jù)。數(shù)據(jù)也被稱為機器學習的動力,我們可以肯定地說沒有數(shù)據(jù)就沒有機器學習。

您可能想知道,機器學習一詞是在1959年引入的,它可以追溯到很久以前,那么為什么直到最近幾年都沒有提及它?您可能需要注意,機器學習需要巨大的計算能力,大量數(shù)據(jù)以及能夠存儲如此龐大數(shù)據(jù)的設備。我們直到最近才滿足所有這些要求并可以練習機器學習。

它與傳統(tǒng)編程有何不同?

您是否想知道機器學習與傳統(tǒng)編程有何不同?好吧,在傳統(tǒng)編程中,我們會將輸入數(shù)據(jù)以及經(jīng)過良好編寫和測試的程序饋入機器中以生成輸出。當涉及到機器學習時,在學習階段,輸入數(shù)據(jù)以及與數(shù)據(jù)相關聯(lián)的輸出將被饋送到機器中,并為自己制定程序。

如果您不能完全理解這些內(nèi)容,請不要擔心,在接下來的部分中,您將獲得更好的理解。

為什么我們需要機器學習?

當今的機器學習具有它所需要的全部注意力。機器學習可以使許多任務實現(xiàn)自動化,尤其是只有人類才能利用其固有的智能來執(zhí)行的任務。僅在機器學習的幫助下,才能將這種智能復制到機器上。 

在機器學習的幫助下,企業(yè)可以自動化日常任務。它還有助于自動化并快速創(chuàng)建數(shù)據(jù)分析模型。各個行業(yè)都依賴大量數(shù)據(jù)來優(yōu)化其運營并做出明智的決策。機器學習有助于創(chuàng)建可以處理和分析大量復雜數(shù)據(jù)以提供準確結(jié)果的模型。這些模型精確,可擴展,并且具有更少的周轉(zhuǎn)時間。通過構(gòu)建這種精確的機器學習模型,企業(yè)可以利用有利可圖的機會并避免未知的風險。

圖像識別,文本生成和許多其他用例正在現(xiàn)實世界中找到應用。這擴大了機器學習專家成為受追捧的專業(yè)人員的視野。  

目前的機器學習

在2012年,Alex Krizhevsky,Geoffrey Hinton和Ilya Sutskever發(fā)表了有影響力的研究論文,描述了一種可以顯著降低圖像識別系統(tǒng)錯誤率的模型。同時,谷歌的X Lab開發(fā)了一種機器學習算法,該算法能夠自主瀏覽YouTube視頻,以識別包含貓的視頻。2016年,AlphaGo(由Google DeepMind的研究人員創(chuàng)建,用于玩中國古代的圍棋游戲)在與Lee Sedol的五場比賽中贏得了四場比賽的勝利,Le Sedol是十多年來一直是世界頂級圍棋選手。

現(xiàn)在,在2020年,OpenAI發(fā)布了GPT-3,這是有史以來功能最強大的語言模型。它可以編寫有創(chuàng)意的小說,生成功能代碼,撰寫周到的業(yè)務備忘錄等。它的可能用例僅受我們的想象力限制。

機器學習的特點

自動化:如今,您的Gmail帳戶中有一個垃圾郵件文件夾,其中包含所有垃圾郵件。您可能想知道Gmail如何知道所有這些電子郵件都是垃圾郵件?這是機器學習的工作。

它可以識別垃圾郵件,因此很容易實現(xiàn)此過程的自動化。自動執(zhí)行重復任務的能力是機器學習的最大特征之一。大量組織已經(jīng)在使用基于機器學習的文書工作和電子郵件自動化。

