课程介绍

《Python3入门机器学习 经典算法与应用》课程是一门面向想要入行人工智能领域并学习Python机器学习的学习者的课程。本课程通过讲解经典的机器学习算法和实际应用案例，帮助学习者快速入门Python机器学习。

该课程的主要内容包括以下几个方面：

1. Python基础知识回顾：课程首先会回顾Python的基础知识，包括变量、数据类型、条件语句、循环、函数等。学习者将复习Python的核心概念和基本语法。
2. 机器学习基础概念：课程会介绍机器学习的基本概念和原理，如监督学习、无监督学习、特征工程、模型评估等。学习者将了解机器学习的基本流程和常用术语。
3. 经典机器学习算法：课程将深入讲解经典的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机、聚类算法等。学习者将学会如何使用这些算法解决实际问题。
4. 机器学习实战案例：课程将通过实战案例来帮助学习者应用所学的机器学习知识。学习者将跟随课程完成一系列实际的机器学习项目，如房价预测、文本分类、图像识别等。
5. 模型评估与优化：课程还会介绍如何评估机器学习模型的性能，并进行模型优化和调参。学习者将学会如何选择合适的评估指标和优化方法。

通过学习该课程，学习者可以全面了解Python机器学习的基本概念和算法，掌握机器学习的基本流程和应用方法，并能够进行实际的机器学习项目开发。

课程目录

/【imooc-169】Python3入门机器学习 经典算法与应用 入行人工智能/
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─第01章 欢迎来到Python3玩转机器学习
│├─第02章 机器学习基础
│├─第03章 Jupyter Notebook ,numpy
│├─第04章 最基础的分类算法
│├─第05章 线性回归法
│├─第06章 梯度下降法
│├─第07章 PCA与梯度上升法
│├─第08章 多项式回归与模型泛化
│├─第09章 逻辑回归
│├─第10章 评价分类结果
│├─第11章 支撑向量机SVM
│├─第12章 决策树
│├─第13章 集成学习和随机森林
│├─第14章 更多机器学习算法
│├─课程目录.txt 580byte
│├─课程详细目录.txt 6.7KB
│├─课程说明.txt 273byte
第01章 欢迎来到Python3玩转机器学习/
│├─1-1 什么是机器学习.mp4 55.7MB
│├─1-2课程涵盖的内容和理念.mp4 42.6MB
│├─1-3课程所使用的技术栈.mp4 56.9MB
第02章 机器学习基础/
│├─2-1 机器学习的数据.mp4 48.3MB
│├─2-2 机器学习的主要任务.mp4 59MB
│├─2-3 监督学习、非监督学习….mp4 47.4MB
│├─2-4 批量、在线学习、参数、非参数学习.mp4 24.8MB
│├─2-5 哲学思考.mp4 25MB
│├─2-6 课程使用环境搭建.mp4 91.8MB
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─课程说明.txt 273byte
第03章 Jupyter Notebook ,numpy/
│├─3-1 Jupyter Notebook基础.mp4 88.5MB
│├─3-10 Numpy中的比较和Fancy lindexing.mp4 103.4MB
│├─3-11 Matplotlib数据可视化基础.mp4 101.2MB
│├─3-12 数据加载和简单的数据搜索.mp4 73.1MB
│├─3-2Jupter Notebook 中的魔法命令.mp4 103.5MB
│├─3-3 Numpy 数据基础.mp4 39MB
│├─3-4 创建Numpy 数据和矩阵.mp4 103.1MB
│├─3-5 Numpy数组和矩阵的基本操作.mp4 66.3MB
│├─3-6 Numpy 数据和矩阵的合并与分割.mp4 81.2MB
│├─3-7 Numpy中的矩阵运算.mp4 120.4MB
│├─3-8 Numpy 中的聚合运算.mp4 72.3MB
│├─3-9 Numpy中的arg运算.mp4 50.8MB
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─课程说明.txt 273byte
第04章 最基础的分类算法/
│├─4-1 K近邻算法.mp4 74.4MB
│├─4-2 scikit-learn机器学习算法封装.mp4 145.1MB
│├─4-3 训练数据集.mp4 122.5MB
│├─4-4 分类准确度.mp4 130.5MB
│├─4-5 超参数.mp4 92.3MB
│├─4-6 网络搜索与K邻近算法中更多超参数.mp4 131MB
│├─4-7 数据归一化.mp4 56.8MB
│├─4-8 Scikit-learn中的Scaler.mp4 115.8MB
│├─4-9 更多有关K近邻算法的思考.mp4 22.7MB
第05章 线性回归法/
│├─5-1 简单线性回归.mp4 43.7MB
│├─5-10 线性回归的可解释性.mp4 61.9MB
│├─5-2 最小乘法.mp4 24.7MB
│├─5-3 简单线性回归的实现.mp4 75.7MB
│├─5-4 衡量线性回归的指标.mp4 56.6MB
│├─5-5 R Squared.mp4 90.3MB
│├─5-6 最好的衡量线性回归法的指标.mp4 56.1MB
│├─5-7多元线性回归和正规方程解.mp4 33.3MB
│├─5-8 实现多元线性回归.mp4 78.6MB
