Πρόγραμμα Μαθημάτων

Οδηγός Python

• Οδηγός Python
• Εισαγωγή στο Python
• Εισαγωγή στο Python
• Γλώσσα Προγραμματισμού Python
• Σχόλια Python
• Μεταβλητές Python
• Τύποι Δεδομένων Python
• Αριθμοί Python
• Κάστινγκ Python
• Σtrings Python
• Boolean Python
• Σύμβολα Υπολογισμού Python
• Λίστες Python
• Τούπες Python
• Συλλογές Python
• Δictionnaires Python
• If Else Python
• While Λοίπος Python
• For Λοίπος Python
• Συνάρτησεις Python
• Lambda Python
• Πίνακες Python
• Κλάσεις/Αντικείμενα Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εκμάθηση Python
• Εισαγωγή Εντολών Python
• Εκμάθηση Python

Διαχείριση Αρχείων

• Εκμάθηση Python
• Εκμάθηση Python
• Εισαγωγή/Δημιουργία Αρχείου Python
• Εκμάθηση Python

Python NumPy

• Εισαγωγή στο NumPy
• Εισαγωγή στο NumPy
• Δημιουργία Πινάκων NumPy
• Αναζήτηση Πινάκων NumPy
• Αποκοπή Πινάκων NumPy
• Τύποι Δεδομένων NumPy
• Αντίγραφα/Προσβάσεις NumPy
• Σχήμα Πινάκων NumPy
• Μετασχηματισμός Πινάκων NumPy
• Εκσυγχρονισμός Πινάκων NumPy
• Σύνδεση Πινάκων NumPy
• Διαχωρισμός Πινάκων NumPy
• Αναζήτηση Πινάκων NumPy
• Σύγκριση Πινάκων NumPy
• Φιλτράρισμα Πινάκων NumPy
• Τυχαία Αριθμήματα NumPy
• Ufuncs NumPy

Μηχανική Εκμάθηση

• Εισαγωγή
• Μέση και μέγιστη μοτίβα
• Απόκλιση
• Περαστικός Αριθμός
• Διανομή Δεδομένων
• Κανονική Διανομή Δεδομένων
• Γραμμικό Σχέδιο
• Λινοειδής Επιστροφή
• Πολυωνυμική Επιστροφή
• Πολυπαραγοντική Επιστροφή
• Ανάπτυξη
• Εκπαίδευση/Δοκιμή
• Δέντρο Δεcision

Python MySQL

• Εισαγωγή στο MySQL
• MySQL Δημιουργία Βάσης Δεδομένων
• MySQL Δημιουργία Τραπέζης
• MySQL Εισαγωγή
• MySQL Εκλογή
• Where MySQL
• Τάξη MySQL
• Διαγραφή MySQL
• Διαγραφή πίνακα MySQL
• Update MySQL
• Limit MySQL
• Join MySQL

Python MongoDB

• Εισαγωγή MongoDB
• Δημιουργία βάσης δεδομένων MongoDB
• Δημιουργία συλλογής MongoDB
• Εισαγωγή MongoDB
• Αναζήτηση MongoDB
• Ερώτηση MongoDB
• Σειρά MongoDB
• Διαγραφή MongoDB
• Διαγραφή συλλογής MongoDB
• Update MongoDB
• Limit MongoDB

Python Εγχειρίδιο

• Επισκόπηση Python
• Εσωτερικές λειτουργίες Python
• Μέθοδοι αλφαβητικού Python
• Μέθοδοι λίστας Python
• Μέθοδοι λεξικού Python
• Μέθοδοι τυπών Python
• Μέθοδοι συλλογής Python
• Μέθοδοι αρχείων Python
• Κλειδιά Python

Εγχειρίδιο μοντέλων

• Μοντέλο τυχαίων
• Μοντέλο αιτήσεων

Python How To

• Διαγραφή επαναλαμβανόμενων στοιχείων λίστας
• Αντιστροφή αλφαβητικού

Python 实例

• Python 实例
• Python 测验

Επιλογή μαθημάτων

Προτεινόμενα μαθήματα:

• CodeW3C.com Βιβλιοθήκη

Η μηχανική μάθηση επιτρέπει στα υπολογιστικά να μαθαίνουν από δεδομένα και στατιστικές πληροφορίες.

Η μηχανική μάθηση είναι ένα βήμα προς την κατεύθυνση της τεχνητής νοημοσύνης (AI).

Η μηχανική μάθηση είναι ένα πρόγραμμα που μπορεί να αναλύει δεδομένα και να μαθαίνει να προβλέπει αποτελέσματα.

