Sklearn 0.21 中文文檔校對活動 | ApacheCN

整體進度：https://github.com/apachecn/sklearn-doc-zh/issues/352

貢獻指南：https://github.com/apachecn/sklearn-doc-zh/blob/master/CONTRIBUTING.md

項目倉庫：https://github.com/apachecn/sklearn-doc-zh

---

貢獻指南

請您勇敢地去翻譯和改進翻譯。雖然我們追求卓越，但我們並不要求您做到十全十美，因此請不要擔心因爲翻譯上犯錯——在大部分情況下，我們的服務器已經記錄所有的翻譯，因此您不必擔心會因爲您的失誤遭到無法挽回的破壞。（改編自維基百科）

可能有用的鏈接：

• 英文官網
• 中文翻譯

負責人：

• @loopyme：3322728009
• 飛龍：562826179
• 片刻：529815144

章節列表

• 安裝 scikit-learn
• 用戶指南
  • 1. 監督學習
    • 1.1. 廣義線性模型
    • 1.2. 線性和二次判別分析
    • 1.3. 內核嶺迴歸
    • 1.4. 支持向量機
    • 1.5. 隨機梯度下降
    • 1.6. 最近鄰
    • 1.7. 高斯過程
    • 1.8. 交叉分解
    • 1.9. 樸素貝葉斯
    • 1.10. 決策樹
    • 1.11. 集成方法
    • 1.12. 多類和多標籤算法
    • 1.13. 特徵選擇
    • 1.14. 半監督學習
    • 1.15. 等式迴歸
    • 1.16. 概率校準
    • 1.17. 神經網絡模型（有監督）
  • 2. 無監督學習
    • 2.1. 高斯混合模型
    • 2.2. 流形學習
    • 2.3. 聚類
    • 2.4. 雙聚類
    • 2.5. 分解成分中的信號（矩陣分解問題）
    • 2.6. 協方差估計
    • 2.7. 新奇和異常值檢測
    • 2.8. 密度估計
    • 2.9. 神經網絡模型（無監督）
  • 3. 模型選擇和評估
    • 3.1. 交叉驗證：評估估算器的表現
    • 3.2. 調整估計器的超參數
    • 3.3. 模型評估: 量化預測的質量
    • 3.4. 模型持久化
    • 3.5. 驗證曲線: 繪製分數以評估模型
  • 4. 檢驗
    • 4.1. 部分依賴圖
  • 5. 數據集轉換
    • 5.1. Pipeline（管道）和 FeatureUnion（特徵聯合）: 合併的評估器
    • 5.2. 特徵提取
    • 5.3 預處理數據
    • 5.4 缺失值插補
    • 5.5. 無監督降維
    • 5.6. 隨機投影
    • 5.7. 內核近似
    • 5.8. 成對的矩陣, 類別和核函數
    • 5.9. 預測目標 (y) 的轉換
  • 6. 數據集加載工具
    • 6.1. 通用數據集 API
    • 6.2. 玩具數據集
    • 6.3 真實世界中的數據集
    • 6.4. 樣本生成器
    • 6.5. 加載其他數據集
  • 7. 使用scikit-learn計算
    • 7.1. 大規模計算的策略: 更大量的數據
    • 7.2. 計算性能
    • 7.3. 並行性、資源管理和配置
• 教程
  • 使用 scikit-learn 介紹機器學習
  • 關於科學數據處理的統計學習教程
    • 機器學習: scikit-learn 中的設置以及預估對象
    • 監督學習：從高維觀察預測輸出變量
    • 模型選擇：選擇估計量及其參數
    • 無監督學習: 尋求數據表示
    • 把它們放在一起
    • 尋求幫助
  • 處理文本數據
  • 選擇正確的評估器(estimator.md)
  • 外部資源，視頻和談話
• API 參考
• 常見問題
• 時光軸

流程

一、認領

首先查看整體進度，確認沒有人認領了你想認領的章節。

然後回覆 ISSUE，註明“章節 + QQ 號”（一定要留 QQ）。

二、校對

需要校對：

1. 語法
2. 術語使用
3. 文檔格式

如果覺得現有翻譯不好，重新翻譯也是可以的。

三、提交

提交的時候不要改動文件名稱，即使它跟章節標題不一樣也不要改，因爲文件名和原文的鏈接是對應的！！！

• fork Github 項目
• 修改docs/0.21.3中的文檔
• push
• pull request

請見 Github 入門指南。