Python3入门机器学习 经典算法与应用

原文链接: http://www.cnblogs.com/gshang/p/10962980.html

导学

  • 导学
  • 课程涵盖的内容和理念
  • 课程所使用的主要技术栈

机器学习基础

  • 机器学习世界的数据
  • 机器学习的主要任务
  • 监督学习,非监督学习,半监督学习和增强学习
  • 批量学习,在线学习,参数学习和非参数学习
  • 和机器学习相关的哲学思考

Jupyter Notebook, numpy

  • jupyter notebook基础
  • jupyter notebook中的魔法命令
  • Numpy数据基础
  • 创建numpy数组和矩阵
  • Numpy数组的基本操作
  • Numpy数组的合并与分割
  • Numpy中的矩阵运算
  • Numpy中的聚合运算
  • Numpy中的arg运算
  • Numpy中的比较和FancyIndexing
  • Matplotlib数据可视化基础
  • 数据加载和简单的数据探索

k近邻算法

  • k近邻算法基础
  • scikit-learn中的机器学习算法封装
  • 训练数据集,测试数据集
  • 分类准确度
  • 超参数
  • 网格搜索与k近邻算法中更多超参数
  • 数据归一化
  • scikit-learn中的Scaler
  • 更多有关k近邻算法的思考

线性回归

  • 简单线性回归
  • 最小二乘法
  • 简单线性回归的实现
  • 向量化
  • 衡量线性回归法的指标 MSE,RMS,MAE
  • 最好的衡量线性回归法的指标 R Squared
  • 多元线性回归和正规方程解
  • 实现多元线性回归
  • 使用scikit-learn解决回归问题
  • 线性回归的可解性和更多思考

梯度下降法

  • 什么是梯度下降法
  • 模拟实现梯度下降法
  • 线性回归中的梯度下降法
  • 实现线性回归中的梯度下降法
  • 梯度下降的向量化和数据标准化
  • 随机梯度下降法
  • scikit-learn中的随机梯度下降法
  • 如何确定梯度计算的准确性 调试梯度下降法
  • 有关梯度下降法的更多深入讨论

PCA与梯度上升法

  • 什么是PCA
  • 使用梯度上升法求解PCA问题
  • 求数据的主成分PCA
  • 求数据的前n个主成分
  • 高维数据映射为低维数据
  • scikit-learn中的PCA
  • 试手MNIST数据集
  • 使用PCA对数据进行降噪
  • 人脸识别与特征脸

多项式回归与模型泛化

  • 什么是多项式回归
  • scikit-learn中的多项式回归于pipeline
  • 过拟合与欠拟合
  • 为什么要训练数据集与测试数据集
  • 学习曲线
  • 验证数据集与交叉验证
  • 偏差方差平衡
  • 模型泛化与岭回归
  • LASSO
  • L1,L2和弹性网络

逻辑回归

  • 什么是逻辑回归
  • 逻辑回归的损失函数
  • 逻辑回归损失函数的梯度
  • 实现逻辑回归算法
  • 决策边界
  • 在逻辑回归中使用多项式特征
  • scikit-learn中的逻辑回归
  • OvR与OvO

评价分类结果

  • 准确度的陷阱和混淆矩阵
  • 精准率和召回率
  • 实现混淆矩阵精准率和召回率
  • f1分数
  • precision-recall的平衡
  • precision-recall曲线
  • ROC曲线
  • 多分类指标

支撑向量机 SVM

  • 支撑向量机-1
  • 支撑向量机-2
  • 支撑向量机-3
  • 支撑向量机-4
  • 支撑向量机-5
  • 支撑向量机-6
  • 支撑向量机-7
  • 支撑向量机-8
  • 支撑向量机-9

决策树

  • 什么是决策树
  • 信息熵
  • 使用信息熵寻找最优划分
  • 基尼系数
  • CART与决策树中的超参数
  • 决策树解决回归问题
  • 决策树的局限性

集成学习和随机森林

  • 什么是集成学习
  • SoftVoting Classifier
  • Bagging和Pasting
  • oob(Out-of-Bag)和关于Bagging的更多讨论
  • 随机森林和Extra-Trees
  • Ada Boosting和Gradient Boosting
  • Stacking

更多机器学习算法

  • 学习scikit-learn文档

转载于:https://www.cnblogs.com/gshang/p/10962980.html

你可能感兴趣的:(Python3入门机器学习 经典算法与应用)