技术要求

相关源文件

• 2-Regression/1-Tools/README.md
• 2-Regression/1-Tools/images/notebook.jpg
• 2-Regression/1-Tools/notebook.ipynb
• 2-Regression/1-Tools/translations/README.es.md
• 2-Regression/1-Tools/translations/README.id.md
• 2-Regression/1-Tools/translations/README.it.md
• 2-Regression/1-Tools/translations/README.ko.md
• 2-Regression/1-Tools/translations/assignment.it.md
• 2-Regression/2-Data/README.md
• 2-Regression/3-Linear/README.md
• 2-Regression/4-Logistic/README.md
• 2-Regression/README.md
• 2-Regression/translations/README.id.md
• 2-Regression/translations/README.it.md

本页面概述了使用 ML-For-Beginners 课程所需的准备工作和系统要求。它涵盖了成功完成此存储库中的机器学习练习和项目所需的必要软件安装、开发环境设置以及所需库。

有关课程结构本身的信息，请参阅 课程结构。有关教学方法的信息，请参阅 学习方法。

开发环境设置

要有效学习 ML-For-Beginners 课程，您需要设置一个合适的开发环境。这包括安装 Python、Visual Studio Code 以及各种 Python 包。

Python 安装

Python 是本课程中使用的主要编程语言。您需要在系统上安装 Python 3.x。

Python 为本课程中的所有机器学习任务提供了基础。对于特定应用，您可能需要使用不同版本的 Python，因此建议在虚拟环境中使用。

来源： 2-Regression/1-Tools/README.md28-31

Visual Studio Code 设置

Visual Studio Code (VS Code) 是本课程推荐的代码编辑器。它对 Python 开发和 Jupyter notebook 提供了出色的支持。

VS Code 为机器学习开发提供了几个优势

• 集成终端
• Git 集成
• Jupyter notebook 支持
• Intellisense 代码补全
• 调试功能

来源： 2-Regression/1-Tools/README.md32-38

必需的包安装

几个 Python 包对于完成机器学习练习至关重要

包	目的	安装命令
Scikit-learn	机器学习算法	pip install scikit-learn
Jupyter	Notebook 环境	pip install jupyter
Matplotlib	数据可视化	pip install matplotlib
NumPy	数值计算	pip install numpy
Pandas	数据操作	包含在示例中，但未在设置中明确提及

来源： 2-Regression/1-Tools/README.md40-43 2-Regression/1-Tools/README.md92-114

使用 Jupyter Notebook

Jupyter notebook（.ipynb 文件）是本课程的关键组成部分。它们提供了一个结合代码、可视化和解释性文本的交互式环境。

Notebook 在整个课程中用于

• 演示概念
• 提供互动练习
• 允许机器学习模型实验
• 可视化结果和模型性能

来源： 2-Regression/1-Tools/README.md44-79

ML 工作流程架构

本课程采用标准机器学习工作流程，使用已安装的工具和库。理解此工作流程将帮助您更有效地浏览各个课程和练习。

来源： 2-Regression/1-Tools/README.md81-96 2-Regression/1-Tools/README.md116-191 2-Regression/3-Linear/README.md159-210 2-Regression/4-Logistic/README.md124-175

Scikit-learn 集成

Scikit-learn 是本课程使用的主要机器学习库。它提供了各种机器学习算法的实现以及用于模型开发和评估的实用工具。

本课程演示了如何

• 使用 Scikit-learn 内置数据集加载和操作数据集
• 将数据分割为训练集和测试集
• 训练各种回归模型
• 评估模型性能
• 使用训练好的模型进行预测

来源： 2-Regression/1-Tools/README.md81-96 2-Regression/1-Tools/README.md116-191 2-Regression/3-Linear/README.md216-223 2-Regression/4-Logistic/README.md124-175 2-Regression/4-Logistic/README.md350-378

数据可视化要求

数据可视化是机器学习工作流程的重要组成部分。本课程使用 Matplotlib 创建可视化，以理解数据和模型性能。

本课程演示了如何使用可视化进行

• 探索性数据分析
• 理解变量之间的关系
• 可视化模型预测
• 评估模型性能

来源： 2-Regression/2-Data/README.md156-196 2-Regression/3-Linear/README.md216-223 2-Regression/4-Logistic/README.md92-115 2-Regression/4-Logistic/README.md350-378

硬件和系统要求

课程中的练习不需要专门的硬件。具有以下规格的标准计算机应该足够了

组件	最低要求
操作系统	Windows、macOS 或 Linux
处理器	2 GHz 双核或更高
内存	4 GB 或更多
存储	10 GB 可用空间
互联网连接	安装包所需

对于 M1 Mac 用户，Scikit-learn 有特殊的安装说明，如文档中所述。

来源： 2-Regression/1-Tools/README.md40

常见的机器学习任务

本课程涵盖不同类型的机器学习任务，重点是回归模型。了解这些任务将帮助您更有效地浏览课程。

每项任务都需要不同的算法和评估指标，所有这些都在课程中进行了介绍。

来源： 2-Regression/README.md14-25 2-Regression/3-Linear/README.md8-36 2-Regression/4-Logistic/README.md35-64

开发工作流

本课程的设计是按特定顺序进行的，每个课程都建立在前一课程的基础上。每个部分的通用工作流程是

1. 阅读课程材料
2. 完成课前测验
3. 设置所需环境
4. 完成代码示例
5. 完成练习和作业
6. 参加课后测验

来源： 2-Regression/1-Tools/README.md7-24 2-Regression/README.md26-32

故障排除设置问题

如果您在设置过程中遇到问题，请检查以下内容

1. 验证 Python 是否已正确安装并可以从命令行访问
2. 确保所有必需的包都已安装且版本正确
3. 检查 VS Code 是否已配置为使用正确的 Python 解释器
4. 对于 Jupyter notebook 问题，请验证 Jupyter 包是否已正确安装
5. 对于 M1 Mac 用户，请遵循 Scikit-learn 的特殊安装说明

来源： 2-Regression/1-Tools/README.md40

本技术要求文档为成功完成 ML-For-Beginners 课程奠定了基础。正确设置您的环境将确保在探索机器学习概念和技术时获得顺畅的学习体验。