《机器学习实战》训练营
课程资料
-
李航《统计学习方法》(链接:https://pan.baidu.com/s/1MSx407RuPCJt5KSej0Yqlg 密码:h74l)
-
周志华《机器学习》(链接:https://pan.baidu.com/s/1wyqhvJHkI1zHph8RRsm9iw 密码:1475)
课程安排
整个机器学习内容包括:基础、分类、预测、无监督式学习、降维与分布式几大块进行。原则上一周时间完成两章内容,总共计划 12 周时间。
基础:第 1 章
分类: 第 1~7 章
预测:第 8~9 章
无监督式学习:第 10~12 章
降维与分布式:第 13~15 章
1. 机器学习基础(第一周)
-
1.1 Python 基础知识,Numpy、pandas、Matplotlib 等库的简介
-
1.2 开发环境的搭建:Python3 + Anaconda + Jupyter Notebook
-
1.3 Jupyter Notebook 使用简介
2. k-近邻算法(第一周)
-
2.1 k-近邻算法概述
-
2.2 示例:使用 k-近邻算法改进网站的配对效果
-
2.3 示例:手写识别系统
3. 决策树(第二周)
-
3.1 决策树的构造
-
*3.2 在 Python 中使用 Matplotlib 注解绘制树形图
-
3.3 测试和存储分类器
-
3.4 示例:使用决策树预测隐形眼镜类型
4. 朴素贝叶斯(第二周)
-
4.1 基于贝叶斯决策理论的分类方法
-
4.2 条件概率
-
4.3 使用条件概率来分类
-
4.4 使用朴素贝叶斯进行文档分类
-
4.5 使用 Python 进行文本分类
-
4.6 示例:使用朴素贝叶斯过滤垃圾邮件
5. Logistic 回归(第三周)
-
5.1 基于 Logistic 回归和 Sigmoid 函数的回归
-
5.2 基于最优化方法的最佳回归系数确定
-
5.3 示例:从疝气病症预测病马的死亡率
6. 支持向量机(第三周)
-
6.1 基于最大间隔分隔数据
-
6.2 寻找最大间隔
-
6.3 SMO 高效优化算法
7. 支持向量机(第四周)
-
6.4 利用完整 Platt SMO 算法加速优化
-
6.5 在复杂数据上应用核函数
-
6.6 手写识别问题
8. 天池o2o预测赛(初级)(第四周)
9. 利用 AdaBoost 元算法提高分类性能(第五周)
-
7.1 基于数据 多重抽样的分类器
-
7.2 训练算法:基于错误提升分类器的性能
-
7.3 基于单层决策树构建弱分类器
-
7.4 完整 AdaBoost 算法的实现
-
7.5 测试算法:基于 AdaBoost 的分类
-
7.6 示例:在一个难数据集上应用 AdaBoost
-
7.7 非均衡分类问题
10. 预测数值型数据:回归(第五周)
-
8.1 用线性回归找到最佳拟合直线
-
8.2 局部加权线性回归
-
8.3 示例:预测鲍鱼的年龄
-
8.4 缩减系数来“理解”数据
-
8.5 权衡偏差和方差
-
8.6 示例:预测乐高玩具套装的价格
11. 树回归(第六周)
-
9.1 复杂数据的局部性建模
-
9.2 连续和离散型特征的树的构建
-
9.3 将 CART 算法用于回归
-
9.4 树减枝
-
9.5 模型树
-
9.6 示例:树回归于标准回归的比较
-
*9.7 使用 Python 的 Tkinter 库创建 GUI
12. 利用 K-均值聚类算法对未标注数据分组(第六周)
-
10.1 K-均值聚类算法
-
10.2 使用后处理来提高聚类性能
-
10.3 二分 K-均值算法
-
10.4 示例:对地图上的点进行聚类
13. 使用 Apriori 算法进行关联分析(第七周)
-
11.1 关联分析
-
11.2 Apriori 原理
-
11.3 使用Apriori 算法来发现频繁集
-
11.4 从频繁项集中挖掘关联规则
-
11.6 示例:发现毒蘑菇的相似特征
14. 使用 FP-growth 算法来高效发现频繁项集(第八周)
-
12.1 FP 树:用于编码数据集的有效方式
-
12.2 构建 FP 树
-
12.3 从一颗 FP 树中挖掘频繁项集
-
12.5 示例:从新闻网站点击流中挖掘
15. 利用 PCA 来简化数据(第九周)
-
13.1 降纬技术
-
13.2 PCA
-
13.3 示例:利用 PCA 对半导体制造数据降维
16. 利用 SVD 简化数据(第九周)
-
14.1 SVD 的应用
-
14.2 矩阵分解
-
14.3 利用 Python 实现 SVD
-
14.4 基于协调过滤的推荐引擎
-
14.5 示例:餐馆菜肴推荐引擎
-
14.6 示例:基于 SVD 的图像压缩
*17. 大数据与 MapReduce(第十周)
-
15.1 MapReduce:分布式计算的框架
-
15.2 Hadoop 流
-
15.3 在 Amazon 网络服务上运行 Hadoop 程序
-
15.4 MapReduce 上的机器学习
-
15.5 在 Python 中使用 mrjob 来自动化 MapReduce
-
15.6 示例:分布式 SVM 的 Pegasos 算法
-
15.7 你真的需要 MapReduce 吗?