价格: 19 学币

分类: qianyanjishu

发布时间: 2022年1月23日 12:02

最近更新: 2022年2月20日 15:18

资源类型: VIP


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 (20:14)
1-2 课程涵盖的内容和理念 (13:25)
1-3 课程所使用的主要技术栈 (14:10)

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 (18:27)
2-2 机器学习的主要任务 (16:00)
2-3 监督学习,非监督学习,半监督学习和增强学习 (17:38)
2-4 批量学习,在线学习,参数学习和非参数学习 (11:53)
2-5 和机器学习相关的“哲学”思考 (12:00)
2-6 关于回归和分类
2-7 课程使用环境搭建 (13:08)

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 N
otebook, 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 (18:42)
3-2 Jupyter Notebook中的魔法命令 (20:51)
3-3 Numpy数据基础 (11:06)
3-4 创建Numpy数组(和矩阵) (19:16)
3-5 Numpy数组(和矩阵)的基本操作 (18:15)
3-6 Numpy数组(和矩阵)的合并与分割 (18:00)
3-7 Numpy中的矩阵运算 (23:11)
3-8 Numpy中的聚合运算 (13:19)
3-9 Numpy中的arg运算 (11:12)
3-10 Numpy中的比较和Fancy Indexing (22:36)
3-11 Matplotlib数据可视化基础 (18:05)
3-12 数据加载和简单的数据探索 (12:49)

第4章 最基础的分类算法-k近邻算法 kNN

k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 (22:42)
4-2 scikit-learn中的机器学习算法封装 (22:22)
4-3 训练数据集,测试数据集 (22:46)
4-4 分类准确度 (19:20)
4-5 超参数 (21:36)
4-6 网格搜索与k近邻算法中更多超参数 (17:24)
4-7 数据归一化 (15:27)
4-8 scikit-learn中的Scaler (19:24)
4-9 更多有关k近邻算法的思考 (10:22)

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,MA
E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 (18:06)
5-2 最小二乘法 (11:27)
5-3 简单线性回归的实现 (14:09)
5-4 向量化 (12:02)
5-5 衡量线性回归法的指标:MSE,RMSE和MAE (22:45)
5-6 最好的衡量线性回归法的指标:R Squared (16:28)
5-7 多元线性回归和正规方程解 (15:58)
5-8 实现多元线性回归 (13:08)
5-9 使用scikit-learn解决回归问题 (12:42)
5-10 线性回归的可解释性和更多思考 (11:53)

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 (16:20)
6-2 模拟实现梯度下降法 (20:11)
6-3 线性回归中的梯度下降法 (10:56)
6-4 实现线性回归中的梯度下降法 (14:06)
6-5 梯度下降法的向量化和数据标准化 (22:14)
6-6 随机梯度下降法 (17:34)
6-7 scikit-learn中的随机梯度下降法 (15:40)
6-8 如何确定梯度计算的准确性?调试梯度下降法 (16:29)
6-9 有关梯度下降法的更多深入讨论 (08:37)

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 (17:45)
7-2 使用梯度上升法求解PCA问题 (09:10)
7-3 求数据的主成分PCA (20:09)
7-4 求数据的前n个主成分 (17:36)
7-5 高维数据映射为低维数据 (19:29)
7-6 scikit-learn中的PCA (18:57)
7-7 试手MNIST数据集 (12:06)
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 (10:00)
7-11 人脸识别与特征脸 (13:57)

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 (11:38)
8-2 scikit-learn中的多项式回归与Pipeline (16:26)
8-3 过拟合与欠拟合 (14:22)
8-4 为什么要有训练数据集与测试数据集 (16:09)
8-5 学习曲线 (15:28)
8-6 验证数据集与交叉验证 (25:20)
8-7 偏差方差平衡 (15:16)
8-8 模型泛化与岭回归 (19:15)
8-9 LASSO (16:59)
8-10 L1, L2和弹性网络 (14:25)

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 (16:07)
9-2 逻辑回归的损失函数 (15:00)
9-3 逻辑回归损失函数的梯度 (17:50)
9-4 实现逻辑回归算法 (14:29)
9-5 决策边界 (21:09)
9-6 在逻辑回归中使用多项式特征 (15:09)
9-7 scikit-learn中的逻辑回归 (17:22)
9-8 OvR与OvO (19:09)
9-9 其他算法的决策边界

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 (15:06)
10-2 精准率和召回率 (11:51)
10-3 实现混淆矩阵,精准率和召回率 (15:42)
10-4 F1 Score (17:42)
10-5 精准率和召回率的平衡 (20:18)
10-6 精准率-召回率曲线 (14:21)
10-7 ROC曲线 (16:52)
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 (13:30)

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 (13:54)
11-2 SVM背后的最优化问题 (19:21)
11-3 Soft Margin SVM (16:12)
11-4 scikit-learn中的SVM (21:23)
11-5 SVM中使用多项式特征和核函数 (12:43)
11-6 到底什么是核函数 (15:31)
11-7 RBF核函数 (20:46)
11-8 RBF核函数中的gamma (13:39)
11-9 SVM思想解决回归问题 (10:46)

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 (12:01)
12-2 信息熵 (16:30)
12-3 使用信息熵寻找最优划分 (20:20)
12-4 基尼系数 (17:41)
12-5 CART与决策树中的超参数 (15:04)
12-6 决策树解决回归问题 (08:15)
12-7 决策树的局限性 (08:16)

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 (16:35)
13-2 Soft Voting Classifier (14:30)
13-3 Bagging 和 Pasting (16:52)
13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论 (14:40)
13-5 随机森林和 Extra-Trees (13:14)
13-6 Ada Boosting 和 Gradient Boosting (15:30)
13-7 Stacking (08:46)
13-8 关于 XGBoost

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-le
arn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! (08:32)
14-2 学习完这个课程以后怎样继续深入机器学习的学习?