Python机器学习实战1—132人已学习
课程介绍
简介:课程以目前流行的两个框架scikit-learn 以及大名鼎鼎的Tensorflow作为作为实战工具,让学员系统完整掌握机器学习和深度学习这两个在目前人工只能炙手可热的技能,让人生事业更上一个台阶。 本课程以基础原理+实战案例, 让学员学以致用。
课程收益
本系列课程涵盖经典机器学习知识+实战项目。让学员能够系统掌握AI知识,为成为机器学习工程师,数据分析师,数据科学家或者为深度学习打下坚实基础。课程把相关知识点穿插到项目中讲解,而非空谈理论,通过课程学习可以掌握目前最火热最高薪的这个领域的知识。
讲师介绍
阿勒拉哈 更多讲师课程
美国Texas A&M 在读博士,空间智能计算研究, 曾先后在全球大安全公司从事爬虫工程师、数 据分析、文本挖掘、机器学习等工作。对数据科学 和人工智能领域有深入研究。
课程大纲
第1章:介绍和鸟瞰机器学习
1. 课程介绍 4:39
2. 人工智能和机器学习的关系 9:43
3. 机器学习的分类 6:15
4. 生成对抗网络和强化学习 6:22
5. 机器学习开发流程 5:27
6. 机器学习的本质 6:32
7. 机器学习中那些坑 5:58
8. 如何学习机器学习 5:35
第2章:项目1:房价预测(回归类型问题)
1. 如何搞到真实的一手机器学习数据 4:36
2. 机器学习开发环境准备 7:08
3. 数据加载及快速可视化 9:48
4. 训练和测试集数据及模型验证原理 5:23
5. 现实数据训练及测试集分割 16:24
6. 根据重要特征分离数据 10:58
7. 根据地理信息可视化房地产数据 12:46
8. 可视化数据相关性 12:46
9. 特征工程 11:49
10. 数据和标签 4:22
11. 数据清洗 10:45
12. 量化文本数据 10:41
13. 组合特征与scikit主要架构 6:24
14. 实现特征组合 7:15
15. 特征标准化 4:47
16. 管道方法批量处理 7:50
17. 线性回归模型训练 8:12
18. 回归模型初步评估-RMSE和MAE 6:31
19. 决策树回归模型 5:01
20. 交叉验证模型 10:13
21. 随机森林回归模型 6:23
22. 持久化机器学习模型 4:53
23. 参数与超参数 4:19
24. 模型调优--网格搜索 6:24
25. 回归模型评估 8:36
26. 回归模型开发流程总结 4:42
第3章:项目2:识别手写数字—MNIST(分类问题)
1. 分类问题的介绍 1:33
2. MNIST图片数据 7:55
3. 图片可视化与分类问题描述 2:55
4. 训练集和测试集 3:35
5. 二分类模型 5:41
6. K-Fold交叉验证原理 4:16
7. 正确使用交叉评估分数 6:47
8. 混淆矩阵-Confusion Matrix 5:24
9. 精确度和召回率 6:23
10. F1分数(F1-Score) 3:57
11. 精确度和召回率的平衡 9:12
12. ROC 曲线 9:19
13. 多分类算法的归类--OvA和OvO 3:22
14. 多分类算法识别手写数字 5:56
15. 基于概率预测的多分类模型 5:27
16. 模型误差分析 3:45
17. 多标签多输出的分类模型 4:31
第4章:课程总结
1. 附赠项目1:预测泰坦尼克号风险 6:42
2. 附赠项目2:垃圾邮件监测 9:23
3. 模块总结与学习建议 3:10
大家可以点击【 查看详情】查看我的课程
课程介绍
![jpg](https://img-bss.csdn.net/20186515356790_10003.jpg?imageMogr2/auto-orient/thumbnail/400x269!/format/jpg)
简介:课程以目前流行的两个框架scikit-learn 以及大名鼎鼎的Tensorflow作为作为实战工具,让学员系统完整掌握机器学习和深度学习这两个在目前人工只能炙手可热的技能,让人生事业更上一个台阶。 本课程以基础原理+实战案例, 让学员学以致用。
课程收益
本系列课程涵盖经典机器学习知识+实战项目。让学员能够系统掌握AI知识,为成为机器学习工程师,数据分析师,数据科学家或者为深度学习打下坚实基础。课程把相关知识点穿插到项目中讲解,而非空谈理论,通过课程学习可以掌握目前最火热最高薪的这个领域的知识。
讲师介绍
阿勒拉哈 更多讲师课程
美国Texas A&M 在读博士,空间智能计算研究, 曾先后在全球大安全公司从事爬虫工程师、数 据分析、文本挖掘、机器学习等工作。对数据科学 和人工智能领域有深入研究。
课程大纲
第1章:介绍和鸟瞰机器学习
1. 课程介绍 4:39
2. 人工智能和机器学习的关系 9:43
3. 机器学习的分类 6:15
4. 生成对抗网络和强化学习 6:22
5. 机器学习开发流程 5:27
6. 机器学习的本质 6:32
7. 机器学习中那些坑 5:58
8. 如何学习机器学习 5:35
第2章:项目1:房价预测(回归类型问题)
1. 如何搞到真实的一手机器学习数据 4:36
2. 机器学习开发环境准备 7:08
3. 数据加载及快速可视化 9:48
4. 训练和测试集数据及模型验证原理 5:23
5. 现实数据训练及测试集分割 16:24
6. 根据重要特征分离数据 10:58
7. 根据地理信息可视化房地产数据 12:46
8. 可视化数据相关性 12:46
9. 特征工程 11:49
10. 数据和标签 4:22
11. 数据清洗 10:45
12. 量化文本数据 10:41
13. 组合特征与scikit主要架构 6:24
14. 实现特征组合 7:15
15. 特征标准化 4:47
16. 管道方法批量处理 7:50
17. 线性回归模型训练 8:12
18. 回归模型初步评估-RMSE和MAE 6:31
19. 决策树回归模型 5:01
20. 交叉验证模型 10:13
21. 随机森林回归模型 6:23
22. 持久化机器学习模型 4:53
23. 参数与超参数 4:19
24. 模型调优--网格搜索 6:24
25. 回归模型评估 8:36
26. 回归模型开发流程总结 4:42
第3章:项目2:识别手写数字—MNIST(分类问题)
1. 分类问题的介绍 1:33
2. MNIST图片数据 7:55
3. 图片可视化与分类问题描述 2:55
4. 训练集和测试集 3:35
5. 二分类模型 5:41
6. K-Fold交叉验证原理 4:16
7. 正确使用交叉评估分数 6:47
8. 混淆矩阵-Confusion Matrix 5:24
9. 精确度和召回率 6:23
10. F1分数(F1-Score) 3:57
11. 精确度和召回率的平衡 9:12
12. ROC 曲线 9:19
13. 多分类算法的归类--OvA和OvO 3:22
14. 多分类算法识别手写数字 5:56
15. 基于概率预测的多分类模型 5:27
16. 模型误差分析 3:45
17. 多标签多输出的分类模型 4:31
第4章:课程总结
1. 附赠项目1:预测泰坦尼克号风险 6:42
2. 附赠项目2:垃圾邮件监测 9:23
3. 模块总结与学习建议 3:10
大家可以点击【 查看详情】查看我的课程