# 关于科学数据处理的统计学习教程

校验者:
待校验
翻译者:
@Loopy

统计学习

随着科学实验数据集规模的快速增长，机器学习机器学习技术正变得越来越重要。它能处理的问题主要包括：建立连接不同观测值的预测函数，对观测值进行分类，或者分析未标记数据集中的结构。

本教程将探讨统计学习。以统计推断为目标,使用机器学习技术，根据手头的数据来得出结论。

Scikit-learn是一个Python模块，它将科学计算的Python包(NumPy, SciPy, matplotlib)集成到了一起。

• 机器学习: scikit-learn 中的设置以及预估对象
  • 数据集
  • 预估对象
• 监督学习：从高维观察预测输出变量
  • 最近邻和维度惩罚
  • 线性模型：从回归到稀疏
  • 支持向量机(SVMs)
• 模型选择：选择估计量及其参数
  • 分数和交叉验证分数
  • 交叉验证生成器
  • 网格搜索和交叉验证估计量
• 无监督学习: 寻求数据表示
  • 聚类: 对样本数据进行分组
  • 分解: 将一个信号转换成多个成份并且加载
• 把它们放在一起
  • 模型管道化
  • 用特征面进行人脸识别
  • 开放性问题: 股票市场结构
• 寻求帮助
  • 项目邮件列表
  • 机器学习从业者的 Q&A 社区