国外课栈 - 国外电子信息技术视频教程、电子书和博文栈
使用Scikit-learn进行机器学习
使用Scikit-learn进行机器学习
类别 : 视频教程
格式 : MP4
会员须知  放入帐户
概述

通过scikit-learn学习实施和评估机器学习解决方案

学习  

  • 回顾基本概念,例如偏见和差异
  • 从分类变量,文本和图像中提取特征
  • 使用线性回归和K最近邻预测连续变量的值
  • 使用逻辑回归和支持向量机对文档和图像进行分类
  • 使用装袋和增强技术创建估算器集合
  • 使用K-Means聚类发现数据中的隐藏结构
  • 在常见任务中评估机器学习系统的性能

关于  

机器学习是将计算机科学和统计学结合在一起以构建智能,高效模型的流行语。使用机器学习提供的强大算法和技术,您可以自动化任何分析模型。本课程研究了各种机器学习模型,包括流行的机器学习算法,例如k最近邻居,逻辑回归,朴素贝叶斯,k均值,决策树和人工神经网络。它还讨论了数据预处理,超参数优化和集成方法。您将构建对文档进行分类,识别图像,检测广告等的系统。您将学习使用scikit-learn的API从分类变量,文本和图像中提取功能;评估模型性能;并就如何改善模型的性能形成直觉。在本课程结束时,您将掌握scikit-learn的所有必需概念,以在工作中建立有效的模型,以实用的方式执行高级任务。

本课程的动机是相信您只有简单地描述它才能理解某些内容。解决您的问题,以加深对学习算法和模型的理解,然后将您的学习应用于现实生活中的问题。

特征  

  • 掌握流行的机器学习模型,包括k近邻,随机森林,逻辑回归,k均值,朴素贝叶斯和人工神经网络
  • 了解如何使用scikit-learn建立和评估有效模型的性能
  • 实用指南,可帮助您掌握基础知识并从机器学习的实际应用中学习

总目录(3时21分)

  • 机器学习基础
  • 简单线性回归
  • 与k最近邻的分类和回归
  • 特征提取
  • 从简单线性回归到多重线性回归
  • 从线性回归到逻辑回归
  • 贝叶斯
  • 带有决策树的非线性分类和回归
  • 从决策树到随机森林和其他合奏方法
  • 感知器
  • 从感知器到支持向量机
  • 从感知器到人工神经网络
  • K均值
  • 用主成分分析进行降维