Python3入门机器学习 经典算法与应用轻松入行人工智能
bobo老师特为机器学习初学者量身打造
bobo教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结构，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，更是不断考虑的才能。
合适人群及技术储备要求
假如你对机器学习感兴趣，想从业于机器学习，或是预备参与机器学习相关比赛，本课程非常合适你
学前必备技术
Python3基础语法
具有高等数学，线性代数，概率论基本常识
课程对机器学习基础常识要求是0基础
[wm_notice]试看链接：https://pan.baidu.com/s/1rgiA8UnCKCz7K4Z4oQNjmw
提取码：0l5j
–来自百度网盘超级会员V1的分享[/wm_notice]
章节目录：
-
第1章 欢迎来到 Python3 玩转机器学习 试看3 节 | 48分钟
欢迎我们来到《Python3玩转机器学习》的讲堂。在这个课程中，我们将从0开端，一点一点进入机器学习的国际。本门课程对机器学习领域的学习，绝不不只仅只是对算法的学习，还包括比方算法的点评，方法的挑选，模型的优化，参数的调整，数据的收拾，等等一系列作业。预备好了吗？现在开端我们的机器学习之旅！…
- 视频：1-1 什么是机器学习 (20:14)试看
- 视频：1-2 课程包括的内容和理念 (13:25)试看
- 视频：1-3 课程所运用的首要技能栈 (14:10)试看
-
第2章 机器学习基础7 节 | 90分钟
机器学习毕竟是什么鬼？这一章将带领我们深化了解机器学习的国际，让我们去了解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，这些概念你就通通了解啦。不只如此，本章还包括恰当深刻地和机器学习相关的哲学谈论，让你深化思索有关机器学习…
- 视频：2-1 机器学习国际的数据 (18:27)
- 视频：2-2 机器学习的首要任务 (16:00)
- 视频：2-3 监督学习，非监督学习，半监督学习和增强学习 (17:38)
- 视频：2-4 批量学习，在线学习，参数学习和非参数学习 (11:53)
- 视频：2-5 和机器学习相关的“哲学”考虑 (12:00)
- 作业：2-6 关于回归和分类
- 视频：2-7 课程运用环境搭建 (13:08)
-
第3章 Jupyter Notebook, numpy和matplotlib12 节 | 208分钟
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东西的运用：Jupyter Notebook, numpy和matplotlib。大多数教程在说明机器学习的时分，许多运用这些东西，却不对这些东西进行系统说明。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，愈加左右逢源！…
- 视频：3-1 Jupyter Notebook基础 (18:42)
- 视频：3-2 Jupyter Notebook中的魔法指令 (20:51)
- 视频：3-3 Numpy数据基础 (11:06)
- 视频：3-4 创立Numpy数组(和矩阵) (19:16)
- 视频：3-5 Numpy数组(和矩阵)的基本操作 (18:15)
- 视频：3-6 Numpy数组(和矩阵)的合并与切开 (18:00)
- 视频：3-7 Numpy中的矩阵运算 (23:11)
- 视频：3-8 Numpy中的聚合运算 (13:19)
- 视频：3-9 Numpy中的arg运算 (11:12)
- 视频：3-10 Numpy中的比较和Fancy Indexing (22:36)
- 视频：3-11 Matplotlib数据可视化基础 (18:05)
- 视频：3-12 数据加载和简略的数据根究 (12:49)
-
第4章 最基础的分类算法-k近邻算法 kNN9 节 | 172分钟
k近邻算法自身是一个思想十分简略的算法，可是这个简略算法不好，也蕴含着丰富的内容。在这一章，我们将具体介绍k近邻算法的原理，然后对练习数据集，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具体的谈论。我们将具体了解scikit-learn结构中对算法的封装，并结束我们自己的算法结构。我们还将学…
- 视频：4-1 k近邻算法基础 (22:42)
- 视频：4-2 scikit-learn中的机器学习算法封装 (22:22)
- 视频：4-3 练习数据集，测试数据集 (22:46)
- 视频：4-4 分类准确度 (19:20)
- 视频：4-5 超参数 (21:36)
- 视频：4-6 网格查找与k近邻算法中更多超参数 (17:24)
- 视频：4-7 数据归一化 (15:27)
- 视频：4-8 scikit-learn中的Scaler (19:24)
- 视频：4-9 更多有关k近邻算法的考虑 (10:22)
-
