Python3入门机器学习 经典算法与应用 bobo

【课程介绍】bobo老师特为机器学习初学者量身打造，使用新版python3语言和流行的scikit-learn框架，算法与编程两翼齐飞，由浅入深，一步步的进入机器学习的世界。学到的不只是一门课程，更是不断思考的能力。

【课程目录】

• 第1章 欢迎来到 Python3 玩转机器学习欢迎大家来到《Python3玩转机器学习》的课堂。在这个课程中，我们将从0开始，一点一点进入机器学习的世界。本门课程对机器学习领域的学习，绝不不仅仅只是对算法的学习，还包括诸如算法的评价，方法的选择，模型的优化，参数的调整，数据的整理，等等一系列工作。准备好了吗？现在开始我们的机器学习之旅！…
  • 1-1 什么是机器学习
    

  • 1-2 课程涵盖的内容和理念试看
  • 1-3 课程所使用的主要技术栈试看
• 第2章 机器学习基础机器学习到底是什么鬼？这一章将带领大家深入理解机器学习的世界，让大家去熟悉那些看似陌生的专业术语。监督学习，非监督学习，半监督学习，增强学习，批量学习，在线学习，参数学习，非参数学习。看完这一章，这些概念你就统统了解啦。不仅如此，本章还包含相当深刻地和机器学习相关的哲学探讨，让你深入思索有关机器学习…
  • 2-1 机器学习世界的数据
  • 2-2 机器学习的主要任务
  • 2-3 监督学习，非监督学习，半监督学习和增强学习
  • 2-4 批量学习，在线学习，参数学习和非参数学习
  • 2-5 和机器学习相关的“哲学”思考
  • 2-6 课程使用环境搭建
• 第3章 Jupyter Notebook, numpy和matplotlib工欲善其事，必先利其器。在本章，我们将学习和机器学习相关的基础工具的使用：Jupyter Notebook, numpy和matplotlib。大多数教程在讲解机器学习的时候，大量使用这些工具，却不对这些工具进行系统讲解。我特意添加了这个章节，让同学们在后续编写机器学习算法的过程中，更加得心应手！…
  • 3-1 Jupyter Notebook基础
  • 3-2 Jupyter Notebook中的魔法命令
  • 3-3 Numpy数据基础
  • 3-4 创建Numpy数组(和矩阵)
  • 3-5 Numpy数组(和矩阵)的基本操作
  • 3-6 Numpy数组(和矩阵)的合并与分割
  • 3-7 Numpy中的矩阵运算
  • 3-8 Numpy中的聚合运算
  • 3-9 Numpy中的arg运算
  • 3-10 Numpy中的比较和Fancy Indexing
  • 3-11 Matplotlib数据可视化基础
  • 3-12 数据加载和简单的数据探索
• 第4章 最基础的分类算法-k近邻算法 kNNk近邻算法本身是一个思想非常简单的算法，但是这个简单算法背后，也蕴含着丰富的内容。在这一章，我们将详细介绍k近邻算法的原理，进而对训练数据集，测试数据集，分类准确度，超参数，数据归一化，样本距离等基础概念进行详细的探讨。我们将详细了解scikit-learn框架中对算法的封装，并实现我们自己的算法框架。我们还将学…
  • 4-1 k近邻算法基础
  • 4-2 scikit-learn中的机器学习算法封装
  • 4-3 训练数据集，测试数据集
  • 4-4 分类准确度
  • 4-5 超参数
  • 4-6 网格搜索与k近邻算法中更多超参数
  • 4-7 数据归一化
  • 4-8 scikit-learn中的Scaler
  • 4-9 更多有关k近邻算法的思考
• 第5章 线性回归法线性回归法是机器学习领域的经典算法，很多更复杂的算法都是以线性回归为基础的。在这一章，我们将深入学习线性回归法背后的原理，同时仔细探讨如何评价回归算法。大家将对MSE,RMSE,MAE和R Squared等回归问题的评价指标有充分的理解。在实现层面上，我们还将学习机器学习领域的一个重要的实现技巧：向量化。…
  • 5-1 简单线性回归
  • 5-2 最小二乘法
  • 5-3 简单线性回归的实现
  • 5-4 向量化
  • 5-5 衡量线性回归法的指标：MSE，RMSE和MAE
  • 5-6 最好的衡量线性回归法的指标：R Squared
  • 5-7 多元线性回归和正规方程解
  • 5-8 实现多元线性回归
  • 5-9 使用scikit-learn解决回归问题
  • 5-10 线性回归的可解释性和更多思考
• 第6章 梯度下降法梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章，我们将详细讲解梯度下降法的基本原理，一步一步改进梯度下降算法，让大家理解梯度下降法中各种参数，尤其是学习率的意义。同时，我们还将引申出随机梯度下降法和小批量梯度下降法两个方法，让大家对梯度下降法家族有一个全方位的认识。…
  • 6-1 什么是梯度下降法
  • 6-2 模拟实现梯度下降法
  • 6-3 线性回归中的梯度下降法
  • 6-4 实现线性回归中的梯度下降法
  • 6-5 梯度下降法的向量化和数据标准化
  • 6-6 随机梯度下降法
  • 6-7 scikit-learn中的随机梯度下降法
  • 6-8 如何确定梯度计算的准确性？调试梯度下降法
  • 6-9 有关梯度下降法的更多深入讨论
• 第7章 PCA与梯度上升法通常教材会使用非常多的数学概念来讲解PCA，在这个课程中，我们将另辟蹊径，绕开繁重的数学概念，使用梯度下降法的姊妹方法：梯度上升法来求解PCA问题，进而深刻理解PCA的基本原理，如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景，不仅让大家亲手实践出PCA降维的巨大威力，也让大家看到PCA在降噪，人脸识别等…