例如,在金融部門,需要執(zhí)行大量重復,數(shù)據(jù)繁重和可預測的任務。因此,該行業(yè)在很大程度上使用了不同類型的機器學習解決方案。

改善客戶體驗:對于任何企業(yè)而言,提供定制體驗和提供更好的服務,是提高參與度,提升品牌忠誠度和建立長期客戶關系的最關鍵方法之一。

機器學習可以幫助我們實現(xiàn)兩者。您是否曾經(jīng)注意到,無論何時打開任何購物網(wǎng)站或在互聯(lián)網(wǎng)上看到任何廣告,它們大多與您最近搜索的內(nèi)容有關?這是因為機器學習使我們能夠做出精確的驚人推薦系統(tǒng)。它們幫助我們定制用戶體驗。現(xiàn)

在開始使用該服務,如今,大多數(shù)公司都擁有一個聊天機器人,可以全天候(24×7)使用。例如,亞航的Eva。這些機器人提供了智能的答案,有時您甚至可能沒有注意到自己正在與機器人對話。

自動化數(shù)據(jù)可視化:過去,我們已經(jīng)看到公司和個人正在生成大量數(shù)據(jù)。以Google,Twitter,F(xiàn)acebook等公司為例。他們每天產(chǎn)生多少數(shù)據(jù)?我們可以使用這些數(shù)據(jù)并可視化顯著的關系,從而使企業(yè)能夠制定更好的決策,從而使公司和客戶都從中受益。

借助用戶友好的自動化數(shù)據(jù)可視化平臺(例如AutoViz),企業(yè)可以獲取大量新見解,從而提高流程的生產(chǎn)率。

商業(yè)智能:機器學習特性與大數(shù)據(jù)分析結(jié)合使用時,可以幫助公司找到解決問題的方法,這些問題可以幫助企業(yè)發(fā)展并產(chǎn)生更多的利潤。

從零售到金融服務再到醫(yī)療保健,等等,機器學習已經(jīng)成為促進業(yè)務運營的最有效技術(shù)之一。

機器學習的最佳語言是什么?

盡管有許多可用于機器學習的語言,但據(jù)我稱,Python是機器學習應用程序的最佳編程語言。這是由于以下部分提到的各種好處??梢杂糜跈C器學習應用程序的其他編程語言是R,C ++,JavaScript,Java,C#,Julia,Shell,TypeScript和Scala。R還是一種非常好的機器學習入門語言。

與其他編程語言相比,Python以其可讀性和相對較低的復雜性而聞名。機器學習應用程序涉及復雜的概念,例如微積分和線性代數(shù),這些實現(xiàn)需要花費很多精力和時間。Python通過快速實施來幫助機器學習工程師驗證想法,從而減輕了負擔。您可以查看《Python教程》以獲得對該語言的基本了解。在機器學習中使用Python的另一個好處是預構(gòu)建的庫。如下所述,針對不同類型的應用程序有不同的軟件包:

  •  在處理圖像時使用Numpy,OpenCV和Scikit
  •  文本處理時,NLTK與Numpy和Scikit一起
  •  Librosa用于音頻應用
  •  Matplotlib,Seaborn和Scikit用于數(shù)據(jù)表示
  •  用于深度學習應用程序的TensorFlow和Pytorch
  •  科學計算科學
  •  Django,用于集成Web應用程序
  •  熊貓用于高級數(shù)據(jù)結(jié)構(gòu)和分析

Python提供了在面向?qū)ο蟮木幊袒蚰_本之間進行選擇的靈活性。也不需要重新編譯代碼。開發(fā)人員可以實施任何更改并立即查看結(jié)果。您可以將Python和其他語言一起使用以實現(xiàn)所需的功能和結(jié)果。

Python是一種通用的編程語言,可以在任何平臺上運行,包括Windows,MacOS,Linux,Unix等。從一個平臺遷移到另一個平臺時,代碼需要進行一些小的改動和更改,并且可以在新平臺上使用了。

以下是使用Python解決機器學習問題的好處的摘要:

機器學習的類型

機器學習大致分為三類

  •  監(jiān)督學習
  •  無監(jiān)督學習
  •  強化學習

什么是監(jiān)督學習?

