- 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。
知识点: 1.排列 2.索引 3.交叉表 4.透视表 5.数据探索
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
知识点: 1.决策树 2.最近邻方法 3.交叉验证
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
知识点: 1.集成 2.Bootstraping 3.Bagging 4.随机森林 5.特征重要性
知识点: 1.特征提取 2.特征转换 3.特征选择
知识点: 1.PCA降维 2.KMeans 3.近邻传播 4.谱聚类 5.凝聚聚类
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
知识点: 1.时间序列 2.SARIMA 3.线性回归 4.XGBoost 5.Prophet
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
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
本课程难度为中等偏上。
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。
云课管理员 共发布过 58 门课程
查看老师的所有课程 >免费
hao
复习一遍Pandas
学完了该章节,未填写评价内容