人工智能-机器学习实战视频课程【李宁】

人工智能-机器学习实战视频课程【李宁】 IT教程 第1张

【课程介绍】
本课程使用Python3讲解,同时适应于Windows、Mac OS X和Linux。本课程是《机器学习系列课程》中的重要部分。这套视频课程包括但不限于Python基础、常用机器学习框架(如scikit-learn、tensorflow、pytorch、caffe、keras等),机器学习核心算法、大量的实战案例、机器学习的数学基础,机器学习在自然语言处理中的应用、机器学习在推荐系统中的应用。
【课程收益】
掌握sklearn框架的核心使用方法
掌握机器学习的核心算法
拥有丰富的实战经验
掌握综合运用sklearn的能力

课程大纲
课件付费后打包下载
第一章:对机器学习的正确认识
1. 人工智能、机器学习和深度学习的关系
2. 机器学习需要哪些工具
3. Jupyter Notebook简介与安装
4. 使用Jupyter Notebook
5. 远程访问Jupyter Notebook
第二章:项目实战:预测人们的幸福指数
1. 项目简介
2. 训练线性模型,并预测幸福指数
3. 机器学习的主要挑战
第三章:项目实战:预测房价
01. 准备实验数据
02. 查看和可视化数据集
03. 准备训练集和测试集
04. 用更完美的方式产生训练集和测试集
05. 用sklearn API拆分训练集和测试集
06. 分层抽样
07. 通过可视化地理数据寻找模式
08. 用两种方法检测属性之间的相关度
09. 为房屋数据集添加新属性,并计算与房屋均价的相关度
10. 清理数据:用转换器填补缺失值
11. 将文本类型属性转换为数值
12. 自定义转换器
13. 自定义转换器
14. 选择、训练模型以及预测房价
15. 评估模型的性能
16. 用交叉验证评估和选择模型
第四章:项目实战:数字图像分类
01. 项目简介
02. 使用sklearn内置的图像数据
03. 使用fetch_mldata函数获取MNIST图像数据集
04. 直接读取mat格式的MNIST图像数据集
05. 将多张图像文件合成一个图像
06. 对数字图像进行二元分类
07. 使用K-fold交叉验证法评估分类器模型的性能
08. 使用混淆矩阵评估分类器模型的性能
09. 用精度、召回率和F1分数评估分类模型
10. 调整阈值得到不同的精度和召回率
11. ROC曲线与模型评估
12. 比较随机森林分类器和梯度下降分类器的ROC曲线
13. 多类别分类器
14. 通过对特征值进行转换提高分类效果
15. 通过分析错误类型改进分类模型
16. 多标签分类
17. 去除图像噪声
第五章:k-邻近算法
1. 实现原理
2. 用k-邻近算法进行分类
3. 用k-邻近算法进行预测
4. 绘制拟合曲线
第六章:项目实战:用k邻近算法预测糖尿病
1. 准备训练数据和测试数据
2. 比较和选择分类模型
3. 训练模型与预测糖尿病
4. 绘制学习曲线
5. 选择相关特征与数据可视化
第七章:线性回归算法
01. 线性回归都讲了什么
02. 线性回归模型概述
03. 使用标准方程进行线性回归拟合
04. 梯度下降算法原理
05. 批量梯度下降
06. 比较不同学习率的迭代效果
07. 随机梯度下降
08. 下批量梯度下降
09. 比较4种梯度下降算法
10. 用线性模型拟合非线性数据
第八章:支持向量机(SVM)
1. 线性SVM分类
2. 添加特征使数据集线性可分离
3. 使用多项式特征的线性SVM分类器
4. 基于多项式核的SVM分类器
5. 高斯RBF的相似特征
6. 基于高斯RBF核函数的SVM分类器
7. SVM线性回归

教程目录:
课时01.人工智能、机器学习和深度学习的关系.mp4
课时02.机器学习需要哪些工具.mp4
课时03.源代码和其他资源下载.txt
课时04.JupyterNotebook简介与安装.mp4
课时05.使用JupyterNotebook.mp4
课时06.远程访问JupyterNotebook.mp4
课时07.项目简介.mp4
课时08.训练线性模型,并预测幸福指数.mp4
课时09.机器学习的主要挑战.mp4
课时10.准备训练数据.mp4
课时11.查看和可视化数据集.mp4
课时12.准备训练集和测试集.mp4
课时13.用更完美的方式产生训练集和测试集.mp4
课时14.用sklearnAPI拆分训练集和测试集.mp4
课时15.分层抽样.mp4
课时16.通过可视化地理数据寻找模式.mp4
课时17.用两种方法检测属性之间的相关度.mp4
课时18.为房屋数据集添加新属性,并计算与房屋均价的相关度.mp4
课时19.清理数据:用转换器填补缺失值.mp4
课时20.将文本类型属性转换为数值.mp4
课时21.自定义转换器.mp4
课时22.数据转换管道(pipeline).mp4
课时23.选择、训练模型以及预测房价.mp4
课时24.评估模型的性能.mp4
课时25.用交叉验证评估和选择模型.mp4
课时26.项目概述.mp4
课时27.使用sklearn内置的图像数据.mp4
课时28.使用fetch_mldata函数获取MNIST图像数据集.mp4
课时29.直接读取mat格式的MNIST图像数据集.mp4
课时30.将多张图像文件合成一个图像.mp4
课时31.对数字图像进行二元分类.mp4
课时32.使用K-fold交叉验证法评估分类器模型的性能.mp4
课时33.使用混淆矩阵评估分类器模型的性能.mp4
课时34.用精度、召回率和F1分数评估分类模型.mp4
课时35.调整阈值得到不同的精度和召回率.mp4
课时36.ROC曲线与模型评估.mp4
课时37.比较随机森林分类器和梯度下降分类器的ROC曲线.mp4
课时38.多类别分类器.mp4
课时39.通过对特征值进行转换提高分类效果.mp4
课时40.通过分析错误类型改进分类模型.mp4
课时41.多标签分类.mp4
课时42.去除图像噪声.mp4
课时43.实现原理.mp4
课时44.用k-邻近算法进行分类.mp4
课时45.用k-邻近算法进行预测~1.mp4
课时46.绘制拟合曲线.mp4
课时47.准备训练数据和测试数据.mp4
课时48.比较和选择分类模型.mp4
课时49.训练模型与预测糖尿病.mp4
课时50.绘制学习曲线.mp4
课时51.选择相关特征与数据可视化.mp4
课时52.线性回归都讲了什么.mp4
课时53.线性回归模型概述.mp4
课时54.使用标准方程进行线性回归拟合~1.mp4
课时55.梯度下降算法原理.mp4
课时56.批量梯度下降.mp4
课时57.比较不同学习率的迭代效果.mp4
课时58.随机梯度下降.mp4
课时59.下批量梯度下降.mp4
课时60.比较4种线性回归算法.mp4
课时61.用线性模型拟合非线性数据.mp4
课时62.线性SVM分类.mp4
课时63.添加特征使数据集线性可分离.mp4
课时65.基于多项式核的SVM分类器.mp4
课时66.高斯RBF的相似特征.mp4
课时67.基于高斯RBF核函数的SVM分类器.mp4
课时68.SVM线性回归.mp4
sklearn-master.zip

人工智能-机器学习实战视频课程【李宁】 IT教程 第2张

相关下载

点击下载

参与评论