课程内容
第一章 机器学习概述
1.人工智能概述
2.人工智能发展历程
3.人工智能主要分支
4.机器学习工作流程
5.机器学习算法分类
6.模型评估
7.Azure机器学习模型搭建实验
8.深度学习简介
第二章 机器学习基础环境安装与使用
1.库的安装
2.jupyter notebook使用
第三章 Matplotlib
1.Matplotlib之HelloWorld
2.基础绘图功能 — 以折线图为例
3.常见图形绘制
第四章 Numpy
1.Numpy的优势
2.N维数组-ndarray
3.基本操作
4.ndarray运算
5.数组间的运算
6.数学:矩阵
第五章 Pandas
1.Pandas介绍
2.Pandas数据结构
3.基本数据操作
4.DataFrame运算
5.Pandas画图
6.文件读取与存储
7.高级处理-缺失值处理
8.高级处理-数据离散化
9.高级处理-合并
10.高级处理-交叉表与透视表
11.高级处理-分组与聚合
12.案例
模块二
第一章 K-近邻算法
1.K-近邻算法简介
2.k近邻算法api初步使用
3.距离度量
4.k值的选择
5.kd树
6.案例1:鸢尾花种类预测--数据集介绍
7.特征工程-特征预处理
8.案例1:鸢尾花种类预测--流程实现
9.交叉验证,网格搜索
10.案例2:预测facebook签到位置
第二章 线性回归
1.线性回归简介
2.线性回归api初步使用
3.数学:求导
4.线性回归的损失和优化
5.梯度下降法方法介绍
6.线性回归api再介绍
7.案例:波士顿房价预测
8.欠拟合和过拟合
9.正则化线性模型
10.线性回归的改进-岭回归
11.模型的保存和加载
第三章 逻辑回归
1.逻辑回归介绍
2.逻辑回归api介绍
3.案例:癌症分类预测-良/恶性乳腺癌肿瘤预测
4.分类评估方法
5.ROC曲线的绘制
第四章 决策树算法
1.决策树算法简介
2.决策树分类原理
3.cart剪枝
4.特征工程-特征提取
5.决策树算法api
6.案例:泰坦尼克号乘客生存预测
第五章 集成学习
1.集成学习算法简介
2.Bagging和随机森林
3.Boosting
第六章 聚类算法
1.聚类算法简介
2.聚类算法api初步使用
3.聚类算法实现流程
4.模型评估
5.算法优化
6.特征工程-特征降维
7.案例:探究用户对物品类别的喜好细分降维
8.算法选择指导"
下载地址:百度云盘