机器学习课程
1.
机器学习概述
1.1.
人工智能概述
1.2.
什么是机器学习
1.3.
机器学习算法分类
1.4.
机器学习开发流程
1.5.
学习框架和资料介绍
2.
特征工程
2.1.
数据集
2.2.
特征工程介绍
2.3.
特征抽取
2.4.
特征预处理
2.5.
特征降维
2.6.
主成分分析
2.7.
总结
2.8.
每日作业
3.
分类算法
3.1.
数据集介绍与划分
3.2.
sklearn转换器和估计器
3.3.
K-近邻算法
3.4.
模型选择与调优
3.5.
朴素贝叶斯算法
3.6.
决策树
3.7.
集成学习方法之随机森林
3.8.
总结
3.9.
每日作业
4.
回归与聚类算法
4.1.
线性回归
4.2.
欠拟合与过拟合
4.3.
线性回归的改进-岭回归
4.4.
分类算法-逻辑回归与二分类
4.5.
模型保存和加载
4.6.
无监督学习-K-means算法
4.7.
总结
4.8.
每日作业
Published with GitBook
机器学习算法课程定位、目标
机器学习概述
了解机器学习定义以及应用场景 说明机器学习算法监督学习与无监督学习的区别 说明监督学习中的分类、回归特点 说明机器学习算法目标值的两种数据类型 说明机器学习(数据挖掘)的开发流程