机器学习训练营：预测性表格数据挖掘与表格数据深度学习

根据学习天池训练营MySQL课程所做的初学笔记，整理了相关内容。

MySQL训练营任务 3 笔记 档提供了天池训练营 MySQL 任务 3 的详细笔记，供个人使用。

lg大数据高薪训练营涵盖HBase、Java9、Java10、MySQL优化、JVM原理、JUC多线程、CDH版Hadoop、Impala、Flume、Sqoop、Azkaban、Oozie、HUE、Kettle、Kylin、Spark、Mllib机器学习、Flink、Python、SpringBoot、Hadoop3.x新特性、ClickHouse、Kudu、Presto、Druid、Ambari、DataX、Logstash、Kibana。数据结构与Scala基础入门、函数式编程、面向对象编程、模式匹配、高阶函数、特质、注解与类型参数、隐式转换、高级类型以及案例实操。Spark Core部分包括安装部署、RDD概述、编程模型、持久化与检查点机制、DAG、算子详解、RDD编程进阶、累加器与广播变量。Spark SQL部分涵盖SparkSQL、DataFrame、DataSet、自定义操作。

机器学习常用开源数据集 在进行机器学习项目时，使用真实数据至关重要。许多开源数据集涵盖了多个领域，为机器学习研究和应用提供了丰富的资源。 寻找开源数据集的途径： 数据仓库平台: 许多平台专门收集和整理开源数据集，例如 Google Dataset Search、Kaggle Datasets、UCI Machine Learning Repository 等。 相关领域网站: 许多研究机构或组织会发布自己领域内的开源数据集，例如医疗、金融、图像识别等。 数据挖掘、机器学习、深度学习的区别 数据挖掘 侧重于从数据中发现模式和规律，并利用算法模型进行分析。其核心目标是揭示数据变量之间的关系，并通过数据可视化等方式进行呈现。 机器学习 属于人工智能的一部分，通过训练数据和算法模型赋予机器学习能力。机器学习算法可以从数据中学习知识，并构建模型来进行预测或决策。 深度学习 是机器学习的一个子领域，其特点是使用多层神经网络进行学习。深度学习在图像识别、自然语言处理等领域取得了显著成果，但通常需要大量的训练数据和计算资源。 三者之间的关系: 数据挖掘为机器学习提供数据基础和分析目标，而机器学习为数据挖掘提供算法支持。深度学习作为机器学习的一部分，进一步扩展了机器学习的应用领域和能力。

数据挖掘中，机器学习扮演着关键角色。

如果您对Oracle数据库表的创建不熟悉，可以立即下载我们的资源！这些资源专为帮助您学习如何在Oracle数据库中创建表格而设计。

这篇文章的内容较为概要，主要用于初学者入门。

在这篇文章中，我们简要介绍了机器学习不同算法在Python 2.7中的实现版本，需要预先安装Python 2.7以及包括numpy、scipy和matplotlib等相关库。未来，我们还计划将其他算法的实现逐步添加，并更新至C++版。

使用 Spark、PySpark、Spark 管道、Jupyter Notebook 学习数据挖掘机器学习