JavaEEHTML&JS+前端大数据人工智能开发Python+数据分析UI/UE设计软件测试新媒体+短视频直播运营产品经理C/C++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

Python人工智能13天快速入门机器学习教程

  • 初级

  • 试看20节

  • 1928人学习

课程须知

40h小时入门人工智能,带你了解人工智能的前世今生、带你掌握人工智能经典算法 1. 了解人工智能基本概念 2. 掌握matplotlib的基本使用 3. 掌握Numpy的基本使用 4. 掌握p...

下载完整视频

提取码: cams

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

学习本课程,你将会有以下收获:

可掌握核心能力:

1、掌握机器学习中处理数据的方法

2、理解经典的机器学习算法原理

3、掌握机器学习中工作的具体流程


可解决的现实问题:

1、把实际工作、生活中遇到的问题转换为可以用机器学习解决的模型

2、实现针对不同问题,选择不同算法模型,同时在该模型的基础上,对该算法进行调优


课程亮点:

1,课程由浅到深,由原理到实践,适合零基础入门学习。

2,结合实际案例,培养解决实际问题的能力。


课程内容:

1. 了解人工智能基本概念

2. 掌握matplotlib的基本使用

3. 掌握Numpy的基本使用

4. 掌握pandas的基本使用

5. 掌握Seaborn的基本使用

6. 熟悉人工智能中常用的数学

7. 熟悉KNN算法实现过程及其原理

8. 熟悉线性回归算法实现过程及其原理

9. 熟悉逻辑回归算法实现过程及其原理

10. 熟悉决策树算法实现过程及其原理

11. 熟悉朴素贝叶斯算法实现过程及其原理

12. 熟悉SVM算法实现过程及其原理

13. 熟悉HMM算法实现过程及其原理

14. 熟悉集成学习基本分类以及经典算法

15. 熟悉xgboost、lightGBM算法实现过程及其原理


适用人群:

1、对目前职业有进一步提升要求,希望从事人工智能行业高薪工作的在职人员。

2、对人工智能感兴趣的相关人员。


基础课程主讲内容包括:

阶段一:人工智能概述  

1. 人工智能概述

2. 机器学习定义

3. 机器学习工作流程

4. 机器学习算法分类

5. 算法模型评估

6. Azure机器学习平台实验

7. 机器学习基础环境安装与使用

阶段二:Matplotlib  

1. Matplotlib库使用

2. Matplotlib架构介绍

3. Matplotlib基本功能实现

4. Matplotlib实现多图显示

5. Matplotlib绘制各类图形

阶段三:Numpy   

1. Numpy库使用

2. Numpy运算优势

3. 数组的属性

4. 数组的形状

5. Numpy实现数组基本操作

6. Numpy实现数组运算

阶段四:pandas  

1. pandas库使用

2. pandas基本数据操作

3. DataFrame、Series、MultiIndex、panel

4. pandas画图

5. 文件读取和存储(Excel、CSV、SQL、HDF、Json)

6. 高级数据处理(缺失值处理、数据离散化、数据合并、交叉表和透视表、分组和聚合)

7. 案例:电影数据分析

阶段五:Seaborn 

1. Seaborn库的介绍

2. 单变量图形可视化

3. 双变量图形可视化

4. 多变量图形可视化

5. 类别散点图

6. 箱线图 

7. 小提琴图

8. 点图

阶段六:数据科学综合案例

1. 案例一:NBA球员数据分析

2. 案例二:北京市租房数据统计分析

阶段七:sklearn基本介绍

1. sklearn介绍

2. sklearn获取数据集

3. 数据集属性介绍

4. 数据集划分

5. 留出法、留一法、

6. KFold、StratifiedKFold

7. 自助法

阶段八:特征工程与模型优化   

1. 特征工程与模型优化

2. 特征预处理:归一化、标准化

3. 特征提取:字典特征提取、文本特征提取、Tf-idf

4. 特征降维:特征选择、过滤式、方差选择法、低方差特征过滤、嵌入式

5. 斯皮尔曼相关系数、皮尔逊相关系数

6. 交叉验证、网格搜索、

阶段九:KNN算法   

1. KNN算法api及kd树及原理

2. 欧式距离、曼哈顿距离、切比雪夫距离、闵氏距离、标准化欧式距离、余弦距离

3. 数据的连续属性和离散属性

4. KNN中k值的选择

5. kd树

6. KNN算法优缺点介绍

7. 案例:鸢尾花种类预测

8. 案例:Facebook签到位置预测

阶段十:线性回归    

1. 线性回归概念和api与原理剖析

2. 损失函数:误差平方和

3. 梯度下降算法:FGD、SGD、mini-batch、SAG

4. 模型优化:数据归一化、优化器的选择;

5. 正则化线性模型:Lasso回归、岭回归、Elastic Net、early stopping

6. 案例:波士顿房价预测

阶段十一:逻辑回归    

1. 逻辑回归概念api和原理

2. sigmoid介绍

3.分类评估指标:混淆矩阵、精确率、召回率、F1-score、

4.ROC曲线、AUC指标、ROC曲线的绘制

5. 类别不平衡数据的生成:imbalanced-learn、随机过采样、SMOTE、随机欠采样

6. 案例:恶性乳腺癌肿瘤预测

阶段十二:决策树算法   

1. 决策树算法原理和api使用

2. 熵、信息增益、增益率、基尼指数

3. 决策树的构建和剪枝:剪枝处理、预剪枝、后剪枝、ID3、CART

4. 条件熵和交叉熵:连续与缺失值处理、多变量决策树

5. 回归决策树:基本流程、回归/分类决策树的区别

6. 案例:泰坦尼克号乘客生存预测"

阶段十三:朴素贝叶斯   

1. 朴素贝叶斯原理和api函数

2. 独立同分布、贝叶斯公式、拉普拉斯平滑系数

3. 概率分布:多项式分布、高斯分布、条件概率、贝叶斯编程及A/B测试

4. 案例:商品评论情感分析

阶段十四:SVM算法   

1. SVM算法原理

2. 对偶问题及KKT、SMO算法

3. 软间隔与正则化

4. 支持向量回归;

5. 核函数:最简单的核函数距离、相似性函数、常用核函数(GBF和Gassian)、核函数对比

6. 案例:通过SVM构建数字识别器

阶段十五:聚类算法    

1. kmeans流程和质心

2. 评价指标:内部指标、外部指标

3. 优化方法(二分kmeans,kmeans++)、SC系数/CH系数;

4. 案例:探究用户对物品类别的喜好细分

阶段十六:HMM模型   

1. 极大似然估计、期望估计、极大化估计

2. HMM模型:Markov chain、可见状态链、隐含状态链、

3. 前向后向算法

4. Viterbi算法

5. Baum-Welch

6. 案例:骰子游戏结果预测

阶段十七: 集成学习基础  

1. bagging和boosting介绍

2. 随机森林

3. 包外估计、无偏估计;

4. 离散型AdaBoost、实数型AdaBoost

5. GBDT、残差拟合;

6. 案例一:泰坦尼克号乘客生存预测优化

7. 案例二:otto电商平台物品分类预测

阶段十八:集成学习进阶  

1. 集成学习进阶-xgboost基本介绍

2. xgboost目标函数推导

3. 树的复杂度定义

4. xgboost回归树构建

5. xgboost与GBDT对比

6. 通用参数、Booster参数介绍

7. 案例:otto电商平台物品分类预测案例优化

8. 集成学习进阶-lightGBM 

9. Histogram的决策树算法介绍

10. level-wise、leaf-wise、特征并行、数据并行介绍

11. 案例:《绝地求生》玩家排名预测


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