点击 机器学习算法与Python学习 ，选择加星标
精彩内容不迷路
在 Github 上一度蝉联最流行的机器学习和数据科学包 NumPy，已经有了非常之系统的中文文档，回想起当初细啃 NumPy 之时，不少人不得不徘徊于各大搜索引擎及平台反复查找，找到的文档也许还很不系统。现在，如果有什么和 NumPy 的问题，只需要浏览这份官方中文文档就足够了。它足够的系统、全面且亲民。亲民到什么程度呢？网站还独一份的配备了「防脱发指南」。NumPy 是什么？它是大名鼎鼎的，使用 Python 进行科学计算的基础软件包，是 Python 生态系统中数据分析、机器学习、科学计算的主力军，极大简化了向量与矩阵的操作处理。除了计算外，它还包括了：本文转自机器之心
功能强大的 N 维数组对象。
精密广播功能函数。
集成 C/C+和 Fortran 代码的工具。
强大的线性代数、傅立叶变换和随机数功能
Ndarray：一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。
切片和索引：ndarray 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。
理解 NumPy
NumPy 简单入门教程
Python NumPy 教程
创建 NumPy 数组的不同方式
NumPy 中的矩阵和向量
进阶篇
NumPy 数据分析练习
NumPy 神经网络
使用 NumPy 进行数组编程
NumPy 实现k均值聚类算法
NumPy 实现DNC、RNN和LSTM神经网络算法
其他篇
OpenCV中的图像的基本操作
MinPy：MXNet后端的NumPy接口
前言
线性回归
数字识别
图像分类
词向量
个性化推荐
情感分析
语义角色标注
机器翻译
生成对抗网络
七日入门深度学习(正在更新)
Day 1：初识深度学习
Day 1：如何快速入门深度学习？
Day 2：图像识别基础与实战
Day 3：目标检测基础与实践(一)
Day 3：目标检测实战-RCNN算法讲解
Day 3：目标检测实战-YOLOv3检测物体
feature_names = [
'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX',
'PTRATIO', 'B', 'LSTAT', 'convert'
]
feature_num = len(feature_names)
data = np.fromfile(filename, sep=' ') # 从文件中读取原始数据
data = data.reshape(data.shape[0] // feature_num, feature_num)
maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]
for i in six.moves.range(feature_num-1):
data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # six.moves可以兼容python2和python3
ratio = 0.8 # 训练集和验证集的划分比例
offset = int(data.shape[0]*ratio)
train_data = data[:offset]
test_data = data[offset:]
def reader_creator(train_data):
def reader():
for d in train_data:
yield d[:-1], d[-1:]
return reader
train_reader = paddle.batch(
paddle.reader.shuffle(
reader_creator(train_data), buf_size=500),
batch_size=BATCH_SIZE)
test_reader = paddle.batch(
paddle.reader.shuffle(
reader_creator(test_data), buf_size=500),
batch_size=BATCH_SIZE)NumPy 介绍
快速入门教程
NumPy 基础知识
其他杂项
与 Matlab 比较
从源代码构建
使用 NumPy 的 C-API
另外，独有一份的防脱发指南让你入坑之时再无后顾之忧：
NumPy 行为准则
Git 教程
设置和使用您的开发环境
开发流程
NumPy 基准测试
NumPy C 风格指南
发布一个版本
NumPy 治理
你点的每个“在看”，我都认真当成了AI