讓我們從一個簡單的例子開始,說您正在教一個孩子區(qū)分狗和貓。你會怎么做? 

您可以給他/她看狗,然后說“這是狗”,遇到貓時您會指出它是貓。當您向孩子展示足夠多的貓狗時,他可能會學會區(qū)分它們。如果他訓練有素,他也許就能認出他從未見過的不同品種的狗。 

同樣,在監(jiān)督學習中,我們有兩組變量。一種稱為目標變量,或稱為標簽(我們要預測的變量)和特征(可幫助我們預測目標變量的變量)。

我們向程序(模型)顯示功能以及與這些功能關聯(lián)的標簽,然后程序便能夠在數(shù)據(jù)中找到潛在的模式。以該數(shù)據(jù)集的示例為例,在該數(shù)據(jù)集中我們要根據(jù)房屋的大小來預測房屋的價格。作為目標變量的價格取決于作為特征的尺寸。

Number of rooms Price
1 $100
3 $300
5 $500

在真實的數(shù)據(jù)集中,我們將有更多的行和不止一個功能,例如大小,位置,樓層數(shù)等等。

因此,可以說監(jiān)督學習模型具有一組輸入變量(x)和一個輸出變量(y)。一種算法識別輸入和輸出變量之間的映射函數(shù)。關系為y = f(x)。

在我們已經(jīng)知道輸出和算法每次都得到更正以優(yōu)化其結(jié)果的意義上,對學習進行監(jiān)視或監(jiān)督。對數(shù)據(jù)集進行算法訓練并對其進行修改,直到達到可接受的性能水平。

我們可以將有監(jiān)督的學習問題歸類為:

回歸問題–用于預測未來價值,并使用歷史數(shù)據(jù)對模型進行訓練。例如,預測房屋的未來價格。

分類問題–各種標簽訓練算法以識別特定類別中的項目。例如,狗或貓(如上例中所述),蘋果或橙子,啤酒或葡萄酒或水。

什么是無監(jiān)督學習?

這種方法是沒有目標變量,只有輸入變量(特征)的方法。該算法可自行學習并在數(shù)據(jù)中發(fā)現(xiàn)令人印象深刻的結(jié)構(gòu)。 

目的是破譯數(shù)據(jù)中的基礎分布,以獲得有關數(shù)據(jù)的更多知識。 

我們可以將無監(jiān)督學習問題分組為:

聚類:這意味著將具有相同特征的輸入變量捆綁在一起。例如,根據(jù)搜索記錄對用戶進行分組

關聯(lián):在這里,我們發(fā)現(xiàn)控制數(shù)據(jù)集之間有意義關聯(lián)的規(guī)則。例如,觀看“ X”的人也會觀看“ Y”。

什么是強化學習?

在這種方法中,機器學習模型經(jīng)過訓練,可以根據(jù)他們對自己的行為所獲得的獎勵和反饋做出一系列決策。機器學習如何在復雜和不確定的情況下實現(xiàn)目標,并且在學習期間每次達到目標都會獲得獎勵。 

強化學習與監(jiān)督學習在沒有可用答案的意義上有所不同,因此強化代理決定執(zhí)行任務的步驟。當沒有訓練數(shù)據(jù)集時,機器會從自己的經(jīng)驗中學習。

機器學習算法

這可能是您機器學習過程中最耗時且最困難的過程。機器學習中有很多算法,您不需要完全了解它們就可以入門。但是我建議,一旦您開始練習機器學習,就應該開始學習其中最受歡迎的算法,例如:

  •  線性回歸
  •  邏輯回歸
  •  決策樹
  •  支持向量機
  •  樸素貝葉斯
  •  K近鄰
  •  K均值
  •  隨機森林
  •  梯度提升算法
    •  GBM
    •  XGBoost
    •  LightGBM
    •   貓助推器

