案例为师、实战为王,开启Python机器学习之路

案例为师、实战为王,开启Python机器学习之路

Python,机器学习

899.00 320 人次学习

本课程也有部分免费视频课程《Python机器学习kaggle案例》 ,大家可以前往学习和了解https://edu.hellobi.com/course/137

课程目标: 

零基础快速掌握python数据分析与机器学习算法; 

快速入门python最流行的数据分析库numpy,pandas,matplotlib; 

从原理上进行推导较为繁琐的机器学习算法,以算法流程为主结合实际案例实现完整的算法代码; 

使用scikit-learn机器学习库完成快速建立模型,评估以及预测; 

结合Kaggle经典案例,从数据