https://developers.google.cn/machine-learning/crash-course/
看的这个教程
简介与概念
梯度什么的不提了
Pandas：
- 用于数据分析和建模的库，用于TensorFlow编码。可以在https://colab.research.google.com/notebooks/mlcc/intro_to_pandas.ipynb?hl=zh-cn#scrollTo=s3ND3bgOkB5k&uniqifier=1学习
- 数据结构：
- DataFrame：关系型数据表格，包括行和列（列有命名）
- 读取文件示例代码
1
2california_housing_dataframe = pd.read_csv("https://storage.googleapis.com/mledu- datasets/california_housing_train.csv", sep=",")
california_housing_dataframe.describe() - 可以从Series对象构建DataFrame（见下面）
- 可以直接当作一个dict用，如：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19cities['Area square miles'] = pd.Series([46.87, 176.53, 97.92])
cities['Population density'] = cities['Population'] / cities['Area square miles']
````
* Series对象：直接把数组传进构造函数中就可以了，之后可以用`pd.DataFrame({ 'City name': city_names, 'Population': population })`来构造DataFrame
* 访问可以使用dict的方式（对于DataFrame）和list的方式（对于Series）
* 可以对Series进行算术操作，相当于对每一个都进行这样的操作。但：注意：布尔值 Series 是使用“按位”而非传统布尔值“运算符”组合的。例如，执行逻辑与时，应使用 &，而不是 and。
* Series可以用于NumPy的参数
* 可以使用匿名函数`population.apply(lambda val: val > 1000000)`
* 每个元素有自己的index，如果修改顺序可以修改index排序的顺序，如`cities.reindex([2, 0, 1])`就可以使得元素按照第二个、第零个、第一个排列；`cities.reindex(np.random.permutation(cities.index))`可以直接随机排列
## TensorFlow
加载数据集：
``` python
california_housing_dataframe = pd.read_csv("https://dl.google.com/mlcc/mledu-datasets/california_housing_train.csv", sep=",")
# 随机化处理与单位转换（换为以千为单位）
california_housing_dataframe = california_housing_dataframe.reindex(
np.random.permutation(california_housing_dataframe.index))
california_housing_dataframe["median_house_value"] /= 1000.0
- 读取文件示例代码
- DataFrame：关系型数据表格，包括行和列（列有命名）
使用total_rooms作为输入，预测median_house_value（标签）
使用特征列表示特征的数据类型，仅储存对特征数据的描述而非数据本身。
1 | # 定义输入特征为total_rooms |
定义输入函数：
1 | def my_input_fn(features, targets, batch_size=1, shuffle=True, num_epochs=None): |
训练模型：（linear_regressor里面放着整个模型，所以直接用它进行train）
1 | _ = linear_regressor.train( |
评估模型：使用训练误差来进行
1 | # 建立一个预测的输入函数 |
看到了https://developers.google.cn/machine-learning/crash-course/feature-crosses/video-lecture
