- Pandas 数据预处理
- K-近邻
- 线性回归
- 特征工程
- 梯度下降法
- 决策树
- 随机森林
- 逻辑回归
- 主成分分析
- 时间序列数据处理
机器学习基础实验
免费193 人学过 3 次评价 作者: 云课管理员 难度:
综合评分:
10.0
机器学习开放基础课程是实验楼经由 Open Machine Learning Course 授权并制作的机器学习免费基础实战课。主要讲解机器学习常用的分类算法和回归算法，以及常用的数据预处理技巧。
你将学到的
课程内容
共18个章节
实验 1
使用 Pandas 进行数据探索
知识点: 1.排列 2.索引 3.交叉表 4.透视表 5.数据探索
挑战 1
人口收入普查数据探索
实验 2
Python 数据可视化分析
知识点: 1.单变量可视化的常用方法 2.多变量可视化的常用方法 3.tSNE
挑战 2
心血管疾病数据探索分析
实验 3
决策树和 K 近邻分类
知识点: 1.决策树 2.最近邻方法 3.交叉验证
挑战 3
决策树和随机森林分析应用
实验 4
线性回归和线性分类器
知识点: 1.回归 2.线性分类 3.逻辑回归的正则化 4.逻辑回归的优缺点 5.验证和学习曲线
挑战 4
逻辑回归用于讽刺文本检测
实验 5
集成学习和随机森林方法
知识点: 1.集成 2.Bootstraping 3.Bagging 4.随机森林 5.特征重要性
挑战 5
构建信用评分预测分类模型
实验 6
特征工程和特征选择
知识点: 1.特征提取 2.特征转换 3.特征选择
挑战 6
红酒质量数据回归探索
实验 7
主成分分析和聚类
知识点: 1.PCA降维 2.KMeans 3.近邻传播 4.谱聚类 5.凝聚聚类
挑战 7
非监督学习应用练习
实验 8
随机梯度下降和独热编码
知识点: 1.随机梯度下降 2.在线学习 3.独热编码 4.哈希技巧
挑战 8
线性回归和随机梯度下降
实验 9
时间序列处理与应用
知识点: 1.时间序列 2.SARIMA 3.线性回归 4.XGBoost 5.Prophet
挑战 9
时间序列分析应用练习
课程介绍
实验任务
使用 Pandas 进行数据探索
使用 Pandas 进行数据可视化
学习决策树算法的基本原理，并动手实现
学习 K-近邻算法基本原理，并动手实现
使用交叉验证完成模型选择
学习线性回归于逻辑回归数学原理，并使用 sklearn 实现
学习集成算法思想，并使用 sklearn 实现
学习常用聚类方法，并使用 sklearn 实现
学习常用的时间序列数据处理方法，并动手实现
先学知识
需要了解实验楼的基本操作，推荐学习 。
高等数学和线性代数基础知识。如函数求导、矩阵运算等
课程难度
本课程难度为中等偏上。
面向用户
本课程主要讲解机器学习常见算法，整体难度中等偏上，该课程适合于对机器学习感兴趣且数学相对较好的用户。
课程教师
云课管理员 共发布过 58 门课程
查看老师的所有课程 >免费
完成学生认证，立享5折优惠 >>
- 9 个在线动手实验
- 9 个实战场景挑战
关注
开通会员，即刻开始学习
加入社群
加入交流社群
hao
复习一遍Pandas
学完了该章节，未填写评价内容