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，同時適用于Windows、Mac OS X和Linux系統(tǒng)。
Scikit-learn(sklearn)的定位是通用機器學(xué)習(xí)庫，而TensorFlow(tf)的定位主要是深度學(xué)習(xí)庫。一個顯而易見的不同：tf并未提供sklearn那種強大的特征工程，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，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、樸素貝葉斯算法、PCA等。課程以實戰(zhàn)為核心，每一個知識點都進(jìn)行了深入講解，并配有實戰(zhàn)代碼。同時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的各個知識點的進(jìn)行了理論講解，并輔以實戰(zhàn)演練
2.Python主導(dǎo)，易用高效
Python是目前最火的計算機編程語言之一，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器學(xué)習(xí)等領(lǐng)域。
3 .內(nèi)容全面，實戰(zhàn)為主
課程以大量的實戰(zhàn)案例為主導(dǎo)講解如何使用scikit-learn庫中的API實踐各種機器學(xué)習(xí)模型，并配有大量的實戰(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，不斷補充關(guān)于scikit-learn庫的各種知識點和技巧。
適合人群
python程序員,機器學(xué)習(xí)工程師,人工智能工程師,機器學(xué)習(xí)愛好者
課程大綱
章節(jié)1:對機器學(xué)習(xí)的正確認(rèn)識
課時1視頻人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系39:19 免費試聽
課時2視頻機器學(xué)習(xí)需要哪些工具15:03
課時3文本源代碼和其他資源下載
課時4視頻Jupyter Notebook簡介與安裝06:23
課時5視頻使用Jupyter Notebook07:58
課時6視頻遠(yuǎn)程訪問Jupyter Notebook04:48
章節(jié)2:項目實戰(zhàn)：預(yù)測人們的幸福指數(shù)
課時7視頻項目簡介02:01
課時8視頻訓(xùn)練線性模型，并預(yù)測幸福指數(shù)46:14
課時9視頻機器學(xué)習(xí)的主要挑戰(zhàn)06:24
章節(jié)3:項目實戰(zhàn)：預(yù)測房價
課時10視頻準(zhǔn)備訓(xùn)練數(shù)據(jù)09:33
課時11視頻查看和可視化數(shù)據(jù)集06:10
課時12視頻準(zhǔn)備訓(xùn)練集和測試集09:18
課時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14視頻用sklearn API拆分訓(xùn)練集和測試集08:12
課時15視頻分層抽樣12:33
課時16視頻通過可視化地理數(shù)據(jù)尋找模式11:26
課時17視頻用兩種方法檢測屬性之間的相關(guān)度19:56
課時18視頻為房屋數(shù)據(jù)集添加新屬性，并計算與房屋均價的相關(guān)度08:02
課時19視頻清理數(shù)據(jù)：用轉(zhuǎn)換器填補缺失值11:47
課時20視頻將文本類型屬性轉(zhuǎn)換為數(shù)值19:30
課時21視頻自定義轉(zhuǎn)換器16:14
課時22視頻數(shù)據(jù)轉(zhuǎn)換管道（pipeline）17:42
課時23視頻選擇、訓(xùn)練模型以及預(yù)測房價17:29
課時24視頻評估模型的性能17:35
課時25視頻用交叉驗證評估和選擇模型11:37
章節(jié)4:項目實戰(zhàn)：識別手寫數(shù)字
課時26視頻項目概述04:34
課時27視頻使用sklearn內(nèi)置的圖像數(shù)據(jù)10:21
課時28視頻使用fetch_mldata函數(shù)獲取MNIST圖像數(shù)據(jù)集09:31
課時29視頻直接讀取mat格式的MNIST圖像數(shù)據(jù)集06:04
課時30視頻將多張圖像文件合成一個圖像22:10
課時31視頻對數(shù)字圖像進(jìn)行二元分類08:28
課時32視頻使用K-fold交叉驗證法評估分類器模型的性能16:10
課時33視頻使用混淆矩陣評估分類器模型的性能18:41
課時34視頻用精度、召回率和F1分?jǐn)?shù)評估分類模型18:13
課時35視頻調(diào)整閾值得到不同的精度和召回率37:21
課時36視頻ROC曲線與模型評估13:57
課時37視頻比較隨機森林分類器和梯度下降分類器的ROC曲線17:09
課時38視頻多類別分類器27:44
課時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40視頻通過分析錯誤類型改進(jìn)分類模型15:36
課時41視頻多標(biāo)簽分類17:39
課時42視頻去除圖像噪聲10:58
章節(jié)5:k-鄰近算法
課時43視頻實現(xiàn)原理15:10
課時44視頻用k-鄰近算法進(jìn)行分類24:58
課時45視頻用k-鄰近算法進(jìn)行預(yù)測14:21
課時46視頻繪制擬合曲線08:39
章節(jié)6:項目實戰(zhàn)：用k-鄰近算法預(yù)測糖尿病
課時47視頻準(zhǔn)備訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)09:22
課時48視頻比較和選擇分類模型11:46
課時49視頻訓(xùn)練模型與預(yù)測糖尿病08:41
課時50視頻繪制學(xué)習(xí)曲線16:05
課時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52視頻線性回歸都講了什么05:30
課時53視頻線性回歸模型概述10:56
課時54視頻使用標(biāo)準(zhǔn)方程進(jìn)行線性回歸擬合23:36
課時55視頻梯度下降算法原理20:01
課時56視頻批量梯度下降20:49
課時57視頻比較不同學(xué)習(xí)率的迭代效果19:38
課時58視頻隨機梯度下降21:06
課時59視頻下批量梯度下降03:41
課時60視頻比較4種線性回歸算法07:49
課時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（SVM）
課時62視頻線性SVM分類15:55
課時63視頻添加特征使數(shù)據(jù)集線性可分離15:31
課時64視頻使用多項式特征的線性SVM分類器20:02
課時65視頻基于多項式核的SVM分類器10:25
課時66視頻高斯RBF的相似特征20:58
課時67視頻基于高斯RBF核函數(shù)的SVM分類器09:54
課時68視頻SVM線性回歸08:20
課時69視頻SVM非線性回歸04:41
個人中心
退出
