课程介绍：
本课程是《机器学习系列课程》中的重要部分。这套视频课程包括但不限于Python基础、常用机器学习框架（如scikit-learn、tensorflow、pytorch、caffe、keras等），机器学习核心算法、大量的实战案例、机器学习的数学基础，机器学习在自然语言处理中的应用、机器学习在推荐系统中的应用。
课程目录：
课时01.人工智能、机器学习和深度学习的关系
课时02.机器学习需要哪些工具
课时03.源代码和其他资源下载
课时04.JupyterNotebook简介与安装
课时05.使用JupyterNotebook
课时06.远程访问JupyterNotebook
课时07.项目简介
课时08.训练线性模型，并预测幸福指数
课时09.机器学习的主要挑战
课时10.准备训练数据
课时11.查看和可视化数据集
课时12.准备训练集和测试集
课时13.用更完美的方式产生训练集和测试集
课时14.用sklearnAPI拆分训练集和测试集
课时15.分层抽样
课时16.通过可视化地理数据寻找模式
课时17.用两种方法检测属性之间的相关度
课时18.为房屋数据集添加新属性，并计算与房屋均价的相关度
课时19.清理数据：用转换器填补缺失值
课时20.将文本类型属性转换为数值
课时21.自定义转换器
课时22.数据转换管道（pipeline）
课时23.选择、训练模型以及预测房价
课时24.评估模型的性能
课时25.用交叉验证评估和选择模型
课时26.项目概述
课时27.使用sklearn内置的图像数据
课时28.使用fetch_mldata函数获取MNIST图像数据集
课时29.直接读取mat格式的MNIST图像数据集
课时30.将多张图像文件合成一个图像
课时31.对数字图像进行二元分类
课时32.使用K-fold交叉验证法评估分类器模型的性能
课时33.使用混淆矩阵评估分类器模型的性能
课时34.用精度、召回率和F1分数评估分类模型
课时35.调整阈值得到不同的精度和召回率
课时36.ROC曲线与模型评估
课时37.比较随机森林分类器和梯度下降分类器的ROC曲线
课时38.多类别分类器
课时39.通过对特征值进行转换提高分类效果
课时40.通过分析错误类型改进分类模型
课时41.多标签分类
课时42.去除图像噪声
课时43.实现原理
课时44.用k-邻近算法进行分类
课时45.用k-邻近算法进行预测~1
课时46.绘制拟合曲线
课时47.准备训练数据和测试数据
课时48.比较和选择分类模型
课时49.训练模型与预测糖尿病
课时50.绘制学习曲线
课时51.选择相关特征与数据可视化
课时52.线性回归都讲了什么
课时53.线性回归模型概述
课时54.使用标准方程进行线性回归拟合~1
课时55.梯度下降算法原理
课时56.批量梯度下降
课时57.比较不同学习率的迭代效果
课时58.随机梯度下降
课时59.下批量梯度下降
课时60.比较4种线性回归算法
课时61.用线性模型拟合非线性数据
课时62.线性SVM分类
课时63.添加特征使数据集线性可分离
课时65.基于多项式核的SVM分类器
课时66.高斯RBF的相似特征
课时67.基于高斯RBF核函数的SVM分类器
课时68.SVM线性回归
评论0