在這里,我將簡要概述一下機器學習中最簡單的算法之一,即K近鄰算法(這是一種監(jiān)督學習算法),并說明如何將其用于回歸和分類。我強烈建議檢查線性回歸和邏輯回歸,因為我們將要實現(xiàn)它們,并在實現(xiàn)部分將結(jié)果與KNN(K最近鄰)算法進行比較。

您可能需要注意,對于回歸問題和分類問題,通常有單獨的算法。但是通過修改算法,我們可以將其用于分類和回歸,如下所示

K最近鄰居算法

KNN屬于一組懶惰的學習者。與急切的學習者(例如邏輯回歸,SVM,神經(jīng)網(wǎng)絡)相反,懶惰的學習者只是將訓練數(shù)據(jù)存儲在內(nèi)存中。在訓練階段,KNN整理數(shù)據(jù)(建立索引的過程),以便在推理階段有效地找到最接近的鄰居。否則,它將不得不將推理期間的每個新個案與整個數(shù)據(jù)集進行比較,從而使其效率很低。

因此,如果您想知道什么是訓練階段,急切的學習者和懶惰的學習者,現(xiàn)在請記住,訓練階段是算法從提供給它的數(shù)據(jù)中學習的時間。例如,如果您經(jīng)歷了上面鏈接的線性回歸算法,則在訓練階段,該算法將嘗試找到最佳擬合線,該過程包括大量計算,因此需要大量時間,并且這種類型的算法被稱為渴望的學習者。另一方面,懶惰的學習者就像KNN一樣,不涉及很多計算,因此訓練速度更快。

分類問題的K-NN

現(xiàn)在讓我們看看如何使用K-NN進行分類。這里是一個假設的數(shù)據(jù)集,它試圖根據(jù)身高和體重(特征)來預測一個人是男性還是女性(標簽)。

高度(厘米)-特征 重量(kg)-特點。 性別(標簽)
187 80
165 50
199 99
145 70
180 87
178 65
187 60

現(xiàn)在讓我們繪制這些點:

現(xiàn)在,我們要分類一個新點,因為它的高度為190 cm,重量為100 Kg。這是K-NN對這一點進行分類的方式:

  1.  選擇K的值,用戶在分析數(shù)據(jù)后選擇他認為最好的K值。
  2.  測量新點與其最接近的K個點的距離。有多種計算此距離的方法,其中最常用的方法是-Euclidian,Manhattan(用于連續(xù)數(shù)據(jù)點,即回歸問題)和Hamming距離(用于分類,即用于分類問題)。
  3.  確定更接近新點的點的類別,并相應地標記新點。因此,如果更接近我們的新點的大多數(shù)點屬于某個“ a”類,則我們的新點預計將來自“ a”類。

現(xiàn)在讓我們將此算法應用于我們自己的數(shù)據(jù)集。讓我們首先繪制新數(shù)據(jù)點。

現(xiàn)在讓我們?nèi) = 3,即,我們將看到與新點最接近的三個點:

因此,它被分類為男性:

現(xiàn)在讓我們?nèi) = 5的值,看看會發(fā)生什么:

正如我們所看到的,最接近新數(shù)據(jù)點的四個點是男性,只有一個點是女性,因此我們以多數(shù)為準,再次將其分類為“男性”。分類時,必須始終選擇K的值作為奇數(shù)。

回歸問題的K-NN

我們已經(jīng)看到了如何使用K-NN進行分類?,F(xiàn)在,讓我們看看進行了哪些更改以將其用于回歸。該算法幾乎相同,只有一個區(qū)別。在分類中,我們檢查了所有最近點的大部分。在這里,我們將取所有最近點的平均值,并將其作為預測值。讓我們再次以相同的示例為例,但是在這里我們必須根據(jù)一個人的身高(特征)來預測他的體重(標簽)。

