Người chạy được lưu trữ cho mọi hệ điều hành chính giúp dễ dàng xây dựng và thử nghiệm tất cả các dự án của bạn. Chạy trực tiếp trên máy ảo hoặc bên trong vùng chứa. Sử dụng máy ảo của riêng bạn, trên đám mây hoặc tại chỗ, với các trình chạy tự lưu trữ
bất kỳ ngôn ngữ
Các hành động GitHub hỗ trợ Nút. js, Python, Java, Ruby, PHP, Go, Rust,. NETvà hơn thế nữa. Xây dựng, thử nghiệm và triển khai các ứng dụng bằng ngôn ngữ bạn chọn
Một thẻ đã tồn tại với tên chi nhánh được cung cấp. Nhiều lệnh Git chấp nhận cả tên thẻ và tên nhánh, vì vậy việc tạo nhánh này có thể gây ra hành vi không mong muốn. Bạn có chắc chắn muốn tạo nhánh này không?
So sánh các thay đổi giữa các nhánh, cam kết, thẻ, v.v bên dưới. Nếu cần, bạn cũng có thể so sánh giữa các nhánh
So sánh và đánh giá về bất cứ thứ gì
Nhánh, thẻ, phạm vi cam kết và phạm vi thời gian. Trong cùng một kho lưu trữ và trên các nhánh
Bạn không thể thực hiện hành động đó vào lúc này
Bạn đã đăng nhập bằng tab hoặc cửa sổ khác. Tải lại để làm mới phiên của bạn. Bạn đã đăng xuất trong một tab hoặc cửa sổ khác. Tải lại để làm mới phiên của bạn
Một thẻ đã tồn tại với tên chi nhánh được cung cấp. Nhiều lệnh Git chấp nhận cả tên thẻ và tên nhánh, vì vậy việc tạo nhánh này có thể gây ra hành vi không mong muốn. Bạn có chắc chắn muốn tạo nhánh này không?
Cuốn sách này, được cập nhật đầy đủ cho phiên bản Python 3. 6+, bao gồm các ý tưởng chính liên kết xác suất, thống kê và học máy được minh họa bằng các mô-đun Python trong các lĩnh vực này. Tất cả các số liệu và kết quả số đều có thể tái tạo bằng cách sử dụng mã Python được cung cấp. Tác giả phát triển các trực giác quan trọng trong học máy bằng cách làm việc với các ví dụ có ý nghĩa bằng nhiều phương pháp phân tích và mã Python, từ đó kết nối các khái niệm lý thuyết với các triển khai cụ thể. Bằng chứng chi tiết cho một số kết quả quan trọng cũng được cung cấp. Các mô-đun Python hiện đại như Pandas, Sympy, Scikit-learn, Tensorflow và Keras được áp dụng để mô phỏng và trực quan hóa các khái niệm máy học quan trọng như đánh đổi sai lệch/phương sai, xác thực chéo và chính quy hóa. Nhiều ý tưởng toán học trừu tượng, chẳng hạn như sự hội tụ trong lý thuyết xác suất, được phát triển và minh họa bằng các ví dụ số
Phiên bản cập nhật này hiện bao gồm Thử nghiệm chính xác Fisher và Thử nghiệm Mann-Whitney-Wilcoxon. Một phần mới về phân tích tỷ lệ sống sót đã được đưa vào cũng như sự phát triển đáng kể của Mô hình tuyến tính tổng quát. Phần học sâu mới để xử lý hình ảnh bao gồm một cuộc thảo luận chuyên sâu về các phương pháp giảm dần độ dốc làm nền tảng cho tất cả các thuật toán học sâu. Giống như ấn bản trước, có các Mẹo lập trình mới và được cập nhật minh họa các mô-đun và phương pháp Python hiệu quả cho lập trình khoa học và máy học. Có 445 khối mã có thể chạy với đầu ra tương ứng đã được kiểm tra độ chính xác. Hơn 158 trực quan hóa đồ họa [hầu hết tất cả được tạo bằng Python] minh họa các khái niệm được phát triển cả về mã và toán học. Chúng tôi cũng thảo luận và sử dụng các mô-đun chính của Python như Numpy, Scikit-learn, Sympy, Scipy, Lifelines, CvxPy, Theano, Matplotlib, Pandas, Tensorflow, Statsmodels và Keras
Cuốn sách này phù hợp với bất kỳ ai có trình độ đại học tiếp xúc với xác suất, thống kê hoặc học máy và có kiến thức cơ bản về lập trình Python
hướng dẫn thiết lập conda
Nếu bạn đang sử dụng conda, bạn có thể bắt đầu bằng cách sao chép kho lưu trữ này và sử dụng tệp environment.yaml như sau
conda env create -n pyPSML -f environment.yaml
và sau đó kích hoạt môi trường bằng cách sử dụng như sau,
conda activate pyPSML
Sau đó, bạn có thể chạy jupyter notebook và điều hướng sổ ghi chép Jupyter cho các chương riêng lẻ. Tất cả các sổ ghi chép đều có đầy đủ chức năng trong môi trường được tạo ra này. Lưu ý rằng có các số liệu được nhúng trong sổ ghi chép Jupyter nhằm xác thực kết quả đầu ra của mã Matplotlib trong đó
Hướng dẫn thiết lập docker
Nếu bạn đang sử dụng docker, có một Dockerfile đi kèm. Sau khi sao chép kho lưu trữ này, bạn có thể xây dựng hình ảnh bằng cách sau,
docker build -t pypsml2e .
và sau đó chạy cục bộ bằng cách sử dụng,
docker container run -it -p 8888:8888 pypsml2e
Sau đó, điều hướng đến URL đầu ra và bạn có thể khám phá sổ ghi chép Jupyter cho từng chương. Ngoài ra, nếu bạn không muốn xây dựng hình ảnh của riêng mình, bạn có thể làm
docker run -p 8888:8888 unpingco/pypsml2e
để lấy hình ảnh docker từ https. // trung tâm. người đóng tàu. com/r/unpingco/pypsml2e. Lưu ý rằng điều này có thể không cập nhật bằng cách tự xây dựng nó từ kho lưu trữ này, nhưng vẫn hoạt động tốt