- 如何才能入门机器学习？
- 一个合适的方法往往能够事半功倍
- 优雅的安装和使用Anaconda
- Windows和Linux下安装Anaconda
- 使用
Conda来进行环境的创建与管理 - 源替换与导出Python列表
- Pycharm安装与使用
- 配置运行环境
- 线性回归（模型的建立与求解）
- 什么是线性回归
- 模型的误差之目标函数
pip install命令的使用sklearn建模房价预测 示例1
- 线性回归（多变量与多项式回归）
- 线性回归（模型的评估）
- 模型评估（MAE,MSE,RMSE,MAPE) 示例1
- 线性回归（梯度下降）
- 神说，要有正态分布，于是就有了正态分布
- 正态分布的来历与作用
- 线性回归（目标函数的推导）
- 逻辑回归（模型的建立与求解）
- 逻辑回归原理
- 决策边界示例1
- 逻辑回归（混淆矩阵与评估指标）
sklearn建模患癌预测 示例1- 逻辑回归（目标函数推导与实现）
- 任务一（利用逻辑回归完成学生是否能被录取的二分类任务）
Pandas读取数据集示例1
-
- 等高线与特征标准化
- 特征组合与特征映射
- 动手实现非线性分类器 示例1
-
- 梯度与等高线
-
- 过拟合与欠拟合
- 训练集与测试集
-
- 正则化原理
-
- 偏差方差与超参数
- 模型选择与交叉验证
-
StandardScaler()与KFold的使用 示例1LogisticRegression与SGDClassifier
- K近邻算法
- KNN原理与sklearn建模 示例1
- 距离的度量方式
- 网格搜索与并行搜索
GridSearch
- kd树的搜索过程到底是怎么进行的？
- kd树的构建
- kd树的最近邻和K近邻搜索
- 朴素贝叶斯算法
- 朴素贝叶斯原理
- 先验概率与后验概率
- 拉普拉斯平滑
- 贝叶斯估计
- 文本特征提取之词袋模型
- 词袋模型原理
- 分词与词频统计
jieba与Counter
- 基于词袋模型的垃圾邮件分类
CountVectorizer与文本数据预处理- 朴素贝叶斯分类示例 示例1
classification_report
- TF-IDF文本表示方法与词云图
- TFIDF原理与计算示例
TfidfVectorizer与停用词word cloud与词云图
- 任务二（基于贝叶斯算法的新闻分类））
- 这就是决策树的思想
- 决策树思想
- 信息熵与信息增益
- 决策树的生成之ID3与C4.5
- ID3与C4.5原理示例
- 决策树的建模与剪枝
- sklearn接口介绍
- 决策树建模与可视化 示例1
- 剪枝思想
- 决策树的生成与剪枝CART
- 基尼指数
- CART分类决策树原理
- 集成模型：Bagging、Boosting和Stacking
StackingClassifier的使用 示例1- 随机森林在sklearn中的使用
RandomForestClassifier介绍- 特征重要性评估 示例1
- 泰坦尼克号沉船生还预测
- 缺失值补充
- 特征值转换
GridSearchCV的使用 示例1
- 多分类下的召回率与F值
- 准确率、精确率、召回率与F值
-
- 函数间隔与几何间隔
- 最大间隔分类器
-
SVC的使用 示例1- 线性不可分与特征映射
- 核技巧与无穷维
-
- 误差与惩罚
-
- 拉格朗日乘数法