このページでは、機械学習集中講座の演習の一覧を示します。
このプログラミング 演習の大半では、カリフォルニア州の住宅のデータセットを使用します。
すべて
2020 年 3 月、このコースは tf.keras でコーディングされたプログラミング演習を使い始めました。以前の Estimator プログラミング演習を使用する場合は、GitHub で確認できます。
フレーム処理
ML への降順
損失削減
TensorFlow での最初のステップ
- プログラミングの演習: NumPy 超クイック チュートリアル
- プログラミングの演習: pandas UltraQuick チュートリアル
- プログラミング演習: 合成データによる線形回帰
- プログラミングの演習: 実際のデータセットを使用した線形回帰
トレーニング セットとテストセット
検証
特徴クロス
正則化による簡素化
分類
正則化(スパース性)
ニューラル ネットの概要
ニューラル ネットワークのトレーニング
マルチクラス ニューラル ネット
公平さ
静的トレーニングと動的トレーニングの比較
静的な推論と動的な推論
データの依存関係
プログラミング
2020 年 3 月、このコースは tf.keras でコーディングされたプログラミング演習を使い始めました。以前の Estimator プログラミング演習を使用する場合は、GitHub で確認できます。
フレーム処理
ML への降順
損失削減
TensorFlow での最初のステップ
- プログラミングの演習: NumPy 超クイック チュートリアル
- プログラミングの演習: pandas UltraQuick チュートリアル
- プログラミング演習: 合成データによる線形回帰
- プログラミングの演習: 実際のデータセットを使用した線形回帰
トレーニング セットとテストセット
検証
特徴クロス
正則化による簡素化
分類
正則化(スパース性)
ニューラル ネットの概要
ニューラル ネットワークのトレーニング
マルチクラス ニューラル ネット
公平さ
静的トレーニングと動的トレーニングの比較
静的な推論と動的な推論
データの依存関係
理解度をチェック
2020 年 3 月、このコースは tf.keras でコーディングされたプログラミング演習を使い始めました。以前の Estimator プログラミング演習を使用する場合は、GitHub で確認できます。
フレーム処理
ML への降順
損失削減
TensorFlow での最初のステップ
- プログラミングの演習: NumPy 超クイック チュートリアル
- プログラミングの演習: pandas UltraQuick チュートリアル
- プログラミング演習: 合成データによる線形回帰
- プログラミングの演習: 実際のデータセットを使用した線形回帰
トレーニング セットとテストセット
検証
特徴クロス
正則化による簡素化
分類
正則化(スパース性)
ニューラル ネットの概要
ニューラル ネットワークのトレーニング
マルチクラス ニューラル ネット
公平さ
静的トレーニングと動的トレーニングの比較
静的な推論と動的な推論
データの依存関係
公園
2020 年 3 月、このコースは tf.keras でコーディングされたプログラミング演習を使い始めました。以前の Estimator プログラミング演習を使用する場合は、GitHub で確認できます。
フレーム処理
ML への降順
損失削減
TensorFlow での最初のステップ
- プログラミングの演習: NumPy 超クイック チュートリアル
- プログラミングの演習: pandas UltraQuick チュートリアル
- プログラミング演習: 合成データによる線形回帰
- プログラミングの演習: 実際のデータセットを使用した線形回帰