机器学习30天实训—6092人已学习
课程介绍
系列课程包含Python机器学习库,机器学习经典算法原理推导,基于真实数据集案例实战3大模块。从零开始进行机器学习原理推导,以通俗易懂为基础形象解读晦涩难懂的机器学习算法工作原理,案例实战中使用Python工具库从数据预处理开始一步步完成整个建模工作!
课程收益
掌握机器学习经典算法与Python数据建模 课程首页与讲师卡优惠链接:http://edu.csdn.net/lecturer/1079
讲师介绍
唐宇迪 更多讲师课程
计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战讲师。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂。
课程大纲
第1章:Python必备机器学习库(有基础同学可以略过)
1. 环境配置 9:05
2. Numpy数据结构(数据代码下载---->) 11:48
3. Numpy基本操作 7:05
4. Numpy矩阵属性 9:17
5. Numpy矩阵操作 12:10
6. Numpy常用函数 16:54
7. Pandas数据读取 10:02
8. Pandas数据预处理 10:01
9. Pandas常用函数 16:29
10. Pandas-Series结构 8:58
11. Matplotlib-折线图 8:24
12. Matplotlib-子图操作 14:04
13. Matplotlib-条形图与散点图 10:11
14. Matplotlib-柱形图与盒图 10:16
15. Matplotlib-细节设置 6:12
16. Seaborn-整体布局风格设置 7:47
17. Seaborn-风格细节设置 6:49
18. Seaborn-调色板 10:39
19. Seaborn-调色板颜色设置 8:17
20. Seaborn-单变量分析绘图 9:37
21. Seaborn-回归分析绘图 8:53
22. Seaborn-多变量分析绘图 10:36
23. Seaborn-分类属性绘图 9:40
24. Seaborn-热度图绘制 14:19
第2章:线性回归算法原理推导
1. 系列课程环境配置(线性回归PPT下载----->) 7:19
2. 线性回归算法概述 14:23
3. 误差项分析 11:32
4. 似然函数求解 9:35
5. 目标函数推导 9:21
6. 线性回归求解 10:57
7. 梯度下降原理 11:42
8. 梯度下降方法对比 7:20
9. 课间讨论 8:50
10. 课后讨论 12:33
第3章:案例实战:Python实现逻辑回归与梯度下降
1. 学习率对结果的影响 6:08
2. 逻辑回归算法原理推导 10:52
3. 逻辑回归求解 14:58
4. 案例:Python实现逻辑回归任务概述(数据代码下载----->) 7:33
5. 案例:完成梯度下降模块 12:51
6. 案例:停止策略与梯度下降案例 10:55
7. 案例:实验对比效果 10:25
第4章:案例实战:信用卡欺诈检测
1. 案例背景和目标(数据代码---->) 8:31
2. 样本不均衡解决方案 10:17
3. 下采样策略 6:35
4. 交叉验证 13:02
5. 模型评估方法 13:05
6. 正则化惩罚 8:09
7. 逻辑回归模型 7:37
8. 混淆矩阵 8:52
9. 逻辑回归阈值对结果的影响 10:00
10. SMOTE样本生成策略 15:50
第5章:决策树与集成算法
1. 决策树原理概述(PPT下载----->) 12:25
2. 衡量标准-熵 11:03
3. 决策树构造实例 10:08
4. 信息增益率 5:48
5. 决策树剪枝策略 15:31
6. 决策树复习 8:55
7. 决策树涉及参数(代码下载---->) 11:08
8. 树可视化与sklearn库简介 18:14
9. sklearn参数选择 11:46
10. 集成算法-随机森林 12:02
11. 特征重要性衡量 13:50
12. 提升模型 11:14
13. 堆叠模型 7:09
第6章:支持向量机原理推导
1. 支持向量机要解决的问题(PPT下载--->) 10:05
2. 距离与数据的定义 10:33
3. 目标函数 9:41
4. 目标函数求解 11:27
5. SVM求解实例 13:45
6. 支持向量的作用 11:53
7. 软间隔问题 6:46
8. SVM核变换 16:51
第7章:SVM实例与贝叶斯算法
1. sklearn求解支持向量机 11:24
2. SVM参数选择 14:00
3. 机器学习建模流程 7:35
4. 贝叶斯算法概述 12:40
5. 拼写纠错实例 11:33
6. 垃圾邮件分类实例 14:29
7. 课后吹水 14:56
第8章:机器学习常规套路与Xgboost算法
1. HTTP检测任务与数据挖掘的核心 11:13
2. 论文的重要程度 10:00
3. BenchMark概述 6:23
4. BenchMark的作用 13:31
5. Xgboost算法概述(PPT---》) 11:35
6. Xgboost模型构造 12:10
7. Xgboost建模衡量标准 12:07
8. Xgboost安装 3:31
9. Xgboost实例演示 14:43
10. 课间吹水 10:13
第9章:神经网络
1. 神经网络与深度学习概述 16:00
2. 得分与损失函数 15:47
3. 反向传播 14:26
4. 神经网络整体架构 11:46
5. 可视化展示与细节 18:34
6. 课后吹水 19:54
7. 神经网络案例-cifar分类任务 16:01
8. 神经网络案例-分模块构造神经网络 13:33
9. 神经网络案例-训练神经网络完成分类任务 13:26
10. 神经网络架构-感受神经网络的强大 11:30
大家可以点击【 查看详情】查看我的课程
课程介绍
![201804031715418793.png](https://img-bss.csdn.net/201804031715418793.png)
系列课程包含Python机器学习库,机器学习经典算法原理推导,基于真实数据集案例实战3大模块。从零开始进行机器学习原理推导,以通俗易懂为基础形象解读晦涩难懂的机器学习算法工作原理,案例实战中使用Python工具库从数据预处理开始一步步完成整个建模工作!
