Class Schedule

Tutorial di Python

• Tutorial di Python
• Introduzione a Python
• Inizio con Python
• Sintassi Python
• Commenti Python
• Variabili Python
• Tipi di dati Python
• Python Numbers
• Casting Python
• Stringhe Python
• Booleano Python
• Operatori Python
• Liste Python
• Tuple Python
• Set Python
• Dizionario Python
• Python If Else
• Ciclo While Python
• Ciclo For Python
• Funzione Python
• Lambda Python
• Array Python
• Python Class/Object
• Ereditarietà Python
• Iterazione Python
• Ambito Python
• Modulo Python
• Data Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Python Command Input
• Formattazione di stringhe Python

File Handling

• Apertura di file Python
• Lettura di file Python
• Python File Write/Create
• Eliminazione di file Python

Python NumPy

• Introduzione a NumPy
• Inizio con NumPy
• Creazione di array NumPy
• Indice di array NumPy
• Taglio di array NumPy
• Tipi di dati NumPy
• Copia/Visualizzazione NumPy
• Forma di array NumPy
• Rimodellamento di array NumPy
• Iterazione di array NumPy
• Connessione di array NumPy
• Suddivisione di array NumPy
• Ricerca di array NumPy
• Ordinamento di array NumPy
• Filtraggio di array NumPy
• Casuale NumPy
• ufunc NumPy

Machine Learning

• Introduction
• Modalità media
• Standard Deviation
• Percentile
• Data Distribution
• Normal Data Distribution
• Scatter Plot
• Linear Regression
• Polynomial Regression
• Multiple Regression
• Scaling
• Training/Testing
• Decision Tree

Python MySQL

• MySQL 入门
• MySQL Create Database
• MySQL Create Table
• MySQL Insert
• MySQL Select
• Where MySQL
• Ordina MySQL
• Elimina MySQL
• Elimina tabella MySQL
• Aggiorna MySQL
• Limit MySQL
• Join MySQL

Python MongoDB

• Guida di入门 MongoDB
• Crea database MongoDB
• Crea set MongoDB
• Inserisci MongoDB
• Trova MongoDB
• Query MongoDB
• Ordina MongoDB
• Elimina MongoDB
• Elimina set MongoDB
• Aggiorna MongoDB
• Limit MongoDB

Manuale di riferimento Python

• Panoramica di riferimento Python
• Funzioni native Python
• Metodi di stringa Python
• Metodi di lista Python
• Metodi di dizionario Python
• Metodi di tuple Python
• Metodi di set Python
• Metodi di file Python
• Parole chiave Python

Manuale di riferimento del modulo

• Modulo casuale
• Modulo di richiesta

Python How To

• Eliminare gli elementi duplicati dalla lista
• Invertire una stringa

Python 实例

• Python 实例
• Python 测验

Corso a scelta

Raccomandazioni di corso:

• CodeW3C.com 百宝箱

L'apprendimento automatico permette ai computer di imparare dai dati di studio e dalle informazioni statistiche.

L'apprendimento automatico è un passo verso la direzione dell'intelligenza artificiale (AI).

L'apprendimento automatico è un programma che può analizzare i dati e imparare a prevedere risultati.

Da dove iniziare?

In questo tutorial, torneremo alla matematica e studieremo la statistica, nonché come calcolare valori importanti basati sui dataset.

Impareremo anche a utilizzare vari moduli Python per ottenere le risposte necessarie.

E, impareremo a scrivere funzioni in grado di prevedere risultati basate sulle conoscenze acquisite.

Dataset

Nel computer, un dataset si riferisce a qualsiasi insieme di dati. Può essere tutto, da un array a un database completo.

Esempio di array:

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

Esempio di database:

Attraverso la visualizzazione dell'array, possiamo supporre che la media possa essere circa 80 o 90, e possiamo anche determinare il valore massimo e minimo, ma possiamo fare altro?

Guardando il database, possiamo vedere che il colore più popolare è bianco, l'età più vecchia delle auto è di 17 anni, ma cosa succede se possiamo prevedere se un'auto ha AutoPass solo guardando altri valori?

Questo è l'obiettivo della机器学习! Analizzare i dati e prevedere i risultati!

Nella机器学习, si utilizzano spesso grandi insiemi di dati. In questo tutorial, cercheremo di rendere il più facile possibile per te comprendere i diversi concetti di机器学习, e utilizzeremo alcuni piccoli insiemi di dati facili da comprendere.

Tipi di dati

Per analizzare i dati, è molto importante conoscere il tipo di dati che stiamo gestendo.

Possiamo classificare i tipi di dati in tre principali categorie:

• Numerici (Numerical)
• Categoriali (Categorical)
• Ordinali (Ordinal)

Dati numericiSono numeri che possono essere classificati in due categorie di valori:

Dati discreti (Discrete Data)

- Numeri limitati a interi. Ad esempio: il numero di automobili passate.

Dati continui (Continuous Data)

- Numeri con un numero infinito di valori. Ad esempio: il prezzo di un prodotto o la dimensione di un prodotto.

Dati categorialiSono valori che non possono essere misurati reciprocamente. Ad esempio: valori di colore o qualsiasi valore yes/no.

Dati ordinaliSimile ai dati categoriali, ma misurabili. Esempio: valori di的成绩 di un'A scuola rispetto a B, e così via.

Conoscendo il tipo di dati della sorgente dei dati, sarai in grado di sapere quale tecnologia utilizzare durante l'analisi dei dati.

Nel capitolo successivo, imparerai di più sulle statistiche e sull'analisi dei dati.

Kit strumenti

Manuale di riferimento Python

Python 实例

Python 测验

Link sponsorizzati