課程介紹
注意0：欲購買此課程，獲取安全購買鏈接，索要正版授權(quán)學(xué)習(xí)平臺賬號，務(wù)必加咨詢QQ：2536379620
注意1：由于編碼原因，試聽課程視頻畫面清晰度不如最終購買的視頻。最終購買視頻的畫面清晰度可參見以下兩張圖。圖1 圖2
注意2：正版良心視頻，購買后有機(jī)會和原作者直接短暫技術(shù)交流。
本課程以最新的Python 3講解，同時(shí)適用于Windows、Mac OS X和Linux系統(tǒng)。
Scikit-learn(sklearn)的定位是通用機(jī)器學(xué)習(xí)庫，而TensorFlow(tf)的定位主要是深度學(xué)習(xí)庫。一個(gè)顯而易見的不同：tf并未提供sklearn那種強(qiáng)大的特征工程，如維度壓縮、特征選擇等。
深入講解使用Python作為開發(fā)語言。涵蓋了scikit-learn的核心知識點(diǎn)，包括但不限于預(yù)測的基本方法、k-臨近算法、線性回歸算法、梯度下降算法、決策樹、支持向量機(jī)、樸素貝葉斯算法、PCA等。課程以實(shí)戰(zhàn)為核心，每一個(gè)知識點(diǎn)都進(jìn)行了深入講解，并配有實(shí)戰(zhàn)代碼。同時(shí)本課程會提供完整的源代碼以便學(xué)員演練。
課程特色
四大主要特色
1.通俗易懂，快速入門
對scikit-learn的各個(gè)知識點(diǎn)的進(jìn)行了理論講解，并輔以實(shí)戰(zhàn)演練
2.Python主導(dǎo)，易用高效
Python是目前最火的計(jì)算機(jī)編程語言之一，由于Python本身簡單易學(xué)、第三方庫眾多等特性被廣泛用于機(jī)器學(xué)習(xí)等領(lǐng)域。
3 .內(nèi)容全面，實(shí)戰(zhàn)為主
課程以大量的實(shí)戰(zhàn)案例為主導(dǎo)講解如何使用scikit-learn庫中的API實(shí)踐各種機(jī)器學(xué)習(xí)模型，并配有大量的實(shí)戰(zhàn)案例塊。
4.持續(xù)更新，一勞永逸
本課程會一直持續(xù)更新下去，不斷補(bǔ)充關(guān)于scikit-learn庫的各種知識點(diǎn)和技巧。
適合人群
python程序員,機(jī)器學(xué)習(xí)工程師,人工智能工程師,機(jī)器學(xué)習(xí)愛好者
課程大綱
章節(jié)1:對機(jī)器學(xué)習(xí)的正確認(rèn)識
課時(shí)1視頻人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系39:19 免費(fèi)試聽
課時(shí)2視頻機(jī)器學(xué)習(xí)需要哪些工具15:03
課時(shí)3文本源代碼和其他資源下載
課時(shí)4視頻Jupyter Notebook簡介與安裝06:23
課時(shí)5視頻使用Jupyter Notebook07:58
課時(shí)6視頻遠(yuǎn)程訪問Jupyter Notebook04:48
章節(jié)2:項(xiàng)目實(shí)戰(zhàn)：預(yù)測人們的幸福指數(shù)
課時(shí)7視頻項(xiàng)目簡介02:01
課時(shí)8視頻訓(xùn)練線性模型，并預(yù)測幸福指數(shù)46:14
課時(shí)9視頻機(jī)器學(xué)習(xí)的主要挑戰(zhàn)06:24
章節(jié)3:項(xiàng)目實(shí)戰(zhàn)：預(yù)測房價(jià)
課時(shí)10視頻準(zhǔn)備訓(xùn)練數(shù)據(jù)09:33
課時(shí)11視頻查看和可視化數(shù)據(jù)集06:10
課時(shí)12視頻準(zhǔn)備訓(xùn)練集和測試集09:18
課時(shí)13視頻用更完美的方式產(chǎn)生訓(xùn)練集和測試集24:28
課時(shí)14視頻用sklearn API拆分訓(xùn)練集和測試集08:12
課時(shí)15視頻分層抽樣12:33
課時(shí)16視頻通過可視化地理數(shù)據(jù)尋找模式11:26
課時(shí)17視頻用兩種方法檢測屬性之間的相關(guān)度19:56
課時(shí)18視頻為房屋數(shù)據(jù)集添加新屬性，并計(jì)算與房屋均價(jià)的相關(guān)度08:02