│├─5-9 使用Scilit-learn解决回归问题.mp4 82.3MB
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─课程说明.txt 273byte
第06章 梯度下降法/
│├─6-1 什么是梯度下降法.mp4 33.5MB
│├─6-2线性回归中的梯度下降法.mp4 109.3MB
│├─6-3实现线性回归中的梯度下降法.mp4 35.3MB
│├─6-4 实现线性回归中的梯度下降法.mp4 84.2MB
│├─6-5 梯度下降法的向量化.mp4 108.6MB
│├─6-6 随机梯度下降法.mp4 77.4MB
│├─6-7 scikit-learn中的梯度下降法.mp4 130.7MB
│├─6-8有关梯度下降法的更多深入讨论.mp4 59.1MB
│├─6-9 有关梯度下降法的更多讨论.mp4 18.1MB
第07章 PCA与梯度上升法/
│├─7-1 什么是PCA.mp4 37.8MB
│├─7-2 求数据的主成分PCA问题.mp4 20.2MB
│├─7-3 求数据的主成分.mp4 96.8MB
│├─7-4 高维数据映射为低维数据.mp4 73.3MB
│├─7-5 高纬数据映射为低纬数据.mp4 92.3MB
│├─7-6 scikit-learn中的PCA.mp4 111.2MB
│├─7-7 试手MNIST数据集.mp4 61.9MB
│├─7-8 使用PCA对数据进行降噪.mp4 67.7MB
│├─7-9 人脸识别与特征脸.mp4 69.1MB
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─课程说明.txt 273byte
第08章 多项式回归与模型泛化/
│├─8-1 什么是多项式回归.mp4 53.4MB
│├─8-10 L1，L2弹性网络.mp4 26.5MB
│├─8-2 scikit-learn 中的多项式回归.mp4 80.5MB
│├─8-3 过拟合与欠拟合.mp4 110MB
│├─8-4 为什么要训练数据集与测试数据集.mp4 103.8MB
│├─8-5 学习曲线.mp4 79.5MB
│├─8-6 验证数据集与交叉验证.mp4 133MB
│├─8-7 偏差方差平衡.mp4 35.5MB
│├─8-8 模型泛化与岭回归.mp4 106.1MB
│├─8-9 LASSO.mp4 69.9MB
第09章 逻辑回归/
│├─9-1 什么是逻辑回归.mp4 37.3MB
│├─9-2 逻辑回归的损失函数.mp4 36.9MB
│├─9-3 逻辑回归损失函数的梯度.mp4 48.9MB
│├─9-4 实现逻辑回归算法.mp4 141.5MB
│├─9-5 决策边界.mp4 98.8MB
│├─9-6 在逻辑回归中使用多项式特征.mp4 72.4MB
│├─9-7 scikt-learn中的逻辑回归.mp4 85.1MB
│├─9-8 OvR与OvO.mp4 65.9MB
第10章 评价分类结果/
│├─10-1准确度的陷阱和混淆矩阵.mp4 32.1MB
│├─10-2 准确率和召回率.mp4 27.3MB
│├─10-3 现实混淆矩阵.mp4 87.7MB
│├─10-4 F1 Score.mp4 61.7MB
│├─10-5 准确率和召回率的平衡.mp4 79.1MB
│├─10-6 准确率召回率曲线.mp4 91.9MB
│├─10-7 ROC曲线.mp4 58.2MB
│├─10-8 多分类问题中的混淆矩阵.mp4 78.6MB
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─课程说明.txt 273byte
第11章 支撑向量机SVM/
│├─11-1 什么是SVM.mp4 31.4MB
│├─11-2 svm背后的最优化问题.mp4 44.4MB
│├─11-3 Soft Margin SVM.mp4 35.4MB
│├─11-4 Scikit-learn 中的SVM.mp4 89.6MB
│├─11-5 SVM中使用多项式特征和核函数.mp4 61.5MB
│├─11-6 什么是核函数.mp4 36.6MB
│├─11-7RBF核函数.mp4 46.8MB
│├─11-8 RBF核函数中的gamma.mp4 57.7MB
│├─11-9 SVM思想解决回归问题.mp4 36MB
第12章 决策树/
│├─12-1 什么是决策树.mp4 38.4MB
│├─12-2 信息熵.mp4 39.8MB
│├─12-3 – 12-5.mp4 252.8MB
│├─12-6 – 12-7 .mp4 51.7MB
│├─README.md 130byte
│├─更多课程：.url 119byte
│├─更多资源点此免费获取.txt 176byte
│├─课程说明.txt 273byte
第13章 集成学习和随机森林/
│├─13-1什么是集成学习.mp4 53.5MB
│├─13-2 SoftVoting Classifier.mp4 28.4MB
│├─13-3 Bagging和Pasting.mp4 33.4MB
│├─13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp4 31.9MB
│├─13-5 随机森林和Extra-Trees.mp4 26MB
│├─13-6 Ada Boosting和Gradient Boosting.mp4 28.7MB
│├─13-7 Stacking.mp4 11.5MB
第14章 更多机器学习算法/
│├─14章 学习scikit-learn文档，大家加油！.mp4 160.4MB