课程介绍
随着人工智能的火爆,机器学习人才之争成为企业的关键,将会对我们的职业发展起到决定性的作用。本套课程采用采用机器学习算法和实际案例相结合的方式,边理论边实践。Python在机器学习领域应用是非常广泛,课程先掌握Python开发工具库,然后从入门算法到高级算法,逐步深入python数据分析与机器学习。
课程特色
1.Python工具包实战,从零开始演示如何对数据进行分析处理与可视化展示.
2.机器学习算法解读:最接地气的讲解晦涩难懂的机器学习算法,通过实例演示说明每一个经典算法的工作原理与应用价值。
3.机器学习案例实战:选择真实数据集,结合Python工具库快速高效从数据预处理开始一步步完成整个建模工作。
适用人群
1.有志于入行人工智能的初学者
2.数学理工科相关专业的学生和研究人员
3.有一定编程基础希望转行人工智能的工程师
4.人工智能从业者和爱好者
学习目标
1.扩宽对不同场景下算法应用的理解,通过项目实战积累项目经验,为求职面试做好充分准备
2.掌握数据采集、数据清洗、特征选择、模型选择、模型训练测试、模型性能评估与优化以及模型使用等机器学习应用完整开发流程
3.结合实际项目案例,会利用机器学习模型和算法解决实际的业务问题,提升工作档次,助力职业快速发展
讲师介绍
-
唐宇迪
计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战专家。参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,擅长最用简洁通俗的故事讲解晦涩难懂的算法原理。出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂
免费视频这么多,为什么还要来大讲台?
智能化
学习任务智能推送
混合式
“图文+视频”混合式课件
答疑快
30分钟问答响应
实战多
3分理论7分实战
包学会
账号长期有效学会为止
课程大纲
1.AI时代人工智能入学指南 |
1.1AI时代首选Python 1.2Python我该怎么学 1.3人工智能的核心机器学习 1.4机器学习怎么学? 1.5算法推导与案例 |
2.Python快速入门 |
2.1系列课程环境配置 2.2Python快速入门 2.3变量类型 2.4LIST基础 2.5List索引 2.6循环结构 2.7判断结构 2.8字典 2.9文件处理 2.10函数基础 |
3.Python工具:科学计算库Numpy |
3.1Numpy数据结构 3.2Numpy基本操作 3.3Numpy矩阵属性 3.4Numpy矩阵操作 3.5Numpy常用函数 |
4.Python工具:数据分析处理库Pandas |
4.1Pandas数据读取 4.2Pandas数据预处理 4.3Pandas常用函数 4.4PandasSeries结构 |
5.Python工具:可视化库Matplotlib(缺失) |
5.1Matplotlib1折线图 5.2Matplotlib2子图操作 5.3Matplotlib3条形图与散点图 5.4Matplotlib4柱形图与盒图 5.5Matplotlib5细节设置 |
6.Python工具:Seaborn可视化库 |
6.1课程简介 6.2整体布局风格设置 6.3风格细节设置 6.4调色板 6.5调色板颜色设置 6.6单变量分析绘图 6.7回归分析绘图 6.8多变量分析绘图 6.9分类属性绘图 6.10Facetgrid使用方法 6.11Facetgrid绘制多变量 6.12热度图绘制 |
1.算法:线性回归算法 |
1.1线性回归算法概述 1.2误差项分析 1.3似然函数求解 1.4目标函数推导 1.5线性回归求解 |
2.算法:梯度下降原理 |
2.1梯度下降原理 2.2梯度下降方法对比 2.3学习率对结果的影响 |
3.算法:逻辑回归算法 |
3.1逻辑回归算法原理推导 3.2逻辑回归求解 |
4.案例:Python实现逻辑回归与梯度下降 |
4.1案例实战:Python实现逻辑回归任务概述 4.2案例实战:完成梯度下降模块 4.3案例实战:停止策略与梯度下降案例 4.4案例实战:实验对比效果 |
5.案例:使用Python分析科比生涯数据 |
5.1科比数据集简介 5.2数据预处理 5.3建模 |
6.案例:案例实战信用卡欺诈检测 |
6.1案例背景和目标 6.2样本不均衡解决方案 6.3下采样策略 6.4交叉验证 6.5模型评估方法 6.6正则化惩罚 6.7逻辑回归模型 6.8混淆矩阵 6.9逻辑回归阈值对结果的影响 6.10SMOTE样本生成策略 |
7.算法:决策树 |
