課程大綱：樓+ 之機器學習培訓
1 監督學習回歸算法
2 無監督學習聚類算法
3 自動化機器學習
4 監督學習分類算法
5 模型訓練、部署和評價
6 項目挑戰比賽
1 課程技能準備
課程須知和先學內容
課程內容介紹與導學
2 監督學習回歸方法
機器學習綜述及示例
1.機器學習介紹
2.監督學習介紹
3.無監督學習介紹
2
線性回歸實現與應用
1.一元線性回歸
2.平方損失函數
3.小二乘法及代數求解
4.線性回歸實現
5.小二乘法的矩陣推導
1
住房價格預測
1.數據集讀取與劃分
2.模型訓練及預測
3.模型評價
3
多項式回歸實現與應用
1.多項式回歸介紹
2.多項式回歸基礎
3.多項式回歸預測
2
比特幣價格預測及繪圖
1.數據準備
2.3次多項式回歸預測挑戰
3.N次多項式回歸預測繪圖
4
嶺回歸和 LASSO 回歸實現
1.普通小二乘法的局限性
2.希爾伯特矩陣OLS線性擬合
3.嶺回歸
4.LASSO回歸
3
使用矩陣計算嶺回歸系數
1.使用Python計算嶺回歸系數
2.使用scikitlearn計算嶺回歸系數
5
回歸模型評價與檢驗
1.擬合優度檢驗
2.變量顯著性檢驗
4
回歸方法綜合實踐應用
1.一元線性回歸
2.多元線性回歸
3.假設檢驗
6
邏輯回歸實現與應用
1.線性可分和不可分
2.Sigmoid分布函數
3.邏輯回歸模型
4.對數損失函數
5.梯度下降法
5
梯度下降法實現與應用
1.小二乘法求解線性回歸參數
2.梯度下降法求解線性回歸參數
7
K-近鄰算法實現與應用
1.近鄰算法
2.K近鄰算法
3.決策規則
4.KNN算法實現
6
K-近鄰回歸算法實現及應用
1.K近鄰回歸介紹
2.K近鄰回歸實現
8
樸素貝葉斯實現與應用
1.條件概率
2.貝葉斯定理
3.樸素貝葉斯原理
4.樸素貝葉斯算法實現
5.極大似然估計
7
高斯分布函數實現及繪圖
1.高斯分布公式
2.高斯分布函數
9
分類模型評價方法
1.準確率
2.查準率
3.召回率
4.F1值
5.ROC曲線
支持向量機實現與應用
1.線性分類支持向量機
2.拉格朗日對偶性
3.線性支持向量機分類實現
4.非線性分類支持向量機
5.核技巧與核函數
8
支持向量機實現人像分類
1.圖像數據預處理
2.支持向量機分類
11
決策樹實現與應用
1.決策樹算法原理
2.信息增益
3.決策樹算法實現
4.學生成績分類預測
5.決策樹可視化
9
決策樹模型參數優化及選擇
1.CART決策樹分類
2.網格搜索參數選擇
12
裝袋和提升集成學習方法
1.集成學習概念
2.裝袋算法Bagging
3.隨機森林RandomForest
4.提升算法Boosting
5.梯度提升樹GBDT
10
異質集成投票方法應用
1.CART決策樹分類
2.網格搜索參數選擇
11
使用交叉驗證快速選擇模型
1.K折交叉驗證
2.K折子集均分
3.鮑魚年齡分類
13
劃分聚類方法實現與應用
1.劃分聚類介紹
2.KMeans聚類方法
3.中心點移動過程可視化
4.KMeans算法實現
12
使用 K-Means 完成圖像壓縮
1.圖像壓縮
2.MiniBatchKMeans聚類
14
層次聚類方法實現與應用
1.層次聚類方法概述
2.自底向上層次聚類法
3.自頂向下層次聚類法
4.BIRCH聚類算法
5.PCA主成分分析
15
主成分分析原理及應用
1.向量的基
2.向量映射
3.方差和協方差
4.特征值和特征向量
5.主成分分析計算
13
層次聚類應用及聚類樹繪制
1.層次聚類
2.修剪層次聚類二叉樹
實驗 16
密度聚類方法實現與應用
1.DBSCAN密度聚類算法
2.DBSCAN聚類算法實現
3.HDBSCAN聚類算法
挑戰 14
密度聚類標記異常共享單車
知識點: 1.DBSCAN參數確定 2.HDBSCAN聚類
17
譜聚類及其他聚類方法應用
1.譜聚類
2.拉普拉斯矩陣
3.無向圖切圖
4.親和傳播聚類
5.MeanShift
15
常用聚類算法對比評估
1.算法對數據形狀的適應性
2.相同條件下的算法效率
自動化機器學習綜述
1.自動化機器學習概念
2.自動化機器學習目標
19
自動化機器學習實踐應用
1.autosklearn框架介紹
2.自動化分類和回歸算法
3.自動化機器學習的優劣
16
AutoML 完成手寫字符分類
1.MNIST手寫字符分類
2.autosklearn框架應用
20
機器學習模型推理與部署
1.模型保存
2.模型部署
3.模型推理
17
蘑菇分類模型部署和推理
1.毒蘑菇分類預測
2.模型部署和推理
21
機器學習模型動態增量訓練
1.動態模型
2.增量訓練
3.實時手寫字符識別
18
在線學習及云端模型部署
1.在線增量學習
2.模型云端部署
加入高級會員獲得助教答疑
