Python3入门机器学习经典算法与应用


【课程内容】



第1章 欢迎来到 Python3 玩转机器学习



1-1   什么是机器学习

1-2  课程涵盖的内容和理念

1-3  课程所使用的主要技术栈



第2章 机器学习基础



2-1  机器学习世界的数据

2-2  机器学习的主要任务

2-3   监督学习，非监督学习，半监督学习和增强学习

2-4  批量学习，在线学习，参数学习和非参数学习

2-5  和机器学习相关的“哲学”思考

2-6  课程使用环境搭建



第3章 Jupyter Notebook, numpy和matplotlib



3-1  Jupyter Notebook基础

3-2  Jupyter Notebook中的魔法命令

3-3  Numpy数据基础

3-4  创建Numpy数组(和矩阵)

3-5  Numpy数组(和矩阵)的基本操作

3-6  Numpy数组(和矩阵)的合并与分割

3-7  Numpy中的矩阵运算

3-8  Numpy中的聚合运算

3-9  Numpy中的arg运算

3-10  Numpy中的比较和Fancy Indexing

3-11  Matplotlib数据可视化基础

3-12  数据加载和简单的数据探索



第4章 最基础的分类算法-k近邻算法 kNN



4-1  k近邻算法基础

4-2  scikit-learn中的机器学习算法封装

4-3  训练数据集，测试数据集

4-4  分类准确度

4-5  超参数

4-6  网格搜索与k近邻算法中更多超参数

4-7  数据归一化

4-8  scikit-learn中的Scaler

4-9  更多有关k近邻算法的思考



第5章 线性回归法



5-1  简单线性回归

5-2  最小二乘法

5-3  简单线性回归的实现

5-4  向量化

5-5  衡量线性回归法的指标：MSE，RMSE和MAE

5-6  最好的衡量线性回归法的指标：R Squared

5-7  多元线性回归和正规方程解

5-8  实现多元线性回归

5-9  使用scikit-learn解决回归问题

5-10  线性回归的可解释性和更多思考



第6章 梯度下降法



6-1  什么是梯度下降法

6-2  模拟实现梯度下降法

6-3  线性回归中的梯度下降法

6-4  实现线性回归中的梯度下降法

6-5  梯度下降法的向量化和数据标准化

6-6  随机梯度下降法

6-7   scikit-learn中的随机梯度下降法

6-8   如何确定梯度计算的准确性？调试梯度下降法

6-9  有关梯度下降法的更多深入讨论



第7章 PCA与梯度上升法



7-1  什么是PCA

7-2  使用梯度上升法求解PCA问题

7-3  求数据的主成分PCA

7-4  求数据的前n个主成分

7-5  高维数据映射为低维数据

7-6  scikit-learn中的PCA

7-7  试手MNIST数据集

7-8  使用PCA对数据进行降噪

7-9  人脸识别与特征脸



第8章 多项式回归与模型泛化



8-1  什么是多项式回归

8-2   scikit-learn中的多项式回归与Pipeline

8-3  过拟合与欠拟合

8-4  为什么要有训练数据集与测试数据集

8-5   学习曲线

8-6   验证数据集与交叉验证

8-7  偏差方差平衡

8-8   模型泛化与岭回归

8-9   LASSO

8-10   L1, L2和弹性网络



第9章 逻辑回归



9-1  什么是逻辑回归

9-2  逻辑回归的损失函数

9-3   逻辑回归损失函数的梯度

9-4  实现逻辑回归算法

9-5  决策边界

9-6  在逻辑回归中使用多项式特征

9-7  scikit-learn中的逻辑回归

9-8   OvR与OvO



第10章 评价分类结果



10-1  准确度的陷阱和混淆矩阵

10-2  精准率和召回率

10-3  实现混淆矩阵，精准率和召回率

10-4  F1 Score

10-5  精准率和召回率的平衡

10-6  精准率-召回率曲线