课程概述:
教程大约在120节课时,课程主要为大家讲解“机器学习必修经典算法,Python实战课”。
课程目录(部分展示):
第01课:课程内容和理念
第02��:本章总览
第03课:初识机器学习
第04课:数据长什么样:常见数据集、典型实例、如何使用
第05课:研究哪些问题:分类、回归等
第06课:如何分门别类:监督、无监督、强化学习等
第07课:机器学习的七大常见误区和局限
第08课:本章总览:相互关系与学习路线
第09课:课程使用的技术栈
第10课:Numpy数组矩阵运算:一元运算、二元运算与矩阵运算
第11课:Numpy数组统计运算:常用的都在这儿了
第12课:Numpy数组arg运算和排序
第13课:Numpy数组神奇索引和布尔索引
第14课:Matplotlib数据可视化:基础绘制与设置
第15课:Anaconda图形化操作
第16课:Anaconda命令行操作
第17课:JupyterNotebook基础使用
第18课:JupyterNotebook高级使用:常用魔法命令
第19课:Numpy基础:安装与性能对比
第20课:Numpy数组创建:特定数组、等差数组、随机数组
第21课:Numpy数组基础索引:索引和切片
第22课:Numpy非常重要的数组合并与拆分操作
第23课:本章总览
第24课:KNN算法核心思想和原理
第25课:KNN分类任务代码实现
第26课:数据集划分:训练集与预测集
第27课:模型评价
第28课:超参数
第29课:特征归一化
第30课:KNN回归任务代码实现
截图如下(部分展示):