Data Science och AI guider för doktorander

Här följer ett par guider för dig som behöver lära dig AI. Guiderna tillhandahålls kostnadsfritt av forskare vid Chalmers & GU och finns för att stötta doktorander.

Data Science och AI guider för doktorander

Här följer ett par guider för dig som behöver lära dig AI. Guiderna tillhandahålls kostnadsfritt av forskare vid Chalmers & GU och finns för att stötta doktorander.

In Depth: Gaussian Mixture Models

The k-means clustering model explored in the previous section is simple and relatively easy to understand, but its simplicity leads to practical challenges in its application.

Läs »

In-Depth: Manifold Learning

We have seen how principal component analysis (PCA) can be used in the dimensionality reduction task—reducing the number of features of a dataset while maintaining

Läs »

In Depth: Linear Regression

Just as naive Bayes (discussed earlier in In Depth: Naive Bayes Classification) is a good starting point for classification tasks, linear regression models are a good

Läs »

Feature Engineering

The previous sections outline the fundamental ideas of machine learning, but all of the examples assume that you have numerical data in a tidy, [n_samples, n_features] format.

Läs »

Introducing Scikit-Learn

There are several Python libraries which provide solid implementations of a range of machine learning algorithms. One of the best known is Scikit-Learn, a package that

Läs »

Further Resources

Matplotlib Resources A single chapter in a book can never hope to cover all the available features and plot types available in Matplotlib. As with

Läs »