高度(厘米)-特征 重量(kg)-標簽
187 80
165 50
199 99
145 70
180 87
178 65
187 60

現(xiàn)在我們有了一個高度為160cm的新數(shù)據(jù)點,我們將K值分別設為1,2和4來預測其權(quán)重。

當K = 1時:我們數(shù)據(jù)中最接近160cm的點是165cm,其權(quán)重為50,因此我們得出的結(jié)論是預測的權(quán)重本身就是50。

當K = 2時:兩個最接近的點分別是165和145,權(quán)重分別等于50和70。取平均值,我們說預測重量為(50 + 70)/ 2 = 60。

當K = 4時:重復相同的過程,現(xiàn)在我們?nèi)?個最接近的點,因此我們得到70.6作為預測的權(quán)重。

您可能會認為這真的很簡單,并且機器學習沒有什么特別的,它只是基礎數(shù)學。但是請記住,這是最簡單的算法,一旦前進,您將看到更加復雜的算法。

機器學習步驟

我希望機器學習只是在數(shù)據(jù)上應用算法并獲得預測值,但這不是那么簡單。機器學習中有幾個步驟對于每個項目都是必須的。

      1.  收集數(shù)據(jù):這可能是最重要和最耗時的過程。在這一步中,我們需要收集可以幫助我們解決問題的數(shù)據(jù)。例如,如果您要預測房屋的價格,我們需要一個適當?shù)臄?shù)據(jù)集,其中包含有關過去房屋銷售的所有信息,然后形成表格結(jié)構(gòu)。我們將在實現(xiàn)部分中解決類似的問題。

      2.  準備數(shù)據(jù):有了數(shù)據(jù)后,我們需要將其以正確的格式進行處理。預處理涉及各種步驟,例如數(shù)據(jù)清理,例如,如果您的數(shù)據(jù)集包含一些空值或異常值(例如,字符串而不是數(shù)字),您將如何處理它?我們可以采用多種方法,但一種簡單的方法是只刪除具有空值的行。

    同樣有時候在數(shù)據(jù)集中,我們可能會有對結(jié)果沒有影響的列,例如id,我們也將這些列也刪除了。我們通常使用數(shù)據(jù)可視化通過圖形和圖表對數(shù)據(jù)進行可視化,然后在分析圖形之后確定特點是important.Data預處理是一個巨大的話題。

      3.  選擇模型:現(xiàn)在我們的數(shù)據(jù)已經(jīng)準備就緒,可以輸入到機器學習算法中了。如果您想知道什么是模型?通常,“機器學習算法”與“機器學習模型”可以互換使用。模型是對數(shù)據(jù)運行的機器學習算法的輸出。

    簡單來說,當我們對所有數(shù)據(jù)實施算法時,我們得到的輸出包含所有規(guī)則,數(shù)字以及進行預測所需的任何其他特定于算法的數(shù)據(jù)結(jié)構(gòu)。例如,在對數(shù)據(jù)執(zhí)行線性回歸后,我們得到了最佳擬合線的方程式,該方程式稱為模型。下一步通常是訓練模型,以防萬一我們不想調(diào)整超參數(shù)并選擇默認參數(shù)。

      4.  超參數(shù)調(diào)整:超參數(shù) 至關重要,因為它們控制著機器學習模型的整體行為。最終目標是找到能夠為我們帶來最佳結(jié)果的超參數(shù)的最佳組合。但是這些超參數(shù)是什么?記住我們的K-NN算法中的變量K。

    當我們設置不同的K值時,我們會得到不同的結(jié)果.K的最佳值不是預先定義的,并且對于不同的數(shù)據(jù)集是不同的。沒有方法可以知道K的最佳值,但是您可以嘗試不同的值并檢查哪個值可獲得最佳結(jié)果。這里的K是一個超參數(shù),每個算法都有自己的超參數(shù),我們需要調(diào)整它們的值以獲得最佳結(jié)果。

