課程大綱：

scikit-learn 機(jī)器學(xué)習(xí)入門

課程作為機(jī)器學(xué)習(xí)入門課程，將詳細(xì)介紹 scikit-learn 的使用。

課程包括了線性回歸與感知機(jī)分類、

支持向量機(jī)分類、K-Means 聚類算法、

PCA 主成分分析、隨機(jī)森林分類與回歸、

高斯混合模型等常用的機(jī)器學(xué)習(xí)算法。

1 scikit-learn 介紹和使用

2 SVM 支持向量機(jī)算法

3 PCA 主成分分析方法

4 高斯混合模型應(yīng)用

5 線性回歸與感知機(jī)

6 K-Means 聚類算法

7 隨機(jī)森林分類與回歸

8 模型驗(yàn)證與模型選擇

1
機(jī)器學(xué)習(xí)和 scikit-learn 介紹

1.監(jiān)督學(xué)習(xí)概念

2.無監(jiān)督學(xué)習(xí)概念

3.機(jī)器學(xué)習(xí)算法

4.scikitlearn工具

2
線性回歸與感知機(jī)分類

1.線性回歸模型

2.感知機(jī)分類模型

3.糖尿病數(shù)據(jù)的擬合

3
支持向量機(jī)分類預(yù)測(cè)

1.理論基礎(chǔ)

2.線性分類

3.非線性分類

4
隨機(jī)森林分類與回歸

1.決策樹

2.隨機(jī)森林分類

3.隨機(jī)森林回歸

5
監(jiān)督學(xué)習(xí)算法對(duì)比評(píng)估

1.K近鄰算法

2.其他常用監(jiān)督學(xué)習(xí)方法

3.常用算法對(duì)比評(píng)估

6
K-Means 聚類算法應(yīng)用

1.KMeans聚類

2.KMeans聚類應(yīng)用

3.K值選擇

7
PCA 主成分分析應(yīng)用

1.主成分分析

2.PCA應(yīng)用

3.其他降維方法

8
高斯混合模型

1.GMM用于聚類

2.GMM用于密度估計(jì)

3.GMM用于異常值檢測(cè)

9
聚類學(xué)習(xí)算法對(duì)比評(píng)估

1.常用聚類算法的概念

2.常用聚類算法的實(shí)現(xiàn)

3.常用聚類算法的對(duì)比

10
模型驗(yàn)證和模型選擇

1.模型驗(yàn)證

2.交叉驗(yàn)證

3.驗(yàn)證曲線

4.學(xué)習(xí)曲線