7.1决策树原理概述 7.2衡量标准熵 7.3决策树构造实例 7.4信息增益率 7.5决策树剪枝策略 |
8.决策树Sklearn实例 |
8.1案例:决策树复习 8.2案例:决策树涉及参数 8.3案例:树可视化与sklearn库简介 8.4案例:sklearn参数选择 |
9.算法:随机森林与集成算法 |
9.1集成算法随机森林 9.2特征重要性衡量 9.3提升模型 9.4堆叠模型 |
10.案例:Kaggle竞赛案例泰坦尼克获救预测 |
10.1数据介绍 10.2数据预处理 10.3回归模型 10.4随机森林模型 10.5特征选择 |
11.算法:贝叶斯算法 |
11.1贝叶斯算法概述 11.2贝叶斯推导实例 11.3贝叶斯拼写纠错实例 11.4垃圾邮件过滤实例 11.5贝叶斯实现拼写检查器 |
12.案例:Python文本数据分析 |
12.1文本分析与关键词提取 12.2相似度计算 12.3新闻数据与任务简介 12.4TFIDF关键词提取 12.5LDA建模 12.6基于贝叶斯算法进行新闻分类 |
13.算法:KMEANS聚类 |
13.1KMEANS算法概述 13.2KMEANS工作流程 13.3KMEANS迭代可视化展示 |
14.算法:DBSCAN聚类 |
14.1DBSCAN聚类算法 14.2DBSCAN工作流程 14.3DBSCAN可视化展示 |
15.案例:聚类实践 |
15.1多种聚类算法概述 15.2聚类案例实战 |
16.算法:降维算法线性判别分析 |
16.1线性判别分析要解决的问题 16.2线性判别分析要优化的目标 16.3线性判别分析求解 |
17.案例:Python实现线性判别分析 |
17.1实现线性判别分析进行降维任务 17.2求解得出降维结果 |
18.算法:PCA主成分分析 |
18.1PCA降维概述 18.2PCA要优化的目标 18.3PCA求解 |
19.案例:Python实现PCA主成分分析 |
19.1PCA降维实例 |
20.算法:EM算法 |
20.1EM算法要解决的问题 20.2隐变量问题 20.3EM算法求解实例 20.4Jensen不等式 20.5GMM模型 |
21.案例:GMM聚类实践 |
21.1GMM实例 21.2GMM聚类 |
1.算法:推荐系统 |
1.1开场 1.2推荐系统应用 1.3推荐系统要完成的任务 1.4相似度计算 1.5基于用户的协同过滤 1.6基于物品的协同过滤 1.7隐语义模型 1.8隐语义模型求解 1.9模型评估标准 |
2.案例:推荐系统实践 |
2.1Surprise库与数据简介 2.2Surprise库使用方法 2.3得出推荐商品结果 |
3.算法:线性支持向量机 |
3.1支持向量机要解决的问题 3.2距离与数据的定义 3.3目标函数 3.4目标函数求解 3.5SVM求解实例 3.6支持向量的作用 |
4.案例:SVM实践 |
4.1sklearn求解支持向量机 4.2SVM参数选择 |
5.非线性支持向量机 |
5.1软间隔问题 5.2SVM核变换 |
6.算法:时间序列AIRMA模型 |
6.1数据平稳性与差分法 6.2ARIMA模型 6.3相关函数评估方法 6.4建立ARIMA模型 6.5参数选择 |
7.案例:时间序列预测任务 |
7.1Pandas生成时间序列 7.2Pandas数据重采样 7.3Pandas滑动窗口 7.4股票预测案例 7.5使用tsfresh库进行分类任务 7.6维基百科词条EDA |
8.算法:Xgboost提升算法 |
8.1Xgboost算法概述 8.2Xgboost模型构造 8.3Xgboost建模衡量标准 |
9.案例:Xgboost调参实例 |
9.1Xgboost安装 9.2保险赔偿任务概述 9.3Xgboost参数定义 9.4基础模型定义 9.5树结构对结果的影响 9.6学习率与采样对结果的影响 |
10.计算机视觉挑战 |
10.1深度学习概述 10.2挑战与常规套路 10.3用K近邻来进行分类 10.4超参数与交叉验证 |
11.神经网络必备基础知识点 |
11.1线性分类 11.2损失函数 11.3正则化惩罚项 11.4softmax分类器 |
12.最优化与反向传播 |
12.1最优化形象解读 12.2最优化问题细节 12.3反向传播 |
13.神经网络整体架构 |
13.1整体架构 13.2实例演示 13.3过拟合解决方案 |
14.案例实战CIFAR图像分类任务 |
14.1神经网络案例cifar分类任务 14.2神经网络案例分模块构造神经网络 14.3神经网络案例训练神经网络完成分类任务 14.4神经网络架构感受神经网络的强大 |