我的学习目录 一,数据处理 Pandas 数据处理 二,机器学习 上课进度及练习 应用部分 生成自己的数据集 广义线性模型 交叉验证:评估估算器的表现 计算 f1_score 数据降维 特征选择 集成学习 1,k - 邻近算法 2,线性回归 3,决策树 4,朴素贝叶斯算法 5,逻辑回归 6,聚类 - sklearn中的使用 三,深度学习(tensorflow) 相关知识 1,构建多层感知器 2,独热编码、顺序编码与softMax多分类 3,模型的优化和过拟合问题 4,建立模型的三种方式 5,卷积神经网络(CNN)介绍+实例说明 6,序列问题-电影评论实例(二分类问题) 7,Tensor类型的数据进行微分计算 8,图片增强(实例说明) 9,VGG16介绍及预训练神经网络的使用 10,图像定位 四,数据库(SQL) 0,示例模式图 1,数据库系统原理 2,SQL语言 3,函数依赖和关系模式分解 4,BC、第三和第四范式 五,数据结构与演算法 1,算法与算法分析 2,树 3,排序 4,分治法(Divide-and-Conquer) 5,图及其图的应用 一,数据处理 Pandas 数据处理 传送门:机器学习-Pandas 数据的前处理 不定期更新 二,机器学习 强力推荐:Python之Sklearn使用教程 sklearn提供的数据集:sklearn.datasets 上课进度及练习 传送门:致理大楼 816 应用部分 生成自己的数据集 传送门: