Python3入门机器学习经典算法与应用

轻松入行人工智能

〖课程介绍〗:

bobo老师特为机器学习初学者量身打造，使用新版python3语言和流行的scikit-learn框架，算法与编程两翼齐飞，由浅入深，一步步的进入机器学习的世界。学到的不只是一门课程，更是不断思考的能力。

〖课程目录〗:

第1章欢迎来到 Python3 玩转机器学习 试看3 节 | 48分钟

欢迎大家来到《Python3玩转机器学习》的课堂。在这个课程中，我们将从0开始，一点一点进入机器学习的世界。本门课程对机器学习领域的学习，绝不不仅仅只是对算法的学习，还包括诸如算法的评价，方法的选择，模型的优化，参数的调整，数据的整理，等等一系列工作。准备好了吗？现在开始我们的机器学习之旅！…

收起列表

视频：1-1 什么是机器学习 (20:14)试看
视频：1-2 课程涵盖的内容和理念 (13:25)试看
视频：1-3 课程所使用的主要技术栈 (14:10)试看

第2章机器学习基础7 节 | 90分钟

机器学习到底是什么鬼？这一章将带领大家深入理解机器学习的世界，让大家去熟悉那些看似陌生的专业术语。监督学习，非监督学习，半监督学习，增强学习，批量学习，在线学习，参数学习，非参数学习。看完这一章，这些概念你就统统了解啦。不仅如此，本章还包含相当深刻地和机器学习相关的哲学探讨，让你深入思索有关机器学习…

收起列表

视频：2-1 机器学习世界的数据 (18:27)
视频：2-2 机器学习的主要任务 (16:00)
视频：2-3 监督学习，非监督学习，半监督学习和增强学习 (17:38)
视频：2-4 批量学习，在线学习，参数学习和非参数学习 (11:53)
视频：2-5 和机器学习相关的“哲学”思考 (12:00)
作业：2-6 关于回归和分类
视频：2-7 课程使用环境搭建 (13:08)

第3章 Jupyter Notebook, numpy和matplotlib12 节 | 208分钟

工欲善其事，必先利其器。在本章，我们将学习和机器学习相关的基础工具的使用：Jupyter Notebook, numpy和matplotlib。大多数教程在讲解机器学习的时候，大量使用这些工具，却不对这些工具进行系统讲解。我特意添加了这个章节，让同学们在后续编写机器学习算法的过程中，更加得心应手！…

收起列表

视频：3-1 Jupyter Notebook基础 (18:42)
视频：3-2 Jupyter Notebook中的魔法命令 (20:51)
视频：3-3 Numpy数据基础 (11:06)
视频：3-4 创建Numpy数组(和矩阵) (19:16)
视频：3-5 Numpy数组(和矩阵)的基本操作 (18:15)
视频：3-6 Numpy数组(和矩阵)的合并与分割 (18:00)
视频：3-7 Numpy中的矩阵运算 (23:11)
视频：3-8 Numpy中的聚合运算 (13:19)
视频：3-9 Numpy中的arg运算 (11:12)
视频：3-10 Numpy中的比较和Fancy Indexing (22:36)
视频：3-11 Matplotlib数据可视化基础 (18:05)
视频：3-12 数据加载和简单的数据探索 (12:49)

第4章最基础的分类算法-k近邻算法 kNN9 节 | 172分钟

k近邻算法本身是一个思想非常简单的算法，但是这个简单算法背后，也蕴含着丰富的内容。在这一章，我们将详细介绍k近邻算法的原理，进而对训练数据集，测试数据集，分类准确度，超参数，数据归一化，样本距离等基础概念进行详细的探讨。我们将详细了解scikit-learn框架中对算法的封装，并实现我们自己的算法框架。我们还将学…

收起列表

视频：4-1 k近邻算法基础 (22:42)
视频：4-2 scikit-learn中的机器学习算法封装 (22:22)
视频：4-3 训练数据集，测试数据集 (22:46)
视频：4-4 分类准确度 (19:20)
视频：4-5 超参数 (21:36)
视频：4-6 网格搜索与k近邻算法中更多超参数 (17:24)
视频：4-7 数据归一化 (15:27)
视频：4-8 scikit-learn中的Scaler (19:24)
视频：4-9 更多有关k近邻算法的思考 (10:22)

