1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。

第1章對(duì)機(jī)器學(xué)習(xí)的正確認(rèn)識(shí)
1-1人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系
1-2機(jī)器學(xué)習(xí)需要哪些工具
1-3Jupyter Notebook簡(jiǎn)介與安裝
1-4使用Jupyter Notebook
1-5遠(yuǎn)程訪問Jupyter Notebook
第2章項(xiàng)目實(shí)戰(zhàn)：預(yù)測(cè)人們的幸福指數(shù)
2-1項(xiàng)目簡(jiǎn)介
2-2訓(xùn)練線性模型，并預(yù)測(cè)幸福指數(shù)
2-3機(jī)器學(xué)習(xí)的主要挑戰(zhàn)
第3章項(xiàng)目實(shí)戰(zhàn)：預(yù)測(cè)房?jī)r(jià)
3-1準(zhǔn)備實(shí)驗(yàn)數(shù)據(jù)
3-2查看和可視化數(shù)據(jù)集
3-3準(zhǔn)備訓(xùn)練集和測(cè)試集
3-4用更完美的方式產(chǎn)生訓(xùn)練集和測(cè)
3-5用sklearn API拆分訓(xùn)練集和測(cè)
3-6分層抽樣
3-7通過可視化地理數(shù)據(jù)尋找模式
3-8用兩種方法檢測(cè)屬性之間的相關(guān)度
3-9為房屋數(shù)據(jù)集添加新屬性，并計(jì)算與房屋均價(jià)的相關(guān)度
3-10清理數(shù)據(jù)：用轉(zhuǎn)換器填補(bǔ)缺失值
3-11將文本類型屬性轉(zhuǎn)換為數(shù)值
3-12自定義轉(zhuǎn)換器
3-13數(shù)據(jù)轉(zhuǎn)換管道（pipeline）
3-14選擇、訓(xùn)練模型以及預(yù)測(cè)房?jī)r(jià)
3-15評(píng)估模型的性能
3-16用交叉驗(yàn)證評(píng)估和選擇模型
第4章項(xiàng)目實(shí)戰(zhàn)：識(shí)別手寫數(shù)字
4-1項(xiàng)目概述
4-2使用sklearn內(nèi)置的圖像數(shù)據(jù)
4-3使用fetch_mldata函數(shù)獲取MNIST圖像數(shù)據(jù)集
4-4直接讀取mat格式的MNIST圖像數(shù)據(jù)集
4-5將多張圖像文件合成一個(gè)圖像
4-6對(duì)數(shù)字圖像進(jìn)行二元分類
4-7使用K-fold交叉驗(yàn)證法評(píng)估分類器模型的性能
4-8使用混淆矩陣評(píng)估分類器模型的性能
4-9用精度、召回率和F1分?jǐn)?shù)評(píng)估分類模型
4-10調(diào)整閾值得到不同的精度和召回率
4-11ROC曲線與模型評(píng)估
4-12比較隨機(jī)森林分類器和梯度下降分類器的ROC曲線
4-13多類別分類器
4-14通過對(duì)特征值進(jìn)行轉(zhuǎn)換提高分類效果
4-15通過分析錯(cuò)誤類型改進(jìn)分類模型
4-16多標(biāo)簽分類
4-17去除圖像噪聲
第5章k-鄰近算法
5-1實(shí)現(xiàn)原理
5-2用k-鄰近算法進(jìn)行分類
5-3用k-鄰近算法進(jìn)行預(yù)測(cè)
5-4繪制擬合曲線
第6章項(xiàng)目實(shí)戰(zhàn)：用k-鄰近算法預(yù)測(cè)糖尿病
6-1準(zhǔn)備訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)
6-2比較和選擇分類模型
6-3訓(xùn)練模型與預(yù)測(cè)糖尿病
6-4繪制學(xué)習(xí)曲線
6-5選擇相關(guān)特征與數(shù)據(jù)可視化
第7章線性回歸算法
7-1線性回歸都講了什么
7-2線性回歸模型概述
7-3使用標(biāo)準(zhǔn)方程進(jìn)行線性回歸擬合
7-4梯度下降算法的原理
7-5批量梯度下降
7-6比較不同學(xué)習(xí)率的迭代效果
7-7隨機(jī)梯度下降
7-8隨機(jī)梯度下降
7-9比較4種線性回歸算法
7-10用線性模型擬合非線性數(shù)據(jù)
第8章支持向量機(jī)（SVM）
8-1線性SVM分類