『现场』机器学习案例实践Python--（现场/远程） - 人工智能 - 现场班 - Peixun.net

返回详情页

第一阶段初探机器学习(往公开课试听60分钟): 1. 机器学习要解决的问题(往期公开课60分钟试听); 2. 有监督无监督问题; 3. 机器学习能做什么; 4. 感知器-线性分类; 5. 线性回归原理,推导; 6. 实例：预测泰坦尼克船员能否获救; 7. K近邻算法原理; 8. K近邻算法代码实现; 9. 实例：使用K近邻算法测试约会对象

第二阶段机器学习基础算法: 1. 逻辑回归算法原理,推导; 2. 逻辑回归代码实现; 3. 多分类问题解决方案; 4. 一对一分类,一对多分类; 5. 决策树算法模型; 6. 熵原理,信息增益; 7. 决策树构建; 8. 决策树代码实现; 9. 贝叶斯算法原理; 10. 贝叶斯代码实现; 11. 实例1：使用贝叶斯分类器打造拼写检查器; 12. 实例2：垃圾邮件分类任务

第三阶段机器学习进阶算法: 1. Adaboosting算法原理; 2. Boosting机制,优势分析; 3. 自适应增强算法代码实现; 4. 实例：使用集成算法改进泰坦尼克号预测; 5. 线性支持向量机算法原理推导; 6. 支持向量机核变换推导; 7. SMO求解支持向量机; 8. SMO算法代码实现; 9. 随机森林算法原理; 10. 使用随机森林衡量选择特征标准; 11. 实例：使用随机森林改进泰坦尼克获救预测; 12. 聚类算法综述; 13. K-MEANS与DBSCAN算法讲解

第四阶段机器学习实战项目: 1. HTTP日志流量数据分析; 2. 特征提取; 3. 预处理，归一化; 4. 分类解决方案; 5. 聚类解决方案; 6. 二分图，转移矩阵原理

『现场』机器学习案例实践Python--（现场/远程）