标签：激活 练习 course ges 模型 格式 and 网络 统计
在本地运行编程练习
Colaboratory
https://developers.google.com/machine-learning/crash-course/prereqs-and-prework
前提条件
掌握入门级代数知识。
您应该了解变量和系数、线性方程式、函数图和直方图（熟悉对数和导数等更高级的数学概念会有帮助，但不是必需条件）。
熟练掌握编程基础知识，并且具有一些使用 Python 进行编码的经验。
机器学习速成课程中的编程练习是通过 TensorFlow 并使用 Python 进行编码的。
您无需拥有任何 TensorFlow经验，但应该能够熟练阅读和编写包含基础编程结构（例如，函数定义/调用、列表和字典、循环和条件表达式）的 Python 代码。准备工作
Pandas 使用入门
机器学习速成课程中的编程练习使用 Pandas 库来操控数据集。
如果您不熟悉 Pandas，建议您先学习Pandas 简介教程，该教程介绍了练习中使用的主要 Pandas 功能。
低阶 TensorFlow 基础知识
机器学习速成课程中的编程练习使用 TensorFlow 的高阶 tf.estimator API 来配置模型。
如果您有兴趣从头开始构建 TensorFlow 模型，请学习以下教程：
- TensorFlow Hello World：在低阶 TensorFlow 中编码的“Hello World”。
- TensorFlow 编程概念：演示了 TensorFlow 应用中的基本组件：张量、指令、图和会话。
- 创建和操控张量：张量快速入门 - TensorFlow 编程中的核心概念。此外，还回顾了线性代数中的矩阵加法和乘法概念。https://developers.google.com/machine-learning/crash-course/prereqs-and-prework#key-concepts
数学
代数
- 变量、系数和函数
- 线性方程式
- 对数和对数方程式
- S型函数
线性代数
- 张量和张量等级
- 矩阵乘法
三角学
- Tanh（作为激活函数进行讲解，无需提前掌握相关知识）
统计信息
- 均值、中间值、离群值和标准偏差
- 能够读懂直方图
微积分（可选，适合高级主题）
- 导数概念（您不必真正计算导数）
- 梯度或斜率
- 偏导数（与梯度紧密相关）
- 链式法则（带您全面了解用于训练神经网络的反向传播算法）Python
The Python Tutorial：https://docs.python.org/3/tutorial/
基础 Python
- 定义和调用函数：使用位置和关键字参数
- 字典、列表、集合（创建、访问和迭代）
- for 循环：包含多个迭代器变量的 for 循环（例如 for a, b in [(1,2), (3,4)]）
- if/else 条件块和条件表达式
- 字符串格式（例如 ‘%.2f‘ % 3.14）
- 变量、赋值、基本数据类型（int、float、bool、str）
- pass 语句
中级 Python
- 列表推导式
- Lambda 函数第三方Python库（无需提前熟悉，在需要时查询相关内容）
Matplotlib（适合数据可视化）
- pyplot 模块
- cm 模块
- gridspec 模块
Seaborn（适合热图）
- heatmap 函数
Pandas（适合数据处理）
- DataFrame 类
NumPy（适合低阶数学运算）
- linspace 函数
- random 函数
- array 函数
- arange 函数
scikit-learn（适合评估指标）
- metrics 模块Bash
标签：激活 练习 course ges 模型 格式 and 网络 统计
原文地址：https://www.cnblogs.com/anliven/p/6107783.html