Πού να ξεκινήσουμε;

Σε αυτό το tutorial, θα επιστρέψουμε στη μαθηματική και θα μελετήσουμε τη στατιστική, καθώς και πώς να υπολογίσουμε σημαντικές τιμές με βάση τη συλλογή δεδομένων.

Θα μάθουμε επίσης πώς να χρησιμοποιούμε διάφορα μοντέλα Python για να βρούμε τις απαντήσεις που χρειαζόμαστε.

Και θα μάθουμε πώς να γράφουμε λειτουργίες που μπορούν να προβλέψουν αποτελέσματα με βάση τις γνώσεις μας.

Συλλογή δεδομένων

Στα υπολογιστικά, η συλλογή δεδομένων αναφέρεται σε οποιαδήποτε συλλογή δεδομένων. Μπορεί να είναι από πίνακα μέχρι ολόκληρη βάση δεδομένων.

Ένας παράδειγμα πίνακα:

[99,86,87,88,111,86,103,87,94,78,77,85,86]

Ένας παράδειγμα βάσης δεδομένων:

Με τον έλεγχο του πίνακα, μπορούμε να υποθέσουμε ότι η μέση τιμή μπορεί να είναι περίπου 80 ή 90, και μπορούμε επίσης να καθορίσουμε το μέγιστο και το ελάχιστο, αλλά τι περισσότερο μπορούμε να κάνουμε;

Με την εξέταση της βάσης δεδομένων, μπορούμε να δούμε ότι η πιο δημοφιλής απόχρωση είναι το λευκό, η πιο παλιά ηλικία του αυτοκινήτου είναι 17 χρόνια, αλλά τι θα κάνουμε αν μπορούσαμε να προβλέψουμε αν ένα αυτοκίνητο έχει AutoPass μόνο με την εξέταση άλλων τιμών;

Αυτό είναι ο στόχος της μηχανικής μάθησης! Ανάλυση δεδομένων και πρόβλεψη αποτελεσμάτων!

Στη μηχανική μάθηση, χρησιμοποιούνται συνήθως μεγάλα σύνολα δεδομένων. Σε αυτό το μάθημα, προσπαθούμε να σας κάνουμε να κατανοήσετε όσο το δυνατόν πιο εύκολα τις διαφορετικές έννοιες της μηχανικής μάθησης και θα χρησιμοποιήσουμε μικρά σύνολα δεδομένων που είναι εύκολα κατανοητά.

Τύπος δεδομένων

Για να αναλύσουμε δεδομένα, είναι πολύ σημαντικό να γνωρίζουμε τον τύπο των δεδομένων που θα χειριστούμε.

Μπορούμε να κατηγορίσουμε τους τύπους δεδομένων σε τρεις κύριες κατηγορίες:

• Αριθμητικό (Numerical)
• Κατηγορία (Categorical)
• Τάξη (Ordinal)

Αριθμητικά δεδομέναΕίναι αριθμοί που μπορούν να κατηγοριοποιηθούν σε δύο τύπους τιμών:

Διασπασμένα δεδομένα (Discrete Data)

- Αριθμητικά που περιορίζονται σε ακέραιους αριθμούς. Παράδειγμα: ο αριθμός των αυτοκινήτων που περνούν.

Συνεχής δεδομένα (Continuous Data)

- Αριθμητικά με άπειρες τιμές. Παράδειγμα: το κόστος ενός προϊόντος ή το μέγεθος ενός προϊόντος.

Κατηγορικά δεδομέναΕίναι αξίες που δεν μπορούν να μετρηθούν μεταξύ τους. Παράδειγμα: τινά χρώματα ή οποιαδήποτε yes/no αξία.

Αριθμητικά δεδομένα τάξηςΠαρόμοια με τα κατηγορικά δεδομένα, αλλά μπορούν να μετρηθούν μεταξύ τους. Παράδειγμα: Αξιολογήσεις σχολείων που είναι καλύτερες από το B, και ούτω καθεξής.

Με την κατανόηση του τύπου δεδομένων της πηγής δεδομένων, μπορείτε να ξέρετε ποιον τύπο τεχνικής να χρησιμοποιήσετε κατά τη διάρκεια της ανάλυσης δεδομένων.

Στο επόμενο κεφάλαιο, θα μάθετε περισσότερα για την στατιστική και την ανάλυση δεδομένων.

Εργαλειοθήκη

Python Εγχειρίδιο

Python 实例

Python 测验

Σύνδεσμοι χορηγών