第5章 线性回归法10 节 | 149分钟
线性回归法是机器学习领域的经典算法，许多更杂乱的算法都是以线性回归为基础的。在这一章，我们将深化学习线性回归法不好的原理，一同仔细谈论怎样点评回归算法。我们将对MSE,RMSE,MAE和R Squared等回归问题的点评方针有充分的了解。在结束层面上，我们还将学习机器学习领域的一个重要的结束技巧：向量化。…
- 视频：5-1 简略线性回归 (18:06)
- 视频：5-2 最小二乘法 (11:27)
- 视频：5-3 简略线性回归的结束 (14:09)
- 视频：5-4 向量化 (12:02)
- 视频：5-5 衡量线性回归法的方针：MSE，RMSE和MAE (22:45)
- 视频：5-6 最好的衡量线性回归法的方针：R Squared (16:28)
- 视频：5-7 多元线性回归和正规方程解 (15:58)
- 视频：5-8 结束多元线性回归 (13:08)
- 视频：5-9 运用scikit-learn处理回归问题 (12:42)
- 视频：5-10 线性回归的可解释性和更多考虑 (11:53)
-
第6章 梯度下降法9 节 | 143分钟
梯度下降法是在机器学习领域的一个重要的查找战略。在这一章，我们将具体说明梯度下降法的基本原理，一步一步改进梯度下降算法，让我们了解梯度下降法中各种参数，尤其是学习率的意义。一同，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，让我们对梯度下降法家族有一个全方位的知道。…
- 视频：6-1 什么是梯度下降法 (16:20)
- 视频：6-2 仿照结束梯度下降法 (20:11)
- 视频：6-3 线性回归中的梯度下降法 (10:56)
- 视频：6-4 结束线性回归中的梯度下降法 (14:06)
- 视频：6-5 梯度下降法的向量化和数据标准化 (22:14)
- 视频：6-6 随机梯度下降法 (17:34)
- 视频：6-7 scikit-learn中的随机梯度下降法 (15:40)
- 视频：6-8 怎样承认梯度核算的准确性？调试梯度下降法 (16:29)
- 视频：6-9 有关梯度下降法的更多深化谈论 (08:37)
-
第7章 PCA与梯度上升法11 节 | 140分钟
一般教材会运用十分多的数学概念来说明PCA，在这个课程中，我们将另辟蹊径，绕开深重的数学概念，运用梯度下降法的姊妹方法：梯度上升法来求解PCA问题，然后深刻了解PCA的基本原理，怎样运用PCA进行数据的降维。我们还将给出多个PCA的运用场景，不只让我们亲手实践出PCA降维的巨大威力，也让我们看到PCA在降噪，人脸辨认等…
- 视频：7-1 什么是PCA (17:45)
- 视频：7-2 运用梯度上升法求解PCA问题 (09:10)
- 视频：7-3 求数据的主成分PCA (20:09)
- 视频：7-4 求数据的前n个主成分 (17:36)
- 视频：7-5 高维数据映射为低维数据 (19:29)
- 视频：7-6 scikit-learn中的PCA (18:57)
- 视频：7-7 试手MNIST数据集 (12:06)
- 作业：7-8 在三维数据上的 PCA
- 图文：7-9 关于 MNIST 数据集的最新取得方法
- 视频：7-10 运用PCA对数据进行降噪 (10:00)
- 视频：7-11 人脸辨认与特征脸 (13:57)
-
第8章 多项式回归与模型泛化10 节 | 166分钟
在这一章，我们将触摸非线性问题。我们将学习多项式回归的思想，运用线性回归的思路来处理非线性问题。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。我们将深化谈论什么是欠拟合，什么是过拟合，怎样检测欠拟合和过拟合。什么是穿插验证，什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…
- 视频：8-1 什么是多项式回归 (11:38)
- 视频：8-2 scikit-learn中的多项式回归与Pipeline (16:26)
- 视频：8-3 过拟合与欠拟合 (14:22)
- 视频：8-4 为什么要有练习数据集与测试数据集 (16:09)
- 视频：8-5 学习曲线 (15:28)
- 视频：8-6 验证数据集与穿插验证 (25:20)
- 视频：8-7 过失方差平衡 (15:16)
- 视频：8-8 模型泛化与岭回归 (19:15)
- 视频：8-9 LASSO (16:59)
- 视频：8-10 L1, L2和弹性网络 (14:25)
-
第9章 逻辑回归9 节 | 137分钟
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，我们将逐步揭开逻辑回归的神秘面纱，了解怎样运用线性回归的思路，来处理分类问题。我们将概括之前所学习的许多内容，一点一点来完善我们的逻辑回归模型。我们还将继续深化分类问题，学习对分类效果概率的估计，以及挑选方案距离等重要概念。 …
- 视频：9-1 什么是逻辑回归 (16:07)
