注解

此笔记本可在此处下载： 0_ML_Tutorial_MNIST.ipynb

教程：使用mnist数据集学习数字分类器

介绍

本教程的目标是学习基本的机器学习技能。我们的目标是制作最好的数字分类器。我们将处理的数据集是旧的，但它是评估新算法（和早期概念）的参考基准。

我们的分类算法有多好？

mnist手写数字数据库是70000个手写数字及其相应标签（从0到9）的集合。数据集分为一个训练集（60000个图像）和一个验证集（10000个图像）。您将在训练集上训练您的模型，并在测试集上测试它。

Who is the best at MNIST?

要求

我们需要 Scikit-Learn 和 Keras + TensorFlow .mnist数据集由TensorFlow/Keras下载。
DO 阅读 Scikit-Learn documentation 这是详尽的和完全可怕的。
史基特学的是 INRIA ，来自谷歌的keras/tf。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

Using TensorFlow backend.

import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline
# %matplotlib nbagg
# %matplotlib ipympl
# %matplotlib notebook

images_and_labels = list(zip(x_train, y_train))
plt.subplots_adjust(bottom=0, left=.01, right=.99, top=1.6, hspace=.35)
for i, (image, label) in enumerate(images_and_labels[:25]):
    plt.subplot(5, 5, i + 1)
    plt.axis('off')
    plt.imshow(image, cmap=plt.cm.gray, interpolation='nearest')
    plt.title('N°%i Label: %i' % (i, label))

../../../../_images/0_ML_Tutorial_MNIST_2_0.png

%%timeit -n 1 -r 1
# Explore the first 5 digits in the training dataset
for i, image in enumerate(x_train[0:5]):
    print('Image n°', i, 'Label:', y_train[i])
    plt.imshow(image, cmap='gray')
    plt.show()

让我们来评估三种经典的机器学习方法

支持向量机（SVM）-> 1_ML_Tutorial_SVM.ipynb
神经网络-> 2_ML_Tutorial_NN.ipynb
卷积神经网络（CNN）-> 3_ML_Tutorial_CNN.ipynb

一些机器学习资源