课程目录

• PART1
• 01-1-1课程内容和理念
• 02-1-2-1本章总览
• 02-1-2初识机器学习
• 02-2-2-2数据长什么样：常见数据集、典型实例、如何使用
• 02-3-2-3研究哪些问题：分类、回归等
• 02-4-2-4如何分门别类：监督、无监督、强化学习等
• 02-5-2-5机器学习的七大常见误区和局限
• 03-1-3-1本章总览：相互关系与学习路线
• 03-1-3课程使用的技术栈
• 03-10-3-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算
• 03-11-3-11Numpy数组统计运算：常用的都在这儿了
• 03-12-3-12Numpy数组arg运算和排序
• 03-13-3-13Numpy数组神奇索引和布尔索引
• 03-14-3-14Matplotlib数据可视化：基础绘制与设置
• 03-2-3-2Anaconda图形化操作
• 03-3-3-3Anaconda命令行操作
• 03-4-3-4JupyterNotebook基础使用
• 03-5-3-5JupyterNotebook高级使用：常用魔法命令
• 03-6-3-6Numpy基础：安装与性能对比
• 03-7-3-7Numpy数组创建：特定数组、等差数组、随机数组
• 03-8-3-8Numpy数组基础索引：索引和切片
• 03-9-3-9Numpy非常重要的数组合并与拆分操作
• 04-1-4-1本章总览
• 04-2-4-2KNN算法核心思想和原理
• 04-3-4-3KNN分类任务代码实现
• 04-4-4-4数据集划分：训练集与预测集
• 04-5-4-5模型评价
• 04-6-4-6超参数
• 04-7-4-7特征归一化
• 04-8-4-8KNN回归任务代码实现
• 04-9-4-9KNN优缺点和适用条件
• 05-1-5-1本章总览
• 05-10-5-10复杂逻辑回归及代码实现
• 05-11-5-11线性算法优缺点和适用条件
• 05-2-5-2线性回归核心思想和原理
• 05-3-5-3逻辑回归核心思想和原理
• 05-4-5-4线性回归代码实现
• 05-5-5-5模型评价：MSE、RMSE、MAE和R方
• 05-6-5-6多项式回归代码实现
• 05-7-5-7逻辑回归算法
• 05-8-5-8线性逻辑回归代码实现
• 05-9-5-9多分类策略
• 06-1-6-1本章总览
• 06-2-6-2损失函数
• 06-3-6-3梯度下降
• 06-4-6-4决策边界
• 06-5-6-5过拟合与欠拟合
• 06-6-6-6学习曲线
• 06-7-6-7交叉验证
• 06-8-6-8模型误差
• 06-9-6-9正则化
• PART2
• 06-10-6-10LASSO和岭回归代码实现
• 06-11-6-11模型泛化
• 06-12-6-12评价指标：混淆矩阵、精准率和召回率
• 06-13-6-13评价指标：ROC曲线
• 07-1-7-1本章总览
• 07-2-7-2决策树核心思想和原理
• 07-3-7-3信息熵
• 07-4-7-4决策树分类任务代码实现
• 07-5-7-5基尼系数
• 07-6-7-6决策树剪枝
• 07-7-7-7决策树回归任务代码实现
• 07-8-7-8决策树优缺点和适用条件
• 08-1-8-1本章总览
• 08-2-8-2神经网络核心思想和原理
• 08-3-8-3激活函数
• 08-4-8-4正向传播与反向传播
• 08-5-8-5梯度下降优化算法
• 08-6-8-6神经网络简单代码实现
• 08-7-8-7梯度消失和梯度爆炸
• 08-8-8-8模型选择
• 08-9-8-9神经网络优缺点和适用条件
• 09-1-9-1本章总览
• 09-10-9-10SVM优缺点和适用条件
• 09-2-9-2SVM核心思想和原理
• 09-3-9-3硬间隔SVM
• 09-4-9-4SVM软间隔
• 09-5-9-5线性SVM分类任务代码实现
• 09-6-9-6非线性SVM：核技巧
• 09-7-9-7SVM核函数
• 09-8-9-8非线性SVM代码实现
• 09-9-9-9SVM回归任务代码实现
• 10-1-10-1本章总览
• 10-2-10-2贝叶斯方法核心思想和原理
• 10-3-10-3朴素贝叶斯分类
• 10-4-10-4朴素贝叶斯的代码实现
• 10-5-10-5多项式朴素贝叶斯代码实现
• 10-6-10-6贝叶斯方法优缺点和适用条件
• 11-1-11-1本章总览
• 11-2-11-2集成学习核心思想和原理
• 11-3-11-3集成学习代码实现
• 11-4-11-4并行策略：Bagging、OOB等方法
• 11-5-11-5并行策略：随机森林
• 11-6-11-6串行策略：Boosting
• 11-7-11-7结合策略：Stacking方法
• 11-8-11-8集成学习优缺点和适用条件
• 12-1-12-1本章总览
• 12-2-12-2聚类算法核心思想和原理
• 12-3-12-3k-means和分层聚类
• 12-4-12-4聚类算法代码实现
• 12-5-12-5聚类评估代码实现
• 12-6-12-6聚类算法优缺点和适用条件
• 13-1-13-1本章总览
• 13-2-13-2PCA核心思想和原理
• 13-3-13-3PCA求解算法
• 13-4-13-4PCA算法代码实现
• 13-5-13-5降维任务代码实现
• 13-6-13-6PCA在数据降噪中的应用
• 13-7-13-7PCA在人脸识别中的应用
• 13-8-13-8主成分分析优缺点和适用条件
• 14-1-14-1本章总览
• 14-2-14-2概率图模型核心思想和原理
• 14-3-14-3EM算法参数估计
• 14-4-14-4隐马尔可夫模型代码实现
• 14-5-14-5概率图模型优缺点和适用条件
• 15-1-15-1本章总览
• 15-2-15-2泰坦尼克生还预测
• 15-3-15-3房价预测
• 15-4-15-4交易反欺诈代码实现
• 15-5-15-5如何深入研究机器学习