深度学习先决条件：Python 中的 Numpy 堆栈

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz
语言：英语 |时长：6小时16米

你将学到什么

• 通过使用 Scikit-Learn 的真实示例了解监督式机器学习（分类和回归）
• 了解并使用 Numpy 堆栈进行编码
• 利用 Numpy、Scipy、Matplotlib 和 Pandas 实现数值算法
• 了解各种机器学习模型的优缺点，包括深度学习、决策树、随机森林、线性回归、Boosting 等等！
• 了解 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 的重要基础

有没有想过像OpenAI、ChatGPT、GPT-4、DALL-E、Midjourney和Stable Diffusion这样的人工智能技术是如何工作的？在本课程中，您将学习这些突破性应用程序的基础。

欢迎！这是深度学习、机器学习和数据科学先决条件：Python 中的 Numpy 堆栈。

我经常遇到的一个问题或担忧是，人们想要学习深度学习和数据科学，因此他们学习这些课程，但他们被抛在了后面，因为他们对 Numpy 堆栈了解不够，无法将这些概念转化为代码。

即使我写了完整的代码，如果你不了解 Numpy，那么它仍然很难阅读。

本课程旨在消除这一障碍 – 向您展示如何在 Numpy 堆栈中执行深度学习和数据科学中经常需要的操作。

那么这些东西是什么？

Numpy。这构成了其他一切的基础。 Numpy 中的中心对象是 Numpy 数组，您可以在其上执行各种操作。

关键是 Numpy 数组不仅仅是您在 Java 或 C++ 等语言中看到的常规数组，而是像向量或矩阵这样的数学对象。

这意味着您可以进行向量和矩阵运算，例如加法、减法和乘法。

Numpy 数组最重要的方面是它们针对速度进行了优化。因此，我们将做一个演示，向您证明使用 Numpy 向量化运算比使用 Python 列表更快。

然后我们将了解一些更复杂的矩阵运算，例如乘积、逆矩阵、行列式和求解线性系统。

Pandas。Pandas 很棒，因为它在底层做了很多事情，这让您的生活变得更轻松，因为您不需要手动编写这些事情。

如果您熟悉 R，Pandas 可以像 R 一样处理数据集。

R 和 Pandas 中的中心对象是 DataFrame。

我们将看看使用 Pandas 加载数据集与尝试手动加载数据集相比容易得多。

然后我们将了解一些在机器学习中有用的数据帧操作，例如按列过滤、按行过滤和 apply 函数。

Pandas 数据框会让您想起 SQL 表，因此，如果您有 SQL 背景并且喜欢使用表，那么 Pandas 将是下一个值得学习的好东西。

既然 Pandas 教我们如何加载数据，下一步就是查看数据。为此，我们将使用Matplotlib。

在本节中，我们将介绍一些常见的图表，即折线图、散点图和直方图。

我们还将了解如何使用 Matplotlib 显示图像。

99% 的情况下，您都会使用上述绘图的某种形式。

Scipy。

我喜欢将 Scipy 视为 Numpy 的插件库。

Numpy 提供了基本的构建块，例如向量、矩阵及其运算，而 Scipy 使用这些通用构建块来执行特定的操作。

例如，Scipy 可以进行许多常见的统计计算，包括获取 PDF 值、CDF 值、从分布中采样以及统计测试。

它具有信号处理工具，因此可以执行卷积和傅立叶变换等操作。

总而言之：

如果您学过深度学习或机器学习课程，并且了解理论，并且可以看到代码，但无法将如何将这些算法转化为实际运行的代码之间建立联系，那么本课程适合您。

“如果你不能实现它，你就没有理解它”

• 或者正如伟大的物理学家理查德·费曼所说：“我无法创造的东西，我就不理解”。
• 我的课程是唯一您将学习如何从头开始实现机器学习算法的课程
• 其他课程会教您如何将数据插入库，但您真的需要 3 行代码的帮助吗？
• 对 10 个数据集执行相同的操作后，您意识到自己没有学到 10 件事。你学习MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz
  语言：英语 |时长：6小时16米

