第1章 欢迎来到 Python3 玩转机器学习

• 欢迎大家来到《Python3玩转机器学习》的课堂。在这个课程中，我们将从0开始，一点一点进入机器学习的世界。本门课程对机器学习领域的学习，绝不不仅仅只是对算法的学习，还包括诸如算法的评价，方法的选择，模型的优化，参数的调整，数据的整理，等等一系列工作。准备好了吗？现在开始我们的机器学习之旅！...
•  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

• 机器学习到底是什么鬼？这一章将带领大家深入理解机器学习的世界，让大家去熟悉那些看似陌生的专业术语。监督学习，非监督学习，半监督学习，增强学习，批量学习，在线学习，参数学习，非参数学习。看完这一章，这些概念你就统统了解啦。不仅如此，本章还包含相当深刻地和机器学习相关的哲学探讨，让你深入思索有关机器学习...
•  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

• 工欲善其事，必先利其器。在本章，我们将学习和机器学习相关的基础工具的使用：Jupyter Notebook, numpy和matplotlib。大多数教程在讲解机器学习的时候，大量使用这些工具，却不对这些工具进行系统讲解。我特意添加了这个章节，让同学们在后续编写机器学习算法的过程中，更加得心应手！...
•  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

• k近邻算法本身是一个思想非常简单的算法，但是这个简单算法背后，也蕴含着丰富的内容。在这一章，我们将详细介绍k近邻算法的原理，进而对训练数据集，测试数据集，分类准确度，超参数，数据归一化，样本距离等基础概念进行详细的探讨。我们将详细了解scikit-learn框架中对算法的封装，并实现我们自己的算法框架。我们还将学...
•  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

• 线性回归法是机器学习领域的经典算法，很多更复杂的算法都是以线性回归为基础的。在这一章，我们将深入学习线性回归法背后的原理，同时仔细探讨如何评价回归算法。大家将对MSE,RMSE,MAE和R Squared等回归问题的评价指标有充分的理解。在实现层面上，我们还将学习机器学习领域的一个重要的实现技巧：向量化。...
•  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

• 梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章，我们将详细讲解梯度下降法的基本原理，一步一步改进梯度下降算法，让大家理解梯度下降法中各种参数，尤其是学习率的意义。同时，我们还将引申出随机梯度下降法和小批量梯度下降法两个方法，让大家对梯度下降法家族有一个全方位的认识。...
•  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

• 通常教材会使用非常多的数学概念来讲解PCA，在这个课程中，我们将另辟蹊径，绕开繁重的数学概念，使用梯度下降法的姊妹方法：梯度上升法来求解PCA问题，进而深刻理解PCA的基本原理，如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景，不仅让大家亲手实践出PCA降维的巨大威力，也让大家看到PCA在降噪，人脸识别等...
•  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 关于 MNIST 数据集的最新获得方式
•  7-9 使用PCA对数据进行降噪
•  7-10 人脸识别与特征脸

第8章 多项式回归与模型泛化

• 在这一章，我们将接触非线性问题。我们将学习多项式回归的思想，使用线性回归的思路来解决非线性问题。进一步，我们将引申出或许是机器学习领域最重要的一个问题：模型泛化问题。我们将深入探讨什么是欠拟合，什么是过拟合，怎样检测欠拟合和过拟合。什么是交叉验证，什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼...
•  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

• 据统计，逻辑回归是机器学习领域最常用的分类算法，没有之一！在这一章，我们将逐渐揭开逻辑回归的神秘面纱，了解如何应用线性回归的思路，来解决分类问题。我们将综合之前所学习的很多内容，一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题，学习对分类结果概率的估计，以及决策边界等重要概念。 ...
•  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

• 对机器学习分类算法结果的评估，是一个公认的复杂问题。在这一章，我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵，准确率，精确率，召回率，F1，以及ROC等诸多评价分类结果的指标。通过这一章的学习，大家将更好地理解自己的机器学习算法给出的结果，从而在实际应用...
•  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
•  10-7 ROC曲线
•  10-8 多分类问题中的混淆矩阵

第11章 支撑向量机 SVM

• 在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到SVM的优缺点。最后，我们还将探讨使用SVM解决回归问题的思路。 ...
•  11-1 什么是SVM
•  11-2 SVM背后的最优化问题
•  11-3 Soft Margin SVM
•  11-4 scikit-learn中的SVM
•  11-5 SVM中使用多项式特征和核函数
•  11-6 到底什么是核函数
•  11-7 RBF核函数
•  11-8 RBF核函数中的gamma
•  11-9 SVM思想解决回归问题

第12章 决策树

• 在这一章，我们将学习另外一个大名鼎鼎的机器学习算法：决策树。决策树本身非常简单，背后并没有复杂的数学模型，但使用好决策树也有很多技巧。我们将深入了解什么是熵模型，什么是基尼系数，怎样使用决策树解决分类问题，怎样获得分类的概率，怎样用决策树解决回归问题，以及使用决策树的注意事项。 ...
•  12-1 什么是决策树
•  12-2 信息熵
•  12-3 使用信息熵寻找最优划分
•  12-4 基尼系数
•  12-5 CART与决策树中的超参数
•  12-6 决策树解决回归问题
•  12-7 决策树的局限性

第13章 集成学习和随机森林

• 集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发，进而引入集成学习的经典算法：随机森林。我们将看到集成学习的威力。在这一章，我们还会对其他集成学习的思想，如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 ...
•  13-1 什么是集成学习
•  13-2 Soft Voting Classifier
•  13-3 Bagging 和 Pasting
•  13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论
•  13-5 随机森林和 Extra-Trees
•  13-6 Ada Boosting 和 Gradient Boosting
•  13-7 Stacking

第14章 更多机器学习算法

• 相信通过这个课程的学习。同学们学到的不仅仅是一个一个零散的机器学习算法，更对机器学领域解决问题的方式有了一个系统性的认识。学会了这种思维方法，相信大家都可以更好地继续深入学习机器学习。在最后，我将给大家介绍scikit-learn的文档，希望大家能够借助scikit-learn这个强大的机器学习库，继续探索机器学习这个当下...
•  14-1 学习scikit-learn文档, 大家加油！
•  14-2 学习完这个课程以后怎样继续深入机器学习的学习？

本课程已完结

课程下载地址：

手机号码 温馨提示: 如已购买请输入手机号绑定订单  点击绑定 本部分为付费内容,您需要支付 1.00元 后可查看 立即支付 售前售后咨询:

正在加载二维码...