  • 7-1 什么是PCA
  • 7-2 使用梯度上升法求解PCA问题
  • 7-3 求数据的主成分PCA
  • 7-4 求数据的前n个主成分
  • 7-5 高维数据映射为低维数据
  • 7-6 scikit-learn中的PCA
  • 7-7 试手MNIST数据集
  • 7-8 关于 MNIST 数据集的最新获得方式
  • 7-9 使用PCA对数据进行降噪
  • 7-10 人脸识别与特征脸
• 第8章 多项式回归与模型泛化在这一章，我们将接触非线性问题。我们将学习多项式回归的思想，使用线性回归的思路来解决非线性问题。进一步，我们将引申出或许是机器学习领域最重要的一个问题：模型泛化问题。我们将深入探讨什么是欠拟合，什么是过拟合，怎样检测欠拟合和过拟合。什么是交叉验证，什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…
  • 8-1 什么是多项式回归
  • 8-2 scikit-learn中的多项式回归与Pipeline
  • 8-3 过拟合与欠拟合
  • 8-4 为什么要有训练数据集与测试数据集
  • 8-5 学习曲线
  • 8-6 验证数据集与交叉验证
  • 8-7 偏差方差平衡
  • 8-8 模型泛化与岭回归
  • 8-9 LASSO
  • 8-10 L1, L2和弹性网络
• 第9章 逻辑回归据统计，逻辑回归是机器学习领域最常用的分类算法，没有之一！在这一章，我们将逐渐揭开逻辑回归的神秘面纱，了解如何应用线性回归的思路，来解决分类问题。我们将综合之前所学习的很多内容，一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题，学习对分类结果概率的估计，以及决策边界等重要概念。 …
  • 9-1 什么是逻辑回归
  • 9-2 逻辑回归的损失函数
  • 9-3 逻辑回归损失函数的梯度
  • 9-4 实现逻辑回归算法
  • 9-5 决策边界
  • 9-6 在逻辑回归中使用多项式特征
  • 9-7 scikit-learn中的逻辑回归
  • 9-8 OvR与OvO
• 第10章 评价分类结果对机器学习分类算法结果的评估，是一个公认的复杂问题。在这一章，我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵，准确率，精确率，召回率，F1，以及ROC等诸多评价分类结果的指标。通过这一章的学习，大家将更好地理解自己的机器学习算法给出的结果，从而在实际应用…
  • 10-1 准确度的陷阱和混淆矩阵
  • 10-2 精准率和召回率
  • 10-3 实现混淆矩阵，精准率和召回率
  • 10-4 F1 Score
  • 10-5 精准率和召回率的平衡
  • 10-6 精准率-召回率曲线
  • 10-7 ROC曲线
  • 10-8 多分类问题中的混淆矩阵
• 第11章 支撑向量机 SVM在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到SVM的优缺点。最后，我们还将探讨使用SVM解决回归问题的思路。 …
  • 11-1 什么是SVM
  • 11-2 SVM背后的最优化问题
  • 11-3 Soft Margin SVM
  • 11-4 scikit-learn中的SVM
  • 11-5 SVM中使用多项式特征和核函数
  • 11-6 到底什么是核函数
  • 11-7 RBF核函数
  • 11-8 RBF核函数中的gamma
  • 11-9 SVM思想解决回归问题
• 第12章 决策树在这一章，我们将学习另外一个大名鼎鼎的机器学习算法：决策树。决策树本身非常简单，背后并没有复杂的数学模型，但使用好决策树也有很多技巧。我们将深入了解什么是熵模型，什么是基尼系数，怎样使用决策树解决分类问题，怎样获得分类的概率，怎样用决策树解决回归问题，以及使用决策树的注意事项。 …
  • 12-1 什么是决策树
  • 12-2 信息熵
  • 12-3 使用信息熵寻找最优划分
  • 12-4 基尼系数
  • 12-5 CART与决策树中的超参数
  • 12-6 决策树解决回归问题
  • 12-7 决策树的局限性
• 第13章 集成学习和随机森林集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发，进而引入集成学习的经典算法：随机森林。我们将看到集成学习的威力。在这一章，我们还会对其他集成学习的思想，如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 …
  • 13-1 什么是集成学习
  • 13-2 Soft Voting Classifier
  • 13-3 Bagging 和 Pasting
  • 13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论
  • 13-5 随机森林和 Extra-Trees
  • 13-6 Ada Boosting 和 Gradient Boosting
  • 13-7 Stacking
• 第14章 更多机器学习算法相信通过这个课程的学习。同学们学到的不仅仅是一个一个零散的机器学习算法，更对机器学领域解决问题的方式有了一个系统性的认识。学会了这种思维方法，相信大家都可以更好地继续深入学习机器学习。在最后，我将给大家介绍scikit-learn的文档，希望大家能够借助scikit-learn这个强大的机器学习库，继续探索机器学习这个当下…
  • 14-1 学习scikit-learn文档, 大家加油！
  • 14-2 学习完这个课程以后怎样继续深入机器学习的学习？