Python3入门机器学习 经典算法与应用


Python3入门机器学习 经典算法与应用


【课程内容】

第1章 欢迎来到 Python3 玩转机器学习

1-1   什么是机器学习
1-2  课程涵盖的内容和理念
1-3  课程所使用的主要技术栈

第2章 机器学习基础

2-1  机器学习世界的数据
2-2  机器学习的主要任务
2-3   监督学习,非监督学习,半监督学习和增强学习
2-4  批量学习,在线学习,参数学习和非参数学习
2-5  和机器学习相关的“哲学”思考
2-6  课程使用环境搭建

第3章 Jupyter Notebook, numpy和matplotlib

3-1  Jupyter Notebook基础
3-2  Jupyter Notebook中的魔法命令
3-3  Numpy数据基础
3-4  创建Numpy数组(和矩阵)
3-5  Numpy数组(和矩阵)的基本操作
3-6  Numpy数组(和矩阵)的合并与分割
3-7  Numpy中的矩阵运算
3-8  Numpy中的聚合运算
3-9  Numpy中的arg运算
3-10  Numpy中的比较和Fancy Indexing
3-11  Matplotlib数据可视化基础
3-12  数据加载和简单的数据探索

第4章 最基础的分类算法-k近邻算法 kNN

4-1  k近邻算法基础
4-2  scikit-learn中的机器学习算法封装
4-3  训练数据集,测试数据集
4-4  分类准确度
4-5  超参数
4-6  网格搜索与k近邻算法中更多超参数
4-7  数据归一化
4-8  scikit-learn中的Scaler
4-9  更多有关k近邻算法的思考

第5章 线性回归法

5-1  简单线性回归
5-2  最小二乘法
5-3  简单线性回归的实现
5-4  向量化
5-5  衡量线性回归法的指标:MSE,RMSE和MAE
5-6  最好的衡量线性回归法的指标:R Squared
5-7  多元线性回归和正规方程解
5-8  实现多元线性回归
5-9  使用scikit-learn解决回归问题
5-10  线性回归的可解释性和更多思考

第6章 梯度下降法

6-1  什么是梯度下降法
6-2  模拟实现梯度下降法
6-3  线性回归中的梯度下降法
6-4  实现线性回归中的梯度下降法
6-5  梯度下降法的向量化和数据标准化
6-6  随机梯度下降法
6-7   scikit-learn中的随机梯度下降法
6-8   如何确定梯度计算的准确性?调试梯度下降法
6-9  有关梯度下降法的更多深入讨论

第7章 PCA与梯度上升法

7-1  什么是PCA
7-2  使用梯度上升法求解PCA问题
7-3  求数据的主成分PCA
7-4  求数据的前n个主成分
7-5  高维数据映射为低维数据
7-6  scikit-learn中的PCA
7-7  试手MNIST数据集
7-8  使用PCA对数据进行降噪
7-9  人脸识别与特征脸

第8章 多项式回归与模型泛化

8-1  什么是多项式回归
8-2   scikit-learn中的多项式回归与Pipeline
8-3  过拟合与欠拟合
8-4  为什么要有训练数据集与测试数据集
8-5   学习曲线
8-6   验证数据集与交叉验证
8-7  偏差方差平衡
8-8   模型泛化与岭回归
8-9   LASSO
8-10   L1, L2和弹性网络

第9章 逻辑回归

9-1  什么是逻辑回归
9-2  逻辑回归的损失函数
9-3   逻辑回归损失函数的梯度
9-4  实现逻辑回归算法
9-5  决策边界
9-6  在逻辑回归中使用多项式特征
9-7  scikit-learn中的逻辑回归
9-8   OvR与OvO

第10章 评价分类结果

10-1  准确度的陷阱和混淆矩阵
10-2  精准率和召回率
10-3  实现混淆矩阵,精准率和召回率
10-4  F1 Score
10-5  精准率和召回率的平衡
10-6  精准率-召回率曲线
立 即 下 载

相关资源

发表评论

点 击 提 交