Python3入门机器学习

经典算法与应用

其它学习课程目录：

强力Django+杀手级xadmin开发在线教育网站

全面系统Python3入门+进阶课程

从零起步 系统入门Python爬虫工程师

Python高级核心技术97讲 系列教程

Python3数据分析与挖掘建模实战

部分学习内容截图：

链接：https://pan.baidu.com/s/1jdGtN4_BPKQKw2OUSfxnZA
提取码：g20f

免费分享，但是X度限制严重，如若链接失效点击链接或搜索加群 群号517432778，点击加群

• 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 什么是机器学习试看
  • 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

• 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

• 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

• 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
  • 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

• 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

• 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

• 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 使用PCA对数据进行降噪
  • 7-9 人脸识别与特征脸

• 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