资源简介

2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课 课程介绍: 从基本的软件安装到必备的Python扩展讲起,然后对机器学习算法一一讲解,同时配合编程实操的实现过程,适合零基础系统学习,配套资料包括讲义作业软件数据都有。 课程目录: 第一章Numpy前导介绍 1.1、Anconda安装 1.2、JupyterNoteBook 1.3、Numpy介绍+ndarry 1.4、ndarry的shape属性巧算 1.5、ndarray的常见创建方式 1.6、NumPy中的数据类型 1.7、NumPy数据类型2 1.8、Numpy基本操作 1.9、索引和切片 1.10、索引和切片(2) 1.11、数组转制与轴兑换 1.12、通用函数 1.13、np.where函数 1.14、np.unique函数 1.15、数组数据文件读取 第二章Pandas前导课程 2.1、Pandas介绍 2.2、Series 2.3、索引对象 2.4、DataFrame 2.5、Pandas常用操作(1) 2.6、Pandas常用操作(2) 2.7、缺失值处理 2.8、pandas制图 2.9、Matplotlib(1) 2.10、Matplotlib(2) 2.11、Matplotlib中文输出解决 第三章机器学习(一) 3.1、01机器学习定义及理性认识 3.2、02机器学习商业应用场景、机器学习分类 3.3、03机器学习开发流程 3.4、04模型评估方法和部署 3.5、05线性回归原理推倒过程 3.6、06线性回归基础认识及原理讲解 3.7、07线性回归案例分析 第四章机器学习(二) 4.1、01_线性回归案例1、正则项、梯度下降 4.2、02_梯度下降方法及回归案例分析 4.3、03_线性回归、lasso、ridge、ElasitcNet以及案例分析 4.4、04_逻辑回归原理 4.5、05_逻辑回归及案例分析 4.6、06_softmax回归及案例分析 4.7、07_综合案例分析 第五章机器学习三-决策树 5.1、01决策树、属性分割、信息增益 5.2、02信息增益的计算、模型评估、ID3、C4.5、CART_ 5.3、03决策树案例分析1 5.4、04决策树案例分析二、过拟合、剪枝分析 5.5、05bagging、随机森林、随机森林案例分析 5.6、06GBDT、Adaboost原理讲解 5.7、07Adaboost案例分析、综合案例分析 第六章机器学习四-SVM支持向量机 6.1、svm讲解 6.2、核函数 6.3、代码讲解(一) 6.4、代码讲解(二 6.5、代码讲解(三) 6.6、代码讲解(四) 第七章机器学习五-聚类分析+贝叶斯 7.1、01-聚类的相似性度量(距离公式) 7.2、02-聚类思想、kmeans聚类、kmeans聚类应用案例 7.3、03-二分kmeans、kmeans++、kmeansII、canopy、mini-batchkm 7.4、04-聚类算法的衡量指标及案例实现 7.5、05-层次聚类及实现案例 7.6、06-密度聚类 7.7、07-密度聚类案例实现、谱聚类、谱聚类案例实现 7.8、08-不同聚类效果对比实现、文本案例、图片案例 7.9、09-朴素贝叶斯原理、案例1、案例2 7.10、10-贝叶斯网络 7.11、11-贝叶斯网络拓展 第八章机器学习六-EM-HMM-LDA-ML 8.1、01.EM算法讲解 8.2、02.HMM及中文分词 8.3、03.主题模型 8.4、04.spark机器学习安装环境 8.5、05.spark机器学习离线处理及训练和使用 8.6、06.机器学习实时新闻分类

资源截图

代码片段和文件信息

评论

共有 条评论