本阶段注重机器学习算法原理推导，从零开始讲解每一个复杂的机器学习算法，基于真实数据集进行案例实战！本阶段从线性模型开始讲起，再到由线性模型引申出来的相关算法，帮助大家快速、透彻的理解机器学习算法的原理、推导、实现、优化，并且使用真实数据集进行算法调用，对模型训练、模型评估与选择、模型使用手把手实战。
| 章节 | 内容 |
|---|---|
| 章节1 机器学习预备知识 | 1：卡方检验 2：卡方检验的statsmodels实现 3：配对卡方检验 4：相关分析概述 5：相关系数的计算原理 6：相关分析的Python实现 7：RR与OR |
| 章节2 KNN与交叉检验 | 8：KNN基础知识 9：实战_使用KNN完成鸢尾花分类预测 10：交叉验证 11：实战_手写数字图片数据集的调参、分类识别 12：实战_使用网格搜索进行调参 |
| 章节3 线性回归与梯度下降法 | 13：线性回归基础 14：实战_波士顿房价的线性回归模型 15：实战(一)_能效数据的相关热力图 16：实战(二)_能效数据的线性回归 17：梯度下降法介绍 18：实战_梯度下降法在线性回归中的使用 19：实战_scikit-learn使用SGD实现线性回归 |
| 章节4 逻辑回归与Softmax回归 | 20：逻辑回归概述 21：实战_逻辑回归解决二分类问题 22：实战_对逻辑回归调整概率阈值 23：Softmax回归简介 24：实战_Softmax回归预测鸢尾花多分类 |
| 章节5 多项式回归、过拟合、模型正则化 | 25：多项式回归 26：实战_多项式回归结合Pipeline管道机制 27：过拟合与欠拟合 28：模型正则化 29：岭回归与Lasso回归 30：实战_岭回归的sklearn实现 31：实战_LASSO回归的sklearn实现 |
| 章节6 分类算法的评价 | 32：精准率、召回率、F1 Score 33：实战_sklearn计算精准率、召回率、F1 Score 34：实战_PR曲线及其绘制 35：实战_ROC曲线及其绘制 36：计算ROC_AUC |
| 章节7 KMeans聚类与降维算法 | 37：KMeans介绍 38：实战_KMeans聚类分析 39：实战_PCA对红酒数据降维并可视化 40：实战_KPCA核主成分分析 41：实战_t-SNE红酒数据降维 |
| 章节8 决策树与集成学习 | 42：决策树基础 43：基尼指数与CART决策树 44：实战_CART分类树的sklearn实现 45：实战_决策树解决回归问题 46：集成学习的类型 47：Bagging与随机森林 48：实战_随机森林实现分类 49：Adaboost算法原理 50：实战_Adaboost + 决策树 51：Gradient Boosting原理 52：实战_GBDT及其代码实现 53：XGBoost算法原理 54：实战_XGBoost的sklearn实现 |
| 章节9 SVM与朴素贝叶斯算法 | 55：认识SVM_支持向量机 56：SVM的硬间隔与软间隔 57：实战_SVM对鸢尾花分类 58：实战_SVM解决房价预测回归问题 59：认识朴素贝叶斯 60：朴素贝叶斯的三种方式 61：实战_新闻文本数据分类 62：实战_肿瘤类别的分类 |
| 章节10 Kaggle竞赛 | 63：Kaggle竞赛介绍 64：特征工程(类别字段处理) 65：特征工程(数值字段处理) 66：特征工程(日期字段处理) 67：特征选择(一) 68：特征选择(二) 69：特征选择(三) 70：赛题介绍_泰坦尼克号幸存乘客 71：泰坦尼克号分析(一) 72：泰坦尼克号分析(二) 73：赛题介绍_Home_Credit_Default _Risk 74：Home_Credit_Default_Risk数据分析(一) 75：Home_Credit_Default_Risk数据分析(二) |
另附本章节课程资料
京公网安备 11011402011233号