  你将学到什么

  • 通过使用 Scikit-Learn 的真实示例了解监督式机器学习（分类和回归）
  • 了解并使用 Numpy 堆栈进行编码
  • 利用 Numpy、Scipy、Matplotlib 和 Pandas 实现数值算法
  • 了解各种机器学习模型的优缺点，包括深度学习、决策树、随机森林、线性回归、Boosting 等等！
  • 了解 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 的重要基础

  有没有想过像OpenAI、ChatGPT、GPT-4、DALL-E、Midjourney和Stable Diffusion这样的人工智能技术是如何工作的？在本课程中，您将学习这些突破性应用程序的基础。

  欢迎！这是深度学习、机器学习和数据科学先决条件：Python 中的 Numpy 堆栈。

  我经常遇到的一个问题或担忧是，人们想要学习深度学习和数据科学，因此他们学习这些课程，但他们被抛在了后面，因为他们对 Numpy 堆栈了解不够，无法将这些概念转化为代码。

  即使我写了完整的代码，如果你不了解 Numpy，那么它仍然很难阅读。

  本课程旨在消除这一障碍 – 向您展示如何在 Numpy 堆栈中执行深度学习和数据科学中经常需要的操作。

  那么这些东西是什么？

  Numpy。这构成了其他一切的基础。 Numpy 中的中心对象是 Numpy 数组，您可以在其上执行各种操作。

  关键是 Numpy 数组不仅仅是您在 Java 或 C++ 等语言中看到的常规数组，而是像向量或矩阵这样的数学对象。

  这意味着您可以进行向量和矩阵运算，例如加法、减法和乘法。

  Numpy 数组最重要的方面是它们针对速度进行了优化。因此，我们将做一个演示，向您证明使用 Numpy 向量化运算比使用 Python 列表更快。

  然后我们将了解一些更复杂的矩阵运算，例如乘积、逆矩阵、行列式和求解线性系统。

  Pandas。Pandas 很棒，因为它在底层做了很多事情，这让您的生活变得更轻松，因为您不需要手动编写这些事情。

  如果您熟悉 R，Pandas 可以像 R 一样处理数据集。

  R 和 Pandas 中的中心对象是 DataFrame。

  我们将看看使用 Pandas 加载数据集与尝试手动加载数据集相比容易得多。

  然后我们将了解一些在机器学习中有用的数据帧操作，例如按列过滤、按行过滤和 apply 函数。

  Pandas 数据框会让您想起 SQL 表，因此，如果您有 SQL 背景并且喜欢使用表，那么 Pandas 将是下一个值得学习的好东西。

  既然 Pandas 教我们如何加载数据，下一步就是查看数据。为此，我们将使用Matplotlib。

  在本节中，我们将介绍一些常见的图表，即折线图、散点图和直方图。

  我们还将了解如何使用 Matplotlib 显示图像。

  99% 的情况下，您都会使用上述绘图的某种形式。

  Scipy。

  我喜欢将 Scipy 视为 Numpy 的插件库。

  Numpy 提供了基本的构建块，例如向量、矩阵及其运算，而 Scipy 使用这些通用构建块来执行特定的操作。

  例如，Scipy 可以进行许多常见的统计计算，包括获取 PDF 值、CDF 值、从分布中采样以及统计测试。

  它具有信号处理工具，因此可以执行卷积和傅立叶变换等操作。

  总而言之：

  如果您学过深度学习或机器学习课程，并且了解理论，并且可以看到代码，但无法将如何将这些算法转化为实际运行的代码之间建立联系，那么本课程适合您。

  “如果你不能实现它，你就没有理解它”

  • 或者正如伟大的物理学家理查德·费曼所说：“我无法创造的东西，我就不理解”。
  • 我的课程是唯一您将学习如何从头开始实现机器学习算法的课程
  • 其他课程会教您如何将数据插入库，但您真的需要 3 行代码的帮助吗？
  • 对 10 个数据集执行相同的操作后，您意识到自己没有学到 10 件事。你学习