[169] Python3入门机器学习 经典算法与应用 -

网盘链接：

1. 欢迎来到 Python3 玩转机器学习

• 1-1 什么是机器学习
• 1-2 课程涵盖的内容和理念
• 1-3 课程所使用的主要技术栈

2. 机器学习基础

• 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 关于回归和分类
• 2-7 课程使用环境搭建

3. Jupyter Notebook, numpy和matplotlib

• 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

4. 最基础的分类算法-k近邻算法 kNN

• 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

5. 线性回归法

• 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

6. 梯度下降法

• 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

7. PCA与梯度上升法

• 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 在三维数据上的 PCA
• 7-9 关于 MNIST 数据集的最新获得方式
• 7-10 使用PCA对数据进行降噪
• 7-11 人脸识别与特征脸

8. 多项式回归与模型泛化

• 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

9. 逻辑回归

• 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
• 9-9 其他算法的决策边界

10. 评价分类结果

• 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 关于机器学习不同的指标
• 10-9 多分类问题中的混淆矩阵

11. 支撑向量机 SVM

• 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

12. 决策树

• 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

13. 集成学习和随机森林

• 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
• 13-8 关于 XGBoost

14. 更多机器学习算法

• 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？