課程內(nèi)容：
01章機器學(xué)習(xí)入門介紹（1小時）
01-01什么是機器學(xué)習(xí)
01-02機器學(xué)習(xí)中的名詞說明：類型、字段、特征、標(biāo)簽等
01-03機器學(xué)習(xí)中的基本概念：分類、預(yù)測、回歸；有監(jiān)督、無監(jiān)督；模型效果、計算速度；可解釋性、泛化能力等
01-04推薦工具書
02章scikit-learn入門：Scikit-Learn庫簡介（0.5小時）
03章KNN-最近鄰分類算法：以電影分類為例（1.5小時）
03-01模型建立基本思路
03-02KNN原理基礎(chǔ)及其實現(xiàn)： KNN原理基礎(chǔ)距離的確認(rèn)：歐幾里得距離、馬曼哈頓距離、閔可夫斯基距離； KNN的scikit-learn實現(xiàn)：模型的構(gòu)建與評估
03-03模型優(yōu)化：學(xué)習(xí)曲線、交叉驗證
03-04模型評價與總結(jié)
04章決策樹算法：泰坦尼克幸存者預(yù)測為例（3小時）
04-01決策樹基本原理
04-02決策樹的scikit-learn實現(xiàn)：八個參數(shù)（Criterion、兩個隨機性相關(guān)的參數(shù)、五個剪枝參數(shù)）、一個屬性、四個接口）解析
04-03分類模型的評估指標(biāo)（混淆矩陣原理、scikit-learn中的混淆矩陣）
04-04實例：泰坦尼克號幸存者的預(yù)測（數(shù)據(jù)導(dǎo)入、數(shù)據(jù)處理、模型構(gòu)建與評估、利用混淆矩陣調(diào)參）
05章隨機森林算法：以乳腺癌預(yù)測為例（3小時）
05-01隨機森林概述：集成算法概述Bagging vs Boosting、集成算法的認(rèn)識
05-02隨機森林分類器的實現(xiàn)：重要參數(shù)、重要屬性和接口
06章K-Means聚類算法：以電商用戶畫像為例（3小時）
06-01聚類算法概述：聚類VS分類
06-02KMeans原理分析
06-03KMeans的scikit-learn實現(xiàn)（模型構(gòu)建與評估（輪廓系數(shù)）、重要參數(shù)解析、實例：根據(jù)輪廓系數(shù)選擇簇）
07章關(guān)聯(lián)規(guī)則算法：啤酒與尿布關(guān)聯(lián)規(guī)則分析（2小時）
07-01關(guān)聯(lián)規(guī)則概述：頻繁項集的產(chǎn)生與關(guān)聯(lián)發(fā)現(xiàn)
07-02Apriori算法原理：先驗原理
07-03使用Apriori算法來發(fā)現(xiàn)頻繁項集（生成候選項集（函數(shù)的構(gòu)建與封裝）、項集迭代函數(shù)）
08章線性回歸模型在數(shù)據(jù)分析領(lǐng)域的應(yīng)用：以房價預(yù)測為例（1小時）
09章邏輯回歸：以信用卡反欺詐模型為例（3小時）
09-01邏輯回歸概述：模型參數(shù)、sigmoid函數(shù)、邏輯回歸的返回值解析
09-02邏輯回歸的特點：模型擬合效果、計算速度、返回值的可解釋型
09-03邏輯回歸模型的構(gòu)建與優(yōu)化： 認(rèn)識邏輯回歸的損失函數(shù)； 重要參數(shù)解析； 梯度下降求解最小損失函數(shù)參數(shù)值
10章SVM支持向量機概述、應(yīng)用及scikit-leaern實現(xiàn)（1小時）
11章分類模型的評估指標(biāo)（2小時）
12章樸素貝葉斯算法：以文本分類為例（3小時）
12-01樸素貝葉斯概述
12-02應(yīng)用：文本分類的實現(xiàn)
魯公網(wǎng)安備37061302000010號
在線客服