你将学到的
  • scikit-learn 介绍和使用
  • SVM 支持向量机算法
  • PCA 主成分分析方法
  • 高斯混合模型应用
  • 线性回归与感知机
  • K-Means 聚类算法
  • 随机森林分类与回归
  • 模型验证与模型选择
lab-classic 实验 1 机器学习和 scikit-learn 介绍

知识点: 1.监督学习概念 2.无监督学习概念 3.机器学习算法 4.scikitlearn工具

lab-classic 实验 2 线性回归与感知机分类

知识点: 1.线性回归模型 2.感知机分类模型 3.糖尿病数据的拟合

lab-classic 实验 3 支持向量机分类预测

知识点: 1.理论基础 2.线性分类 3.非线性分类

lab-classic 实验 4 随机森林分类与回归

知识点: 1.决策树 2.随机森林分类 3.随机森林回归

lab-classic 实验 5 监督学习算法对比评估

知识点: 1.K近邻算法 2.其他常用监督学习方法 3.常用算法对比评估

lab-classic 实验 6 K-Means 聚类算法应用

知识点: 1.KMeans聚类 2.KMeans聚类应用 3.K值选择

lab-classic 实验 7 PCA 主成分分析应用

知识点: 1.主成分分析 2.PCA应用 3.其他降维方法

lab-classic 实验 8 高斯混合模型

知识点: 1.GMM用于聚类 2.GMM用于密度估计 3.GMM用于异常值检测

lab-classic 实验 9 聚类学习算法对比评估

知识点: 1.常用聚类算法的概念 2.常用聚类算法的实现 3.常用聚类算法的对比

lab-classic 实验 10 模型验证和模型选择

知识点: 1.模型验证 2.交叉验证 3.验证曲线 4.学习曲线

课程介绍

本课程作为机器学习入门课程,将详细介绍 scikit-learn 的使用。课程包括了线性回归与感知机分类、支持向量机分类、K-Means 聚类算法、PCA 主成分分析、随机森林分类与回归、高斯混合模型等常用的机器学习算法。同时,课程将涉及模型的验证与模型选择,进一步提升实践能力。

先学课程

课程难度

中等

适合人群

本课程适合对机器学习有基础了解,想要学习如何用 scikit-learn 实现机器学习算法的同学。

版权声明

课程少部分内容参考了 Jake VanderPlas 的开源项目,该项目使用 BSD 3-Clause LICENSE。在原 LICENSE 的许可范围内,我们对文内容进行了编译以便于理解,同时修改了部分代码以适配实验楼在线环境。

课程信息

  • 学习周期:课程有效期 2 个月, 2 个月后实验文档一直可以看,但无法进行在线实验。高级会员有效期内可一直学习(部分实验环境因为成本较高会限制次数),高级会员到期后课程失效(不能看文档)。
  • 课程价格:当前优惠价格 79 元。
  • 企业团报:可获得更多支持服务,请点击 购买咨询
课程教师

Chelsea1284 共发布过 2 门课程

查看老师的所有课程 >
实验楼楼+
实验楼会员
会员
开通会员,即刻开始学习
公众号
实验楼学习助手 实验楼订阅号