第5章线性回归法10 节 | 149分钟

线性回归法是机器学习领域的经典算法，很多更复杂的算法都是以线性回归为基础的。在这一章，我们将深入学习线性回归法背后的原理，同时仔细探讨如何评价回归算法。大家将对MSE,RMSE,MAE和R Squared等回归问题的评价指标有充分的理解。在实现层面上，我们还将学习机器学习领域的一个重要的实现技巧：向量化。…

收起列表

视频：5-1 简单线性回归 (18:06)
视频：5-2 最小二乘法 (11:27)
视频：5-3 简单线性回归的实现 (14:09)
视频：5-4 向量化 (12:02)
视频：5-5 衡量线性回归法的指标：MSE，RMSE和MAE (22:45)
视频：5-6 最好的衡量线性回归法的指标：R Squared (16:28)
视频：5-7 多元线性回归和正规方程解 (15:58)
视频：5-8 实现多元线性回归 (13:08)
视频：5-9 使用scikit-learn解决回归问题 (12:42)
视频：5-10 线性回归的可解释性和更多思考 (11:53)

第6章梯度下降法9 节 | 143分钟

梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章，我们将详细讲解梯度下降法的基本原理，一步一步改进梯度下降算法，让大家理解梯度下降法中各种参数，尤其是学习率的意义。同时，我们还将引申出随机梯度下降法和小批量梯度下降法两个方法，让大家对梯度下降法家族有一个全方位的认识。…

收起列表

视频：6-1 什么是梯度下降法 (16:20)
视频：6-2 模拟实现梯度下降法 (20:11)
视频：6-3 线性回归中的梯度下降法 (10:56)
视频：6-4 实现线性回归中的梯度下降法 (14:06)
视频：6-5 梯度下降法的向量化和数据标准化 (22:14)
视频：6-6 随机梯度下降法 (17:34)
视频：6-7 scikit-learn中的随机梯度下降法 (15:40)
视频：6-8 如何确定梯度计算的准确性？调试梯度下降法 (16:29)
视频：6-9 有关梯度下降法的更多深入讨论 (08:37)

第7章 PCA与梯度上升法11 节 | 140分钟

通常教材会使用非常多的数学概念来讲解PCA，在这个课程中，我们将另辟蹊径，绕开繁重的数学概念，使用梯度下降法的姊妹方法：梯度上升法来求解PCA问题，进而深刻理解PCA的基本原理，如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景，不仅让大家亲手实践出PCA降维的巨大威力，也让大家看到PCA在降噪，人脸识别等…

收起列表

视频：7-1 什么是PCA (17:45)
视频：7-2 使用梯度上升法求解PCA问题 (09:10)
视频：7-3 求数据的主成分PCA (20:09)
视频：7-4 求数据的前n个主成分 (17:36)
视频：7-5 高维数据映射为低维数据 (19:29)
视频：7-6 scikit-learn中的PCA (18:57)
视频：7-7 试手MNIST数据集 (12:06)
作业：7-8 在三维数据上的 PCA
图文：7-9 关于 MNIST 数据集的最新获得方式
视频：7-10 使用PCA对数据进行降噪 (10:00)
视频：7-11 人脸识别与特征脸 (13:57)

第8章多项式回归与模型泛化10 节 | 166分钟

在这一章，我们将接触非线性问题。我们将学习多项式回归的思想，使用线性回归的思路来解决非线性问题。进一步，我们将引申出或许是机器学习领域最重要的一个问题：模型泛化问题。我们将深入探讨什么是欠拟合，什么是过拟合，怎样检测欠拟合和过拟合。什么是交叉验证，什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…

收起列表

视频：8-1 什么是多项式回归 (11:38)
视频：8-2 scikit-learn中的多项式回归与Pipeline (16:26)
视频：8-3 过拟合与欠拟合 (14:22)
视频：8-4 为什么要有训练数据集与测试数据集 (16:09)
视频：8-5 学习曲线 (15:28)
视频：8-6 验证数据集与交叉验证 (25:20)
视频：8-7 偏差方差平衡 (15:16)
视频：8-8 模型泛化与岭回归 (19:15)
视频：8-9 LASSO (16:59)
视频：8-10 L1, L2和弹性网络 (14:25)

