Python、R、Keras和PySpark中端到端Machine-Deep-Learning建模实例

机器学习和深度学习 端到端建模过程 数据加载和预处理：数据丢失，可视化，缩放，文本/图像预处理等 算法或架构选择 模型评估：训练测试拆分，交叉验证，指标等 超参数调整 最终模型保存到磁盘并加载 问题类别 回归 分类 聚类 降维 自然语言处理（NLP） 图像识别 时间序列预测 关联规则学习 使用Python scikit-learn库进行机器学习 回归/分类：线性回归，岭，套索，弹性网，逻辑回归，线性判别分析（LDA），朴素贝叶斯（NB），K最近邻（KNN），支持向量机（SVM），决策树，袋装树，额外的树，随机森林，AdaBoost，梯度提升，XGBoost，神经网络 聚类：K-Means聚类，分层聚类 降维：主成分分析（PCA），内核PCA，LDA 自然语言处理 时间序列预测：持续性模型，自回归综合移动平均值（ARIMA）模型 关联规则学习 使用R进行机器学习 回归/分类：线性回归，偏