之前有点机器学习基础 打算在2019年系统的推进一下 在Github上看到了一个还挺不错的教程 100 days of machine learning的中文版 地址是https://github.com/Avik-Jain/100-Days-of-ML-Code-Chinese-Version  原版也在Github上地址是https://github.com/Avik-Jain/100-Days-Of-ML-Code 把每天的学习过程写在这边与各位共勉
当然现在学习的内容也远不止这些 最近看的书是《Python for data analysis》有需要把其他的东西也发上来

第一天的内容已经完结，非常简单，主要是数据预处理，总结起来就是

[li]数据和所用库的导入[/li][li]处理缺失数据[/li][li]将数据集中的非数值内容转化为数值[/li][li]数据标准化[/li]

第一天的内容，主要是jupyter的ipynb文件，每天的更新都会发在GitHub上。day one ipynb文件

今天的内容非常简单，一维线性回归
简单的拟合 测试 十分钟左右即可完成
github已更新 照例贴出链接
https://github.com/DuLiCS/100-days-of-ml/tree/master/day%20two

第三天是多元线性回归，比起一元线性回归略微复杂一点点，但是在代码层面并没有太多复杂的地方，唯一有点复杂的点在于虚拟变量陷阱，大概明白，但是理解的并不是非常透彻。
https://github.com/DuLiCS/100-days-of-ml/tree/master/day%20three

今天到了第四个点，logistic regression也就是逻辑回归，主要是用来回答二分类的01问题。今天先粘代码，明天再继续更深入的解读内在原理。
https://github.com/DuLiCS/100-days-of-ml/tree/master/day%20four

follow

周末小小的懈怠了一下，添置了apple watch和bose QC35，不得不说降噪耳机真是神器~
今天来到了下一个点，经过了这几天的时间，觉得很多Machine Learning的实现还是比较简单的，重要的还是对原理的理解，在后面我会相对往这方面侧重。所以今天就着重理解Logistic Regression，材料主要是 Saishruthi Swaminathan的相关文章，链接在此，我是挂着VPN才打开的https://towardsdatascience.com/l ... erview-46c4da4303bc

坐了慢车回家 K字头 20个小时 所以今天就在火车上安心看书吧 降噪耳机真心适合这种场景

今天刚刚到家,之前提到的关于logistic regression的文章,想着翻译成中文,也借着这个过程好好把握一下细节.我把latex文件上传到github上,各位自行取用https://github.com/DuLiCS/100-da ... gistic%20regression 当然暂时这个文档还很不完善,在后续继续写完

这几天销声匿迹了 一方面是因为过年的原因,另一方面是因为在补概率论,有些地方已经不是很熟悉了,之前学概率论的时候,没有意识到这门课的重要性,真是书到用时方恨少,因为这部分内容也没什么好记录的,所以这几天可能就不会更新太多