首页 > Python开发 > Python > 慕课网-Python3入门机器学习经典算法与应用 轻松入行人工智能
慕课网-Python3入门机器学习经典算法与应用 轻松入行人工智能

慕课网-Python3入门机器学习经典算法与应用 轻松入行人工智能

浏览次数:
下载次数:
收藏次数:
发布时间:2020-03-11

编号 IT-2286   视频类型 Python

扫描二维码轻松支付

  • 视频介绍
  • 下载记录
  • 用户评价
Python3入门机器学习 经典算法与应用 轻松入行人工智能
bobo老师特为机器学习初学者量身打造,使用新版python3语言和流行的scikit-learn框架,算法与编程两翼齐飞,由浅入深,一步步的进入机器学习的世界。学到的不只是一门课程,更是不断思考的能力。

第1章 欢迎来到 Python3 玩转机器学习
 1-1 什么是机器学习试看
 1-2 课程涵盖的内容和理念试看
 1-3 课程所使用的主要技术栈试看
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
 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
 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
 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
 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
 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?

版权信息:本站所有资源仅供学习与参考,请勿用于商业用途,如有侵犯您的版权,请及时联系59341935#qq.com(#换@),我们将尽快处理。

共有 条评论

    热门标签

    热门视频

    [老男孩]Python3自动化运维

    2020-01-01   浏览:173

    马哥Python全栈开发爬虫工

    2020-01-01   浏览:161

    Alex带你学Python153节课带你

    2020-02-15   浏览:159

    极客时间-Python核心技术与

    2020-03-12   浏览:156

    2020年零基础开始用Python中

    2020-07-05   浏览:148

    2019年最新Python数据处理与

    2019-12-22   浏览:112

    慕课网-Python3入门机器学习

    2020-03-11   浏览:108

    Python大数据机器学习实战

    2019-12-18   浏览:103

    喜欢我嘛?喜欢就按“ctrl+D”收藏我吧!♡