课程收益
掌握机器学习经典算法与Python数据建模 课程首页与讲师卡优惠链接:http://edu.csdn.net/lecturer/1079
讲师介绍
唐宇迪 更多讲师课程
计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战讲师。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂。
课程大纲
第1章:Python必备机器学习库(有基础同学可以略过)
1. 环境配置 9:05
2. Numpy数据结构(数据代码下载---->) 11:48
3. Numpy基本操作 7:05
4. Numpy矩阵属性 9:17
5. Numpy矩阵操作 12:10
6. Numpy常用函数 16:54
7. Pandas数据读取 10:02
8. Pandas数据预处理 10:01
9. Pandas常用函数 16:29
10. Pandas-Series结构 8:58
11. Matplotlib-折线图 8:24
12. Matplotlib-子图操作 14:04
13. Matplotlib-条形图与散点图 10:11
14. Matplotlib-柱形图与盒图 10:16
15. Matplotlib-细节设置 6:12
16. Seaborn-整体布局风格设置 7:47
17. Seaborn-风格细节设置 6:49
18. Seaborn-调色板 10:39
19. Seaborn-调色板颜色设置 8:17
20. Seaborn-单变量分析绘图 9:37
21. Seaborn-回归分析绘图 8:53
22. Seaborn-多变量分析绘图 10:36
23. Seaborn-分类属性绘图 9:40
24. Seaborn-热度图绘制 14:19
第2章:线性回归算法原理推导
1. 系列课程环境配置(线性回归PPT下载----->) 7:19
2. 线性回归算法概述 14:23
3. 误差项分析 11:32
4. 似然函数求解 9:35
5. 目标函数推导 9:21
6. 线性回归求解 10:57
7. 梯度下降原理 11:42
8. 梯度下降方法对比 7:20
9. 课间讨论 8:50
10. 课后讨论 12:33
第3章:案例实战:Python实现逻辑回归与梯度下降
1. 学习率对结果的影响 6:08
2. 逻辑回归算法原理推导 10:52
3. 逻辑回归求解 14:58
4. 案例:Python实现逻辑回归任务概述(数据代码下载----->) 7:33
5. 案例:完成梯度下降模块 12:51
6. 案例:停止策略与梯度下降案例 10:55
7. 案例:实验对比效果 10:25
第4章:案例实战:信用卡欺诈检测
1. 案例背景和目标(数据代码---->) 8:31
2. 样本不均衡解决方案 10:17
3. 下采样策略 6:35
4. 交叉验证 13:02
5. 模型评估方法 13:05
6. 正则化惩罚 8:09
7. 逻辑回归模型 7:37
8. 混淆矩阵 8:52
9. 逻辑回归阈值对结果的影响 10:00
10. SMOTE样本生成策略 15:50
第5章:决策树与集成算法
1. 决策树原理概述(PPT下载----->) 12:25
2. 衡量标准-熵 11:03
3. 决策树构造实例 10:08
4. 信息增益率 5:48
5. 决策树剪枝策略 15:31
6. 决策树复习 8:55
7. 决策树涉及参数(代码下载---->) 11:08
8. 树可视化与sklearn库简介 18:14
9. sklearn参数选择 11:46
10. 集成算法-随机森林 12:02
11. 特征重要性衡量 13:50
12. 提升模型 11:14
13. 堆叠模型 7:09
第6章:支持向量机原理推导
1. 支持向量机要解决的问题(PPT下载--->) 10:05
2. 距离与数据的定义 10:33
3. 目标函数 9:41
4. 目标函数求解 11:27
5. SVM求解实例 13:45
6. 支持向量的作用 11:53
7. 软间隔问题 6:46
8. SVM核变换 16:51
第7章:SVM实例与贝叶斯算法
1. sklearn求解支持向量机 11:24
2. SVM参数选择 14:00
3. 机器学习建模流程 7:35
4. 贝叶斯算法概述 12:40
5. 拼写纠错实例 11:33
6. 垃圾邮件分类实例 14:29
7. 课后吹水 14:56
第8章:机器学习常规套路与Xgboost算法
1. HTTP检测任务与数据挖掘的核心 11:13
2. 论文的重要程度 10:00
3. BenchMark概述 6:23
4. BenchMark的作用 13:31
5. Xgboost算法概述(PPT---》) 11:35
6. Xgboost模型构造 12:10
7. Xgboost建模衡量标准 12:07
8. Xgboost安装 3:31
9. Xgboost实例演示 14:43
10. 课间吹水 10:13
第9章:神经网络
1. 神经网络与深度学习概述 16:00
2. 得分与损失函数 15:47
3. 反向传播 14:26
4. 神经网络整体架构 11:46
5. 可视化展示与细节 18:34
6. 课后吹水 19:54
7. 神经网络案例-cifar分类任务 16:01
8. 神经网络案例-分模块构造神经网络 13:33
9. 神经网络案例-训练神经网络完成分类任务 13:26
10. 神经网络架构-感受神经网络的强大 11:30
大家可以点击【 查看详情】查看我的课程