- 视频：9-2 逻辑回归的丢掉函数 (15:00)
- 视频：9-3 逻辑回归丢掉函数的梯度 (17:50)
- 视频：9-4 结束逻辑回归算法 (14:29)
- 视频：9-5 挑选方案距离 (21:09)
- 视频：9-6 在逻辑回归中运用多项式特征 (15:09)
- 视频：9-7 scikit-learn中的逻辑回归 (17:22)
- 视频：9-8 OvR与OvO (19:09)
- 作业：9-9 其他算法的挑选方案距离
-
第10章 点评分类效果9 节 | 126分钟
对机器学习分类算法效果的点评，是一个公认的杂乱问题。在这一章，我们将来论说这个问题为什么杂乱。我们怎样更好地看待我们的机器学习算法给出的效果。学习比方稠浊矩阵，准确率，准确率，召回率，F1，以及ROC等许多点评分类效果的方针。通过这一章的学习，我们将更好地了解自己的机器学习算法给出的效果，然后在实践运用…
- 视频：10-1 准确度的圈套和稠浊矩阵 (15:06)
- 视频：10-2 精准率和召回率 (11:51)
- 视频：10-3 结束稠浊矩阵，精准率和召回率 (15:42)
- 视频：10-4 F1 Score (17:42)
- 视频：10-5 精准率和召回率的平衡 (20:18)
- 视频：10-6 精准率-召回率曲线 (14:21)
- 视频：10-7 ROC曲线 (16:52)
- 作业：10-8 关于机器学习不同的方针
- 视频：10-9 多分类问题中的稠浊矩阵 (13:30)
-
第11章 支撑向量机 SVM9 节 | 145分钟
在这一章，我们将深化学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开端，了解SVM的思路，然后深化了解SVM处理非线性问题的方法——核函数。我们将要害学习两个最重要的核函数：多项式核和径向基函数核。我们更会运用实在的数据集实验，看到SVM的优缺点。毕竟，我们还将谈论运用SVM处理回归问题的思路。 …
- 视频：11-1 什么是SVM (13:54)
- 视频：11-2 SVM不好的最优化问题 (19:21)
- 视频：11-3 Soft Margin SVM (16:12)
- 视频：11-4 scikit-learn中的SVM (21:23)
- 视频：11-5 SVM中运用多项式特征和核函数 (12:43)
- 视频：11-6 毕竟什么是核函数 (15:31)
- 视频：11-7 RBF核函数 (20:46)
- 视频：11-8 RBF核函数中的gamma (13:39)
- 视频：11-9 SVM思想处理回归问题 (10:46)
-
第12章 挑选方案树7 节 | 99分钟
在这一章，我们将学习别的一个大名鼎鼎的机器学习算法：挑选方案树。挑选方案树自身十分简略，不好并没有杂乱的数学模型，但运用好挑选方案树也有许多技巧。我们将深化了解什么是熵模型，什么是基尼系数，怎样运用挑选方案树处理分类问题，怎样取得分类的概率，怎样用挑选方案树处理回归问题，以及运用挑选方案树的注意事项。 …
- 视频：12-1 什么是挑选方案树 (12:01)
- 视频：12-2 信息熵 (16:30)
- 视频：12-3 运用信息熵寻觅最优区分 (20:20)
- 视频：12-4 基尼系数 (17:41)
- 视频：12-5 CART与挑选方案树中的超参数 (15:04)
- 视频：12-6 挑选方案树处理回归问题 (08:15)
- 视频：12-7 挑选方案树的局限性 (08:16)
-
第13章 集成学习和随机森林8 节 | 101分钟
集成学习的思想是机器学习领域处理问题的一种重要思想。我们将从集成之前现已学习过的算法动身，然后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。 …
- 视频：13-1 什么是集成学习 (16:35)
- 视频：13-2 Soft Voting Classifier (14:30)
- 视频：13-3 Bagging 和 Pasting (16:52)
- 视频：13-4 oob (Out-of-Bag) 和关于Bagging的更多谈论 (14:40)
- 视频：13-5 随机森林和 Extra-Trees (13:14)
- 视频：13-6 Ada Boosting 和 Gradient Boosting (15:30)
- 视频：13-7 Stacking (08:46)
- 作业：13-8 关于 XGBoost
-
第14章 更多机器学习算法2 节 | 9分钟
信赖通过这个课程的学习。同学们学到的不只仅是一个一个零星的机器学习算法，更对机器学领域处理问题的方法有了一个系统性的知道。学会了这种思想方法，信赖我们都可以更好地继续深化学习机器学习。在毕竟，我将给我们介绍scikit-learn的文档，期望我们可以仰仗scikit-learn这个健壮的机器学习库，继续根究机器学习这个当下…
- 视频：14-1 学习scikit-learn文档, 我们加油！ (08:32)
- 图文：14-2 学习完这个课程以后怎样继续深化机器学习的学习？