      5.  評估:您可能想知道,如何知道模型的性能好壞,還有什么比在某些數(shù)據(jù)上測試模型更好的方法呢?該數(shù)據(jù)被稱為測試數(shù)據(jù),并且不能是我們在其上訓練算法的數(shù)據(jù)(訓練數(shù)據(jù))的子集。

    訓練模型的目的不是讓它學習訓練數(shù)據(jù)集中的所有值,而是識別數(shù)據(jù)中的基礎模式,并基于此模式對從未見過的數(shù)據(jù)進行預測。有多種評估方法,例如K折交叉驗證等。我們將在下一節(jié)中詳細討論此步驟。

      6.  預測:現(xiàn)在我們的模型在測試集上也表現(xiàn)良好,我們可以在現(xiàn)實世界中使用它,并希望它在現(xiàn)實世界的數(shù)據(jù)上能夠表現(xiàn)良好。

機器學習的優(yōu)勢

1. 輕松識別趨勢和模式

機器學習可以查看大量數(shù)據(jù),并發(fā)現(xiàn)人類看不到的特定趨勢和模式。例如,對于像Amazon和Flipkart這樣的電子商務網(wǎng)站,它可以了解其用戶的瀏覽行為和購買歷史,以幫助他們選擇合適的產(chǎn)品,交易和提醒。它使用結(jié)果向他們顯示相關廣告。

2. 持續(xù)改進

我們將不斷生成新數(shù)據(jù),并在將數(shù)據(jù)提供給機器學習模型時幫助其隨時間升級并提高其性能和準確性。我們可以說,這就像獲得經(jīng)驗一樣,因為他們不斷提高準確性和效率。這使他們可以做出更好的決策。

3. 處理多維和多元數(shù)據(jù)

機器學習算法擅長處理多維和多類型的數(shù)據(jù),并且它們可以在動態(tài)或不確定的環(huán)境中做到這一點。

4. 廣泛的應用

您可以是電子零售商或醫(yī)療保健提供者,并可以使用機器學習。在適用的情況下,它具有幫助向客戶提供更多個人體驗的能力,同時還可以針對合適的客戶。

機器學習的未來

機器學習可以成為任何一家公司的競爭優(yōu)勢,無論是頂級跨國公司還是初創(chuàng)公司。由于目前手動完成的工作將在明天由機器完成。隨著無人駕駛汽車Sophia(由香港公司Hanson Robotics開發(fā)的類人機器人)等項目的推出,我們已經(jīng)開始了解未來。機器學習革命將在我們身邊長期存在,因此機器學習的未來也將如此。 

 

責任編輯:龐桂玉 來源: 馬哥Linux運維
相關推薦

2023-11-02 14:26:30

PyTorch機器學習

2023-11-02 14:30:25

機器學習

2020-12-16 15:56:26

機器學習人工智能Python

2018-09-25 06:33:21

機器學習NLPPython

2018-09-17 14:50:41

機器學習教程匯總人工智能

2024-11-29 12:00:00

Python機器學習

2016-11-03 09:19:04

Python機器學習庫

2022-06-09 09:14:31

機器學習PythonJava

2014-03-17 10:28:52

PythonJulia

2022-06-05 21:16:08

機器學習Python

2021-07-29 13:06:29

Python機器學習編程語言

2012-12-20 11:13:58

IBMdW

2021-01-22 11:18:58

Python機器學習超參數(shù)

2022-06-02 15:42:05

Python機器學習

2017-06-27 09:43:43

Python機器學習

2015-04-14 10:40:31

云計算機器學習

2017-05-05 09:56:08

神經(jīng)網(wǎng)絡模型繪畫

2021-04-12 10:46:15

人工智能機器學習

2021-03-15 11:35:28

人工智能機器學習

2017-04-11 12:05:07

機器學習python矩陣運算
點贊
收藏

51CTO技術(shù)棧公眾號