如何学习Python机器学习 +深度学习 【唐宇迪老师】

一份很好的学习资料！
包含：python 机器学习全套教程 包含源代码➕PPT

旨在帮助在机器学习领域打下坚实基础。注重算法原理讲解与数学公式推导并基于Python语言给出完整的代码实现，从零开始实现每一模块功能（非调用工具包）通过代码实例演示算法工作流程与实现方法。
建议在学习过程中先掌握算法原理，基于数学推导公式进行代码复现与实战演练。

结合Python中的机器学习与深度学习，可以实现强大的预测和分类模型。下面我将分别提供一个简单的示例代码，展示如何使用Scikit-learn进行机器学习的线性回归任务，以及如何使用Keras（TensorFlow的高级API）构建一个简单的神经网络用于解决分类问题。

机器学习：线性回归

首先，我们将使用Scikit-learn库来实现一个基本的线性回归模型，该模型常用于连续值的预测。

# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
import numpy as np

# 生成数据集
X, y = make_regression(n_samples=100, n_features=1, noise=0.1, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型实例
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

# 输出前5个预测结果与真实值对比
print("Predictions: ", predictions[:5])
print("True Values: ", y_test[:5])

# 模型评分
score = model.score(X_test, y_test)
print("Model Score: ", score)

深度学习：简单神经网络分类器

接下来，我们使用Keras创建一个简单的全连接神经网络，用于解决二分类问题。

# 导入必要的库
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler

# 生成数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 数据标准化处理
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建模型
model = Sequential()
model.add(Dense(32, input_dim=20, activation='relu')) # 输入层+第一隐藏层
model.add(Dense(16, activation='relu')) # 第二隐藏层
model.add(Dense(1, activation='sigmoid')) # 输出层

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=10, verbose=1)

# 在测试集上评估模型
loss, accuracy = model.evaluate(X_test, y_test, verbose=0)
print('Accuracy: %.2f' % (accuracy*100))