|
一、课程简介 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。 二、课程特色亮点 宏观了解人工智能整体脉络 化繁为简、算法讲解清晰明了 “学”和“做”结合，边学习，边练习，加深知识理解 结合“吃鸡”游戏，体验机器学习魅力所在 三、课程内容介绍 模块一 •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
网盘资料截图展示：
网盘资料下载链接已添加
回帖可获取下载
| 
