kaggle实战-销售数据的精美可视化分析与时序预测

本文是基于一份商品销售数据，使用Pandas、seaborn、statmodels、sklearn、线性回归预测、xgboost等库和方法进行多角度的可视化分析和时序预测。

基于机器学习的IC电子产品数据挖掘

最近获取到了一份IC电子产品电商数据的分析，后面会进行3个主题的数据分析：

1. 第一阶段：基于pandas、numpy、matplotlib、plotly等库的统计可视化分析
2. 第二阶段：基于机器学习聚类算法和RFM模型的用户画像分析
3. 第三阶段：基于关联规则算法的品牌、产品和产品种类关联性挖掘

本文是第一个阶段，主要内容包含：

• 数据预处理
• 数据探索EDA
• 多角度对比分析

python实现阶乘

本文给大家介绍如何使用python和第三方库来实现数学运算中的阶乘以及阶乘累计求和。

机器学习算法竞赛实战：特征工程

决定模型好坏的一个重要工作就是：特征工程

机器学习在本质还是特征，数据和特征决定了机器学习的上限，模型和算法知识逼近这个上限而已。

特征工程介于数据和算法之间，常见的特征工程分为：

• 数据预处理
• 特征转换
• 特征提取
• 特征选择

本文讲解的是一个Python的进阶知识点：**如何将一个嵌套的大列表展开形成一个大列表。**提供了7种方法供大家学习参考：

• for循环
• 列表推导式
• 使用第三方库itertools
• 使用sum函数
• python自加（+=）
• 使用extend函数
• 使用递归函数

机器学习算法竞赛实战-数据探索

本文是《机器学习算法竞赛实战》的读书笔记2：在进行建模之前如何进行数据探索，了解数据的基本情况。通过系统的探索加深对数据的理解。

对比计数统计和推理两种方法

本文记录的是书籍《深度学习进阶：自然语言处理》的第四章学习笔记。

小白学机器学习1：线性回归

机器学习有许多不同的算法，每个算法都有其特定的应用场景和优缺点。然而，最简单的机器学习算法可能是线性回归。

线性回归是一种用于预测连续数值输出的监督学习算法，它通过建立一个线性方程来描述输入变量与输出变量之间的关系。该算法的目标是使预测值与真实值之间的差异最小化。

线性回归通常用于解决简单的预测问题，例如根据房屋面积和其他特征来预测房屋价格，或根据历史销售数据来预测未来销售量。它是许多其他机器学习算法的基础，因此是深入学习机器学习的重要一步。

机器学习算法竞赛实战-竞赛问题建模

更新《机器学习算法竞赛实战》一书的阅读笔记，更多详细的内容请阅读原书。本文的主要内容包含：

• 竞赛问题的3个主要部分
• -如何理解竞赛问题
• 机器学习的样本选择
• 如何线下评估模型
• 实战案例

基于计数方法的改进

本文记录的是鱼书第3章：如何对原有的计数方法进行改进。