大家好,今天小编关注到一个比较有意思的话题,就是关于python设置机器学习的问题,于是小编就整理了4个相关介绍Python设置机器学习的解答,让我们一起看看吧。
- 已学完Python基础知识,应该如何继续提升算法能力,以及如何过渡到机器学习?
- python高级机器学习是什么?
- 用python实现一些机器学习算法时是否需要自己写轮子?
- 机器学习学习完python后再怎么学,整个学习过程是什么?
已学完Python基础知识,应该如何继续提升算法能力,以及如何过渡到机器学习?
书推荐国内公认机器学习入门好书南大周志华的《西瓜书》和中文翻译的AI圣经《花书》
机器学习SK-learn以及人工智能方面的TensorFlow 与pytorch,keras等,这些框架去学习一下,并实际操作一些项目,机器学习与人工智能分很多方向,包括计算机视觉,自然语言处理等,看你喜欢哪个方向的
python高级机器学习是什么?
Python 高级机器学习是指利用 Python 编程语言进行特征工程、模型训练、模型评估和优化的一类机器学习任务。Python 因其丰富的库和易于使用的语法,成为了机器学习领域中的主要工具。高级机器学习涵盖了包括深度学习、自然语言处理、计算机视觉和强化学习等多个子领域。通过使用 Python,研究人员和开发者可以更高效地构建、训练和部署机器学习模型,从而实现对复杂数据集的深度挖掘和高效处理。
用python实现一些机器学习算法时是否需要自己写轮子?
不用自己写轮子,为了理解实现细节的话,可以自己写写。在项目中,没有必要,很多可用好用的库。只要把这些库提供的算法接口,熟练使用就行。呵呵,说起来,这就是别人眼中的调库军。其实也就是苦力活。别被吓着了啊。
其实在应用工程上有很多需要把这些算法组合,整合起来,达到应用的要求。这也很考验对机器学习算法的掌握能力。说多了。
这个得看你出于什么目的而学习机器学习的,如果只是出于工作的需要或者短时间的应用,那你只需要使用框架来实现机器学习的算法就可以了,这些框架都有sklearn(机器学习库),tensorflow,pytorch等,这些框架各有各的缺点和优点,看需要来决定用哪种,这样就不用自己造轮子了,只需要理解其算法过程与框架算法的实现函数就能实现机器学习算法,是不是很过瘾?还有一种情况就是出于自身兴趣而学习的机器学习,我想大部分学习机器学习的都是出于兴趣,既然是兴趣,那就会想着靠自己一步一步来实现这些算法,以便理解其算法原理,实现过程,还可以加深算法的印象,真正的掌握该算法,实现之后自己还会有很高的成就感,觉得自己真是太厉害了有木有?反正我就这种感觉,不过我只是自己实现了手写数字的神经网络识别算法,其识别率还蛮可观的。
如果你想深入机器学习领域,那你就应该自己至少造一次轮子,以便真正掌握该算法,之后的使用不想造轮子了可以使用框架来实现。如果只是短时间的应用,那就用框架吧,很快就能看到实现效果,还不用自己造轮子呢,方便,快速。
祝你好运!
谢谢邀请。是否需要自己造轮子取决于自身的需要。
如果是出于学习阶段,理解机器学习的算法并自己去实现是有必要的。这可以加深对知识的理解。但即便如此,也不是要求从头开始造轮子,很多时候只是二次开发。
如果是工程应用,那么就完全没有必要去重复造轮子了。python目前提供的库已经很强大了,也相当成熟,基本上能够满足一般工程应用的需求,这个时候再花大量精力去重复造轮子是很没必要的。
sklearn、TensorFlow(包括TensorFlow的高层封装Keras)、PyTorch……Python有这么多优秀的库,实现各种机器学习算法很方便,何必要自己造轮子呢?
(图片来源:tertiarycourses***.sg)
你可以看看最近发表的机器学习算法方面的论文,很多论文都开源了配套的代码,这些代码基本都是基于各种框架实现模型,几乎看不到从头自己造轮子实现的。
自己造轮子,不仅写起来麻烦(这还***设你造的轮子语义上没有错误、性能上也不差),别人阅读起来也不方便。
很多人过分推崇从头写起(write X from scratch),恨不得什么都自己写,不屑于使用TensorFlow等框架。但是,TensorFlow不用,那numpy用不用呢?所以说,这种想法其实不可取。
当然,这也不是绝对的,以下情形属于例外:
- 基于学习的目的,加深对基本概念/模块的理解。比如用框架写的话,像反向传播之类的轮子都是现成的。脱离框架自己手写,可以更好地理解这些基本概念/模块。
- 基于性能需求进行优化,比如,使用了特殊的硬件,或者应用场景非常特殊,现有的轮子不能用或者不好用。
- 应付面试。其实这个可以归入第一条。因为之所以有些面试会设置脱离框架手写算法的题目,就是为了看你对基本概念/模块的理解程度。
不需要。
原因之一:Python有它非常强大并且开源的免费库,这是Python语言为什么要优于其他语言的原因。
原因之二:我们只需要找到相对应的库进行加以修改即可。
原因之三:现在机器学习的算法大多都已成熟,我们没有必要重新研究别人已经研究出来的算法,浪费时间,得不偿失。
然而,如果[_a***_]的新算法时,我推荐在已有的算法基础升级会更好,因为从无到有毕竟是很困难的。
机器学习学习完python后再怎么学,整个学习过程是什么?
那就可以做项目了,无论是自己做项目还是几个人一起做项目都可以。图像,自然语言处理,金融预测都可以。如果做图像,那么推荐斯坦福的CS231n,偏重应用。如果做自然语言处理,推荐CS224。如果做金融预测,那么要额外去补一些大数据处理的方法论。另外论文不可不读,记住一点,论文只是论文,目的是为了开拓思路。哪怕是大牛的论文,不代表其结果是好的。书其实没什么太好的书,我推荐Goodfellow的Deep learning。很多人建议一开始就特系统的学习,我不赞成。你踏进一个全新的系统希望通过一些指导系统的掌握一门技术,我认为效率很低。先动起手来,好读书不求甚解,宽度够了再来系统的深度学习。
到此,以上就是小编对于python设置机器学习的问题就介绍到这了,希望介绍关于python设置机器学习的4点解答对大家有用。