課時(shí)19視頻清理數(shù)據(jù)：用轉(zhuǎn)換器填補(bǔ)缺失值11:47
課時(shí)20視頻將文本類型屬性轉(zhuǎn)換為數(shù)值19:30
課時(shí)21視頻自定義轉(zhuǎn)換器16:14
課時(shí)22視頻數(shù)據(jù)轉(zhuǎn)換管道（pipeline）17:42
課時(shí)23視頻選擇、訓(xùn)練模型以及預(yù)測房價(jià)17:29
課時(shí)24視頻評估模型的性能17:35
課時(shí)25視頻用交叉驗(yàn)證評估和選擇模型11:37
章節(jié)4:項(xiàng)目實(shí)戰(zhàn)：識別手寫數(shù)字
課時(shí)26視頻項(xiàng)目概述04:34
課時(shí)27視頻使用sklearn內(nèi)置的圖像數(shù)據(jù)10:21
課時(shí)28視頻使用fetch_mldata函數(shù)獲取MNIST圖像數(shù)據(jù)集09:31
課時(shí)29視頻直接讀取mat格式的MNIST圖像數(shù)據(jù)集06:04
課時(shí)30視頻將多張圖像文件合成一個(gè)圖像22:10
課時(shí)31視頻對數(shù)字圖像進(jìn)行二元分類08:28
課時(shí)32視頻使用K-fold交叉驗(yàn)證法評估分類器模型的性能16:10
課時(shí)33視頻使用混淆矩陣評估分類器模型的性能18:41
課時(shí)34視頻用精度、召回率和F1分?jǐn)?shù)評估分類模型18:13
課時(shí)35視頻調(diào)整閾值得到不同的精度和召回率37:21
課時(shí)36視頻ROC曲線與模型評估13:57
課時(shí)37視頻比較隨機(jī)森林分類器和梯度下降分類器的ROC曲線17:09
課時(shí)38視頻多類別分類器27:44
課時(shí)39視頻通過對特征值進(jìn)行轉(zhuǎn)換提高分類效果07:55
課時(shí)40視頻通過分析錯(cuò)誤類型改進(jìn)分類模型15:36
課時(shí)41視頻多標(biāo)簽分類17:39
課時(shí)42視頻去除圖像噪聲10:58
章節(jié)5:k-鄰近算法
課時(shí)43視頻實(shí)現(xiàn)原理15:10
課時(shí)44視頻用k-鄰近算法進(jìn)行分類24:58
課時(shí)45視頻用k-鄰近算法進(jìn)行預(yù)測14:21
課時(shí)46視頻繪制擬合曲線08:39
章節(jié)6:項(xiàng)目實(shí)戰(zhàn)：用k-鄰近算法預(yù)測糖尿病
課時(shí)47視頻準(zhǔn)備訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)09:22
課時(shí)48視頻比較和選擇分類模型11:46
課時(shí)49視頻訓(xùn)練模型與預(yù)測糖尿病08:41
課時(shí)50視頻繪制學(xué)習(xí)曲線16:05
課時(shí)51視頻選擇相關(guān)特征與數(shù)據(jù)可視化14:10
章節(jié)7:線性回歸算法
課時(shí)52視頻線性回歸都講了什么05:30
課時(shí)53視頻線性回歸模型概述10:56
課時(shí)54視頻使用標(biāo)準(zhǔn)方程進(jìn)行線性回歸擬合23:36
課時(shí)55視頻梯度下降算法原理20:01
課時(shí)56視頻批量梯度下降20:49
課時(shí)57視頻比較不同學(xué)習(xí)率的迭代效果19:38
課時(shí)58視頻隨機(jī)梯度下降21:06
課時(shí)59視頻下批量梯度下降03:41
課時(shí)60視頻比較4種線性回歸算法07:49
課時(shí)61視頻用線性模型擬合非線性數(shù)據(jù)19:58
章節(jié)8:支持向量機(jī)（SVM）
課時(shí)62視頻線性SVM分類15:55
課時(shí)63視頻添加特征使數(shù)據(jù)集線性可分離15:31
課時(shí)64視頻使用多項(xiàng)式特征的線性SVM分類器20:02
課時(shí)65視頻基于多項(xiàng)式核的SVM分類器10:25
課時(shí)66視頻高斯RBF的相似特征20:58
課時(shí)67視頻基于高斯RBF核函數(shù)的SVM分類器09:54
課時(shí)68視頻SVM線性回歸08:20
課時(shí)69視頻SVM非線性回歸04:41
個(gè)人中心
退出
