JavaEEHTML&JS+前端大数据人工智能+PythonUI/UE设计软件测试C/C++新媒体+短视频直播运营产品经理Linux云计算+运维开发拍摄剪辑+短视频制作PMP项目管理认证电商运营Go语言与区块链PHP工程师iOSAndroid+物联网.NET

超系统掌握人工智能机器学习算法

  • 初级

  • 试看6节

  • 18434人学习

课程须知

本套人工智能课程视频专门以双元模式录制,保证了视频的质量,讲师授课幽默诙谐、循序渐进、细致入微。覆盖人工智能机器学习算法核心知识点,案例丰富、通俗易懂、体系化、结构化、实战性强。同时,本机器学习算法视...

下载完整视频

提取码: ljl5

收藏课程 获取资料

分享

  1. 课程介绍
  2. 课程目录
  3. 课程评论

视频提取码:ljl5

课程介绍

你的人工智能入门第一课——从人工智能的概述、发展历程和主要分支等内容切入讲解,对人工智能进行宏观的阐述。随后着重讲到两个模块:人工智能中科学计算库和机器学习常见经典算法。

在人工智能科学计算库中,你将会学习到,如何使用matplotlib进行绘图;如何使用numpy进行运算;如何使用pandas对数据完成基本的预处理。

在机器学习算法篇,你将学习到经典的机器学习算法,如KNN,线性回归、岭回归、逻辑回归,决策树算法、KMeans算法、Bagging、随机森林、GBDT等,深入浅出,带你在掌握算法原理的同时,利用经典机器学习库scikit-learn实现不同案例。

最后,通过“吃鸡”游戏,检验你自己的学习效果,生动体验机器学习的魅力。

讲解方式

本套人工智能课程视频专门以双元模式录制,保证了视频的质量,讲师授课幽默诙谐、循序渐进、细致入微。覆盖人工智能机器学习算法核心知识点,案例丰富、通俗易懂、体系化、结构化、实战性强。同时,本机器学习算法视频教程注重技术体系化和算法原理剖析,深入算法原理,对于各种算法优缺点的对比及应用场景的讲解,讲法和理解别具一格,大家能够快速掌握算法的基础推导,并达到极高算法的的见解和理解能力,真正将算法知识学以致用、活学活用.

课程亮点

1. 宏观了解人工智能整体脉络

2. 化繁为简、算法讲解清晰明了

3. “学”和“做”结合,边学习,边练习,加深知识理解

4. 结合“吃鸡”游戏,体验机器学习魅力所在

适用人群

1、本套机器学习算法视频适有一定python基本基础的学员。

2、想深入理解人工智能机器学习算法基础、提升对算法原理理解能力的学员。

3、想体系化梳理机器学习算法,为高新面试做准备的学员。

4、想与人工智能技术做对接的学员,本视频可作为铺垫和支撑。

课程内容

1、机器学习的工作流程和算法分类

2、matplotlib, numpy, pandas等科学计算库的学习

3、KNN近邻算法原理及其api的使用和常见场景的介绍

4、线性回归的原理讲解, 过拟合, 欠拟合以及正则化, 案例的融合

5、逻辑回归原理, 分类评估方法, ROC曲线和AUC指标

6、决策树原理, cart剪枝, 特征预处理, 特征提取和特征降维

7、Bagging, Boosting和随机森林算法

8、聚类算法原理, 实现流程. 优化以及模型评估

课程内容

第一章 机器学习概述

1.人工智能概述

2.人工智能发展历程

3.人工智能主要分支

4.机器学习工作流程

5.机器学习算法分类

6.模型评估

7.Azure机器学习模型搭建实验

8.深度学习简介

第二章 机器学习基础环境安装与使用

1.库的安装

2.jupyter notebook使用

第三章 Matplotlib

1.Matplotlib之HelloWorld

2.基础绘图功能 — 以折线图为例

3.常见图形绘制

第四章 Numpy

1.Numpy的优势

2.N维数组-ndarray

3.基本操作

4.ndarray运算

5.数组间的运算

6.数学:矩阵

第五章 Pandas

1.Pandas介绍

2.Pandas数据结构

3.基本数据操作

4.DataFrame运算

5.Pandas画图

6.文件读取与存储

7.高级处理-缺失值处理

8.高级处理-数据离散化

9.高级处理-合并

10.高级处理-交叉表与透视表

11.高级处理-分组与聚合

12.案例


模块二

第一章 K-近邻算法

1.K-近邻算法简介

2.k近邻算法api初步使用

3.距离度量

4.k值的选择

5.kd树

6.案例1:鸢尾花种类预测--数据集介绍

7.特征工程-特征预处理

8.案例1:鸢尾花种类预测--流程实现

9.交叉验证,网格搜索

10.案例2:预测facebook签到位置

第二章 线性回归

1.线性回归简介

2.线性回归api初步使用

3.数学:求导

4.线性回归的损失和优化

5.梯度下降法方法介绍

6.线性回归api再介绍

7.案例:波士顿房价预测

8.欠拟合和过拟合

9.正则化线性模型

10.线性回归的改进-岭回归

11.模型的保存和加载

第三章 逻辑回归

1.逻辑回归介绍

2.逻辑回归api介绍

3.案例:癌症分类预测-良/恶性乳腺癌肿瘤预测

4.分类评估方法

5.ROC曲线的绘制

第四章 决策树算法

1.决策树算法简介

2.决策树分类原理

3.cart剪枝

4.特征工程-特征提取

5.决策树算法api

6.案例:泰坦尼克号乘客生存预测

第五章 集成学习

1.集成学习算法简介

2.Bagging和随机森林

3.Boosting

第六章 聚类算法

1.聚类算法简介

2.聚类算法api初步使用

3.聚类算法实现流程

4.模型评估

5.算法优化

6.特征工程-特征降维

7.案例:探究用户对物品类别的喜好细分降维

8.算法选择指导"


综合评分 5.0

0人已评分

我也要评分

评论打分
你觉得老师讲的怎么样?

评论字数不能超过100字,还剩 个字符

发表评价