腾科职业培训学校 学校主页 课程
没有解决您的问题?扫描二维码加入博睿云交流群畅所欲言吧!
使用帮助

全部课程> 人工智能与机器学习

人工智能与机器学习

来源:腾科职业培训学校

  • 2022-09-16  -  2023-11-30 55课时(建议每周学习0小时)
  • 自主模式

已有627人报名学习

  • 课程概览
  • 授课讲师
  • 课程大纲
  • 课程概览
  • 授课讲师
  • 课程大纲

本课程以机器学习算法为主体,讲解各种机器学习算法。主要内容如下:监督学习算法、分类与回归、线性回归、逻辑回归、决策树、随机森林、SVM、无监督学习、数据预处理、Tfidf等。 在讲解算法过程中,以实际的例子和可视化的方式形象理解。部分算法会讲解实际算法推导。在讲解完每个算法后,都会用sklearn解决一个具体的问题。

课程概览
一、课程简介
本课程以机器学习算法为主体,讲解各种机器学习算法。在讲解算法过程中,以实际的例子和可视化的方式形象理解。部分算法会讲解实际算法推导。在讲解完每个算法后,都会用sklearn解决一个具体的问题。可以强化对算法的理解。
在课程后半部分,主要讲解模型调参以及特征工程相关的内容。让我们可以应对各种问题,最后在课程中附带了几个实验。实验选取sklearn以外的数据集,在实验中会实现对数据的处理以及预测的功能,方便把实验应用于生活中。

二、课程目标

掌握分类与回归算法
理解各种机器学习算法
掌握解决过拟合的方法
掌握读取数据、数据预处理、异常数据处理等操作
掌握sklearn模块的使用


第一阶段:监督学习
     在该阶段,主要学习机器学习的基本概念。学习监督学习中的各种分类和回归算法。包括KNN、线性回归、逻辑回归、决策树、随机森林、支持向量机、神经网络。

第二阶段:无监督学习
    在该阶段,主要学习数据缩放方法和无监督学习算法。包括数据标准化、归一化、PCA主成分分析、聚类算法等。

第三阶段:特征工程
    在该阶段,主要学习特征的表示。包括分类特征处理、分箱离散化、多项式特征、文本特征、Ngram、Tfidf。同时还会讲解模型评估和改进的方法。
     



    
授课讲师

魏志伟

腾讯云社区年度最佳作者,csdn博客专家。 参与iVX低代码平台网站海外版编写重构,编写小型开源Web框架。 熟练掌握C、Python、Java等语言;PythonWeb、Android开发、计算机视觉、自然语言处理。 熟悉js、kotlin等语言;熟悉vue、react等前端框架。熟悉OpenCV、Sklearn、Pytorch等框架和模块。熟悉各种神经网络,如DNN、CNN、RNN、word2vec,熟悉attention机制以及bert预训练模型。 上课理论实践结合,例子新颖,案例贴近生活,把技术带入生活。 循循善诱,平易近人;注意启发和调动学生的积极性,课堂气氛较为活跃;例题丰富,不厌其烦,细心讲解,虚心并广泛听取学生的意见和反馈信息,做到及时修正和调整自己的知识的传授方式。

课程大纲
  • 第1章前言
  •     第1节机器学习
  •     第2节必要的库和工具
  •     第3节认识数据
  •     第4节第一个应用:鸢尾花分类
  • 第2章监督学习
  •     第1节分类与回归
  •     第2节泛化、过拟合和欠拟合
  •     第3节监督学习算法
  •     第4节KNN算法
  •     第5节调参及距离的度量
  • 第3章回归算法
  •     第1节线性回归
  •     第2节梯度下降
  •     第3节岭回归
  •     第4节Lasso回归
  • 第4章逻辑回归
  •     第1节逻辑回归
  •     第2节Softmax回归
  •     第3节代码实现
  •     第4节参数调整
  • 第5章决策树和随机森林
  •     第1节决策树
  •     第2节决策树的生成
  •     第3节过拟合
  •     第4节代码实现和决策树分析
  •     第5节随机森林
  • 第6章支持向量机
  •     第1节线性支持向量机
  •     第2节线性模型和非线性特征
  •     第3节核支持向量机
  •     第4节参数调整
  • 第7章神经网络
  •     第1节线性代数
  •     第2节神经网络
  •     第3节反向传播
  •     第4节代码实现
  • 第8章数据缩放
  •     第1节数据缩放
  •     第2节相同的缩放
  •     第3节数据缩放对结果的影响
  •     第4节无监督学习
  •     第5节K-means
  •     第6节DBSCAN
  • 第9章PCA主成分分析
  •     第1节PCA主成分分析
  •     第2节主成分
  •     第3节数据可视化
  •     第4节分析成分
  • 第10章数据表示与特征工程
  •     第1节分类特征
  •     第2节分箱、离散化
  •     第3节交互特征与多项式特征
  •     第4节缺失值特征
  • 第11章模型评估与改进
  •     第1节拆分数据集
  •     第2节交叉验证
  •     第3节网格搜索
  •     第4节交叉验证网格搜索
  • 第12章处理文本数据
  •     第1节词袋模型
  •     第2节停用词
  •     第3节Tf-idf
  •     第4节N-gram
  •     第5节朴素贝叶斯
节数上课时间星期一 星期二星期三星期四 星期五星期六星期天
第1节08:00 - 08:40
第2节09:00 - 09:40
第3节10:00 - 10:40
第4节11:00 - 11:40
第5节14:00 - 14:40
第6节15:00 - 15:40
第7节16:00 - 16:40
第8节17:00 - 17:40
天数上课日期上课时间内容
相关课件 更多
  • csv

    heart.csv

    大小:11.06KB

    2023-01-11

  • zip

    图像分割.zip

    大小:286.37KB

    2023-01-11

  • zip

    pos.zip

    大小:9.74MB

    2023-01-11

  • zip

    neg.zip

    大小:9.51MB

    2023-01-11

  • zip

    泰坦尼克.zip

    大小:33.01KB

    2023-01-11

  • zip

    疫情.zip

    大小:912.76KB

    2023-01-11