คู่มือ Python Data Science

1. IPython: เหนือกว่า Python ปกติ
2. รู้เบื้องต้นเกี่ยวกับ NumPy
3. การจัดการข้อมูลด้วย Pandas
4. การสร้างภาพด้วย Matplotlib

1. เริ่มต้นใช้งานแมชชีนเลิร์นนิง
2. การเรียนรู้จากข้อมูล
3. การถดถอยเชิงเส้น
4. ไร้เดียงสา Bayes
5. k-เพื่อนบ้านที่ใกล้ที่สุด
6. รู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่องด้วย Scikit-Learn
7. การเรียนรู้ของเครื่องในทางปฏิบัติ
8. การแลกเปลี่ยนอคติ-ความแปรปรวน
9. การประมาณค่าความหนาแน่นของเคอร์เนล
10. การวิเคราะห์องค์ประกอบหลัก
11. การเรียนรู้ที่หลากหลาย
12. การรวมกลุ่ม
13. ต้นไม้แห่งการตัดสินใจและป่าสุ่ม
14. การเพิ่มประสิทธิภาพตามการไล่ระดับสี
15. K-หมายถึงการรวมกลุ่ม
16. เชิงลึก: การจำแนกประเภทไร้เดียงสา Bayes
17. เชิงลึก: การถดถอยเชิงเส้น
18. เชิงลึก: รองรับ Vector Machines
19. เชิงลึก: ต้นไม้แห่งการตัดสินใจและป่าแบบสุ่ม
20. เชิงลึก: การวิเคราะห์องค์ประกอบหลัก
21. เชิงลึก: การเรียนรู้ที่หลากหลาย
22. เชิงลึก: k-Mean การจัดกลุ่ม

1. ทัวร์ลมกรดของ Python
2. สิ่งจำเป็นสำหรับภาษา Python
3. IPython: เหนือกว่า Python ปกติ
4. นัมปี
5. เพิ่มเติมเกี่ยวกับ IPython System Shell
6. Matplotlib
7. SciPy
8. Scikit-เรียนรู้
9. การเรียนรู้ของเครื่องด้วย Scikit-Learn
10. ทรัพยากรการเรียนรู้ของเครื่องเพิ่มเติม
11. การเรียนรู้ของเครื่องเชิงปฏิบัติ: ตัวอย่างง่ายๆ
12. บรรณานุกรม

import numpy as np

# create a 1D array
a = np.array([0, 1, 2, 3, 4])
print(a)

import pandas as pd

# create a Pandas DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
        'age': [25, 32, 18, 47],
        'gender': ['F', 'M', 'M', 'M']}
df = pd.DataFrame(data)
print(df)

# filter rows based on a condition
df_filtered = df[df['age'] > 30]
print(df_filtered)

# group data by a column and compute statistics
grouped_data = df.groupby('gender')['age'].mean()
print(grouped_data)

import matplotlib.pyplot as plt
import numpy as np

# create some data to plot
x = np.linspace(0, 10, 100)
y = np.sin(x)

# create a line plot
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

# create a scatter plot
x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y)
plt.title('Random Data')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# load the iris dataset
iris = load_iris()

# split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(iris['data'], iris['target'], random_state=0)

# create a K-Nearest Neighbors classifier
knn = KNeighborsClassifier(n_neighbors=1)

# fit the classifier to the training data
knn.fit(X_train, y_train)

# predict the classes of the test data
y_pred = knn.predict(X_test)

# compute the accuracy of the classifier
accuracy = knn.score(X_test, y_test)
print('Accuracy:', accuracy)