第9章逻辑回归9 节 | 137分钟

据统计，逻辑回归是机器学习领域最常用的分类算法，没有之一！在这一章，我们将逐渐揭开逻辑回归的神秘面纱，了解如何应用线性回归的思路，来解决分类问题。我们将综合之前所学习的很多内容，一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题，学习对分类结果概率的估计，以及决策边界等重要概念。 …

收起列表

视频：9-1 什么是逻辑回归 (16:07)
视频：9-2 逻辑回归的损失函数 (15:00)
视频：9-3 逻辑回归损失函数的梯度 (17:50)
视频：9-4 实现逻辑回归算法 (14:29)
视频：9-5 决策边界 (21:09)
视频：9-6 在逻辑回归中使用多项式特征 (15:09)
视频：9-7 scikit-learn中的逻辑回归 (17:22)
视频：9-8 OvR与OvO (19:09)
作业：9-9 其他算法的决策边界

第10章评价分类结果9 节 | 126分钟

对机器学习分类算法结果的评估，是一个公认的复杂问题。在这一章，我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵，准确率，精确率，召回率，F1，以及ROC等诸多评价分类结果的指标。通过这一章的学习，大家将更好地理解自己的机器学习算法给出的结果，从而在实际应用…

收起列表

视频：10-1 准确度的陷阱和混淆矩阵 (15:06)
视频：10-2 精准率和召回率 (11:51)
视频：10-3 实现混淆矩阵，精准率和召回率 (15:42)
视频：10-4 F1 Score (17:42)
视频：10-5 精准率和召回率的平衡 (20:18)
视频：10-6 精准率-召回率曲线 (14:21)
视频：10-7 ROC曲线 (16:52)
作业：10-8 关于机器学习不同的指标
视频：10-9 多分类问题中的混淆矩阵 (13:30)

第11章支撑向量机 SVM9 节 | 145分钟

在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到SVM的优缺点。最后，我们还将探讨使用SVM解决回归问题的思路。 …

收起列表

视频：11-1 什么是SVM (13:54)
视频：11-2 SVM背后的最优化问题 (19:21)
视频：11-3 Soft Margin SVM (16:12)
视频：11-4 scikit-learn中的SVM (21:23)
视频：11-5 SVM中使用多项式特征和核函数 (12:43)
视频：11-6 到底什么是核函数 (15:31)
视频：11-7 RBF核函数 (20:46)
视频：11-8 RBF核函数中的gamma (13:39)
视频：11-9 SVM思想解决回归问题 (10:46)

第12章决策树7 节 | 99分钟

在这一章，我们将学习另外一个大名鼎鼎的机器学习算法：决策树。决策树本身非常简单，背后并没有复杂的数学模型，但使用好决策树也有很多技巧。我们将深入了解什么是熵模型，什么是基尼系数，怎样使用决策树解决分类问题，怎样获得分类的概率，怎样用决策树解决回归问题，以及使用决策树的注意事项。 …

收起列表

视频：12-1 什么是决策树 (12:01)
视频：12-2 信息熵 (16:30)
视频：12-3 使用信息熵寻找最优划分 (20:20)
视频：12-4 基尼系数 (17:41)
视频：12-5 CART与决策树中的超参数 (15:04)
视频：12-6 决策树解决回归问题 (08:15)
视频：12-7 决策树的局限性 (08:16)

第13章集成学习和随机森林8 节 | 101分钟

集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发，进而引入集成学习的经典算法：随机森林。我们将看到集成学习的威力。在这一章，我们还会对其他集成学习的思想，如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 …

收起列表

视频：13-1 什么是集成学习 (16:35)
视频：13-2 Soft Voting Classifier (14:30)
视频：13-3 Bagging 和 Pasting (16:52)
视频：13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论 (14:40)
视频：13-5 随机森林和 Extra-Trees (13:14)
视频：13-6 Ada Boosting 和 Gradient Boosting (15:30)
视频：13-7 Stacking (08:46)
作业：13-8 关于 XGBoost

第14章更多机器学习算法2 节 | 9分钟

相信通过这个课程的学习。同学们学到的不仅仅是一个一个零散的机器学习算法，更对机器学领域解决问题的方式有了一个系统性的认识。学会了这种思维方法，相信大家都可以更好地继续深入学习机器学习。在最后，我将给大家介绍scikit-learn的文档，希望大家能够借助scikit-learn这个强大的机器学习库，继续探索机器学习这个当下…

收起列表