返回详情页
章节
问答
第一阶段:Python实现线性判别分析
1.实现线性判别分析进行降维任务试听视频
2.求解得出降维结果试听视频
第二阶段:PCA主成分分析
1.PCA降维概述试听视频
2.PCA要优化的目标试听视频
3.PCA求解试听视频
第三阶段:EM算法
1.EM算法要解决的问题
2.隐变量问题
3.EM算法求解实例
4.Jensen不等式
第四阶段:GMM聚类实践
1.GMM实例解读
2.GMM聚类
第五阶段:推荐系统
1.推荐系统应用
2.推荐系统要完成的任务
3.相似度计算
4.基于用户的协调过滤
5.基于物品的协同过滤
6.隐语义模型
7.隐语义模型求解
8.模型评估标准
第六阶段:推荐系统实战
1.Surprise库与数据简介
2.Surprise库使用方法
3.得出推荐商品结果
第七阶段:线性支持向量机
1.支持向量机要解决的问题
2.距离与数据定义
3.目标函数
4.目标函数求解
5.SVM求解实例
6.支持向量的作用
第八阶段:SVM实践
1.sklearn求解支持向量机
2.SVM参数选择
3.软间隔问题
4.SVM核变换
第九阶段:时间序列ARIMA模型
1.数据平稳性与差分法
2.ARIMA模型知识
3.相关函数评估方法
4.建立ARIMA模型
5.参数选择
第十阶段:时间序列预测任务
1.Pandas生成时间序列
2.Pandas数据重采样
3.Pandas滑动窗口
4.股票预测案例
5.使用tsfresh库进行分类任务
6.维基百科词条EDA
第十一阶段:Xgboost提升算法和调参实例
1.Xgboost算法概述
2.Xgboost模型构造
3.Xgboost建模衡量标准
4.Xgboost安装基础
5.保险赔偿任务概述
6.Xgboost参数定义
7.基础模型定义
8.树结构对结果的影响
9.学习率余采样对结果的影响
第十二阶段:机器学习套路与Benchmark
1.HTTP检测任务与数据挖掘的核心
2.论文的重要程度
3.Benchmark概述
4.Benchmark的作用
第十三阶段:探索性数据分析-赛事数据集分析
1.数据背景介绍
2.数据读取与预处理
3.数据切分模块
4.缺失值可视化分析
5.特征可视化展示
6.多特征之间关系分析
7.报表可视化分析
8.红牌和肤色的关系
第十四阶段:探索性数据分析-农粮数据分析
1.数据背景介绍
2.数据切分模块
3.单变量分析
4.峰度与偏度
5.数据对数变换
6.数据分析维度
7.变量关系可视化展示
第十五阶段:泰坦尼克号获救预测
1.数据挖掘任务流程
2.数据介绍
3.Python兵器库介绍
4.sklearn库介绍
5.数据读取与统计分析
6.性别特征分析
7.船舱等级特征分析
8.缺失值问题
9.年龄特征缺失值填充与分析
10.登船地点特征分析
11.家庭特征分析
12.特征相关性
13.构建特征
14.机器学习算法概述
15.交叉验证
16.多种机器学习算法模型效果
17.集成模块
18.特征重要性衡量
19.总结与特征预处理
第十六阶段:用户画像
1.用户画像概述
2.如何建立用户画像
3.用户搜索数据介绍
4.任务概述与方案
5.构造词向量特征
6.构造输入特征
7.建立预测模型
第十七阶段:Kaggle数据科学
1.Kaggle数据科学调查介绍
2.基本情况可视化展示
3.工资情况
4.技能使用情况
5.数据集与平台
6.Python和R语言比较
7.调查总结
第十八阶段:京东购买预测
1.项目与数据介绍
2.数据挖掘流程
3.数据检查
4.构建用户特征表单
5.构建商品特征表单
6.数据探索概述
7.购买因素分析
8.特征工程
9.基本特征构造
10.行为特征
11.累积行为特征
第十九阶段:房价预测
1.房价预测任务概述
2.离散形数据
3.数据对数变换
4.缺失值处理与box-cox变换
5.模型预测
发表
Python机器学习实战——进阶班