你将学到的
  • 监督学习回归算法
  • 无监督学习聚类算法
  • 自动化机器学习
  • 监督学习分类算法
  • 模型训练、部署和评价
  • 项目挑战比赛
课程内容
展开全部
  共51个章节
阶段 1 课程技能准备   展开
共3个章节
直播 1 开课直播
直播时间:2020-06-02 19:00:01
阶段 2 监督学习回归方法   展开
共10个章节
实验 3 机器学习综述及示例

知识点: 1.机器学习介绍 2.监督学习介绍 3.无监督学习介绍

实验 4 线性回归实现与应用

知识点: 1.一元线性回归 2.平方损失函数 3.最小二乘法及代数求解 4.线性回归实现 5.最小二乘法的矩阵推导

挑战 1 北京市住房价格预测

知识点: 1.数据集读取与划分 2.模型训练及预测 3.模型评价

实验 5 多项式回归实现与应用

知识点: 1.多项式回归介绍 2.多项式回归基础 3.多项式回归预测

挑战 2 比特币价格预测及绘图

知识点: 1.数据准备 2.3次多项式回归预测挑战 3.N次多项式回归预测绘图

实验 6 岭回归和 LASSO 回归实现

知识点: 1.普通最小二乘法的局限性 2.希尔伯特矩阵OLS线性拟合 3.岭回归 4.LASSO回归

挑战 3 使用矩阵计算岭回归系数

知识点: 1.使用Python计算岭回归系数 2.使用scikitlearn计算岭回归系数

实验 7 回归模型评价与检验

知识点: 1.拟合优度检验 2.变量显著性检验

挑战 4 回归方法综合实践应用

知识点: 1.一元线性回归 2.多元线性回归 3.假设检验

实验 8 第一周挑战解析及课程总结
阶段 3 监督学习分类方法(上)   展开
共8个章节
实验 9 逻辑回归实现与应用

知识点: 1.线性可分和不可分 2.Sigmoid分布函数 3.逻辑回归模型 4.对数损失函数 5.梯度下降法

挑战 5 梯度下降法实现与应用

知识点: 1.最小二乘法求解线性回归参数 2.梯度下降法求解线性回归参数

实验 10 K-近邻算法实现与应用

知识点: 1.最近邻算法 2.K近邻算法 3.决策规则 4.KNN算法实现

挑战 6 K-近邻回归算法实现及应用

知识点: 1.K近邻回归介绍 2.K近邻回归实现

实验 11 朴素贝叶斯实现与应用

知识点: 1.条件概率 2.贝叶斯定理 3.朴素贝叶斯原理 4.朴素贝叶斯算法实现 5.极大似然估计

挑战 7 高斯分布函数实现及绘图

知识点: 1.高斯分布公式 2.高斯分布函数

实验 12 分类模型评价方法

知识点: 1.准确率 2.查准率 3.召回率 4.F1值 5.ROC曲线

实验 13 第二周挑战解析及课程总结
阶段 4 监督学习分类方法(下)   展开
共8个章节
实验 14 支持向量机实现与应用

知识点: 1.线性分类支持向量机 2.拉格朗日对偶性 3.线性支持向量机分类实现 4.非线性分类支持向量机 5.核技巧与核函数

挑战 8 支持向量机实现人像分类

知识点: 1.图像数据预处理 2.支持向量机分类

实验 15 决策树实现与应用

知识点: 1.决策树算法原理 2.信息增益 3.决策树算法实现 4.学生成绩分类预测 5.决策树可视化

挑战 9 决策树模型参数优化及选择

知识点: 1.CART决策树分类 2.网格搜索参数选择

实验 16 装袋和提升集成学习方法

知识点: 1.集成学习概念 2.装袋算法Bagging 3.随机森林RandomForest 4.提升算法Boosting 5.梯度提升树GBDT

挑战 10 异质集成投票方法应用

知识点: 1.CART决策树分类 2.网格搜索参数选择

挑战 11 使用交叉验证快速选择模型

知识点: 1.K折交叉验证 2.K折子集均分 3.鲍鱼年龄分类

实验 17 第三周挑战解析及课程总结
阶段 5 无监督学习方法   展开
共10个章节
实验 18 划分聚类方法实现与应用

知识点: 1.划分聚类介绍 2.KMeans聚类方法 3.中心点移动过程可视化 4.KMeans算法实现

挑战 12 使用 K-Means 完成图像压缩

知识点: 1.图像压缩 2.MiniBatchKMeans聚类

实验 19 层次聚类方法实现与应用

知识点: 1.层次聚类方法概述 2.自底向上层次聚类法 3.自顶向下层次聚类法 4.BIRCH聚类算法 5.PCA主成分分析

实验 20 主成分分析原理及应用

知识点: 1.向量的基 2.向量映射 3.方差和协方差 4.特征值和特征向量 5.主成分分析计算

挑战 13 层次聚类应用及聚类树绘制

知识点: 1.层次聚类 2.修剪层次聚类二叉树

实验 21 密度聚类方法实现与应用

知识点: 1.DBSCAN密度聚类算法 2.DBSCAN聚类算法实现 3.HDBSCAN聚类算法

挑战 14 密度聚类标记异常共享单车

知识点: 1.DBSCAN参数确定 2.HDBSCAN聚类

实验 22 谱聚类及其他聚类方法应用

知识点: 1.谱聚类 2.拉普拉斯矩阵 3.无向图切图 4.亲和传播聚类 5.MeanShift

挑战 15 常用聚类算法对比评估

知识点: 1.算法对数据形状的适应性 2.相同条件下的算法效率

实验 23 第四周挑战解析及课程总结
阶段 6 机器学习工程   展开
共8个章节
实验 24 自动化机器学习综述

知识点: 1.自动化机器学习概念 2.自动化机器学习目标

实验 25 自动化机器学习实践应用

知识点: 1.autosklearn框架介绍 2.自动化分类和回归算法 3.自动化机器学习的优劣

挑战 16 AutoML 完成手写字符分类

知识点: 1.MNIST手写字符分类 2.autosklearn框架应用

实验 26 机器学习模型推理与部署

知识点: 1.模型保存 2.模型部署 3.模型推理

挑战 17 蘑菇分类模型部署和推理

知识点: 1.毒蘑菇分类预测 2.模型部署和推理

实验 27 机器学习模型动态增量训练

知识点: 1.动态模型 2.增量训练 3.实时手写字符识别

挑战 18 在线学习及云端模型部署

知识点: 1.在线增量学习 2.模型云端部署

实验 28 第五周挑战解析及课程总结
阶段 7 项目挑战比赛   展开
共4个章节
挑战 19 机器学习项目挑战比赛
实验 29 机器学习常用术语释义
实验 30 机器学习后续学习建议
课程介绍

继实验楼推出 Python 实战和 Linux 实战内容之后,正式上线机器学习实战课程。课程将围绕机器学习原理,使用 Python 语言进行实战,最终期望学员能对机器学习常见算法原理熟悉、能手动实现部分核心算法,同时学会使用开源框架搭建预测模型。涉及机器学习工程相关的模型评价与部署方法,最终达到机器学习初级工程师的水平。

课程辅助资料仓库

课程教师

huhuhang 共发布过 65 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