《 Python机器学习及实践：从零开始创造Kaggle竞赛之路（第2版）》开源数据和代码 本书的数据集，工具和代码：DIY_ML_Systems_with_Python_2nd_Edition 第二版概要： 《 Python机器学习实践（第二版）》一书适合所有对（深度）机器学习（Machine Learning），数据挖掘（Data Mining），以及自然语言处理（Natural Language Processing）的技术实践研究的初学者。 本书从零开始，以Python编程语言为基础，在不重复叙述大量数学模型与复杂编程知识的替代下，逐步将读者逐步熟悉并掌握当下最流行的（深度）机器学习，数据挖掘以及自然语言处理的开源工具库（包）：Scikit学习，Google Tensorflow，Pandas，Matplotlib，NLTK，Gensim，XGBoost，OpenAI Gym等。

本文来自于cloud.tencent.com，作者以浅显易懂的语言和清晰的示例和代码教你从头开始走过一个机器学习之旅，并且附详细的代码，大家可以收藏和学习。这是一篇完全手把手进行机器学习项目构建的教程，包含：1.数据清理和格式化 2.探索性数据分析3.特征工程和特征选择4.在性能指标上比较几种机器学习模型5.对最佳模型执行超参数调整 6.在测试集合中评估最佳模型7.解释

文章目录p21 因子数据的标准化处理p22 市值中心化处理介绍p23 案例：市值中性化实现以及回测选股结果p24 市值中心化结果总结分析p25 总结 平台：https://www.ricequant.com/quant api1：https://www.ricequant.com/doc/rqdata-institutional#research-API-get_fundamentals api2：https://www.ricequant.com/doc/api/python/chn#wizard-stock rice quant ipynb p21 因子数据的标准化处理 视频：https:

机器学习

基于Python机器学习的可视化麻纱质量预测系统项目研究案例

【python机器学习】逻辑回归算法实现（基于鸢尾花数据集）-附件资源

熊猫快车 ###成为功夫熊猫大师的快速指南在击败邪恶的雪豹大龙之后，我们最喜欢的功夫熊猫大师Po返回和平谷，帮助父亲Ping先生和他的面馆。 平先生的面馆状况一直不太好，因此蒲先生决心帮助他的父亲弄清楚他可以做些什么来改善自己的餐厅。 幸运的是，Po受到了少林武术的崇敬和古老的Python风格的培训，并将像Ye功夫熊猫的真正主人一样，分析Yelp的数据集来保存他父亲的餐厅。 这是一个Python教程，用于使用Pandas和其他Python机器学习工具清理和分析Yelp Data Challenge数据集 数据集 我们将使用提供的Yelp评论。 下载内容包含JSON格式的以下文件： business.json-有关企业的信息 review.json-评论的文本和元数据 tip.json-提示的文本和元数据 user.json-用户信息 checkin.json-每个企业的签到数量 ###

主要介绍了Python机器学习k-近邻算法(K Nearest Neighbor),结合实例形式分析了k-近邻算法的原理、操作步骤、相关实现与使用技巧,需要的朋友可以参考下

本文为大家分享了Python机器学习之K-Means聚类的实现代码，供大家参考，具体内容如下 1.K-Means聚类原理 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 算法大致流程为：（1）随机选取k个点作为种子点(这k个点不一定属于数据集)；（2）分别计算每个数据点到k个种子点的距离，离哪个种子点最近，就属于哪类；（3）重新计算k个种子

主要为大家详细介绍了Python机器学习之K-Means聚类的实现，具有一定的参考价值，感兴趣的小伙伴们可以参考一下