内容简介:神经网络清单
本文涵盖了人工智能、神经网络、机器学习、深度学习和大数据等领域的知识清单。具体如下:
-
神经网络
-
Scikit-learn
-
Microsoft Azure机器学习
-
Python for Data Science
-
TensorFlow
-
Keras
-
NumPy
-
Pandas
-
Data Wrangling
-
Scipy
-
Matplotlib
-
Data Visualization
-
PySpark
-
Big-O
神经网络
神经网络清单
神经网络图清单
神经网络清单
机器学习概述
机器学习:Scikit-learn算法
该流程图将帮助您查看每个估算器的文档和粗略指南,以帮助您了解有关问题的更多信息以及解决方法。
Scikit-learn
Scikit-learn(以前称为scikits.learn)是一个用于 Python 编程语言的免费软件机器学习库。它有各种分类、回归和聚类算法,包括支持向量机、随机森林、梯度增强、k -means和DBSCAN,旨在与Python数值、科学库NumPy和SciPy能互操作。
Microsoft Azure机器学习备忘单
Microsoft Azure的这款机器学习备忘单将帮助您为预测分析解决方案选择合适的机器学习算法。首先,备忘单将询问您数据的性质,然后为该作业建议最佳算法。
Python for Data Science
Python数据科学备忘单
大数据备忘单
TensorFlow
2017年5月,Google发布了第二代TPU,以及Google Compute Engine中 TPU的可用性。第二代TPU可提供高达180 teraflops的性能,当组织成64个TPU的簇时,可提供高达11.5 petaflops的性能。
Keras
2017年,Google的TensorFlow团队决定在TensorFlow的核心库中支持Keras。Chollet解释说,Keras被认为是一个界面,而不是端到端的机器学习框架。它提供了更高级别,更直观的抽象集,无论后端科学计算库如何,都可以轻松配置神经网络。
NumPy
NumPy的目标是Python 的CPython参考实现,它是一个非优化的字节码解释器。为此版本的Python编写的数学算法通常比编译的等效算法慢得多。NumPy通过提供多维数组以及在数组上高效运行的函数和运算符来解决缓慢问题,需要重写一些代码,主要是使用NumPy的内部循环。
Pandas
“Pandas”这个名称来自术语“ 面板数据 ”,这是一个多维结构化数据集的计量经济学术语。
Data Wrangling with pandas
Data Wrangling with dplyr and tidyr
SciPy
SciPy构建于NumPy数组对象之上,包括Matplotlib/pandas和SymPy等工具,以及一组不断扩展的科学计算库。这个NumPy具有与其他应用程序类似的用户,例如MATLAB、GNU Octave和Scilab。
matplotlib
matplotlib提供了一个面向对象的 API,用于使用通用GUI工具包(如Tkinter、wxPython、Qt或GTK +)将绘图嵌入到应用程序中。
数据可视化
数据可视化备忘单
ggplot备忘单
PySpark
Big-O
Big-O算法备忘单
Big-O算法复杂度图
BIG-O算法数据结构操作
Big-O阵列 排序 算法
信息来源:https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 使用机器学习探索神经网络架构
- 前馈神经网络介绍和参数学习
- 强化学习新模型Jumper,让神经网络学习在阅读中何时做决定
- 真正的神经网络,敢于不学习权重
- 深度学习基础:单层神经网络之线性回归
- [译] 浅析深度学习神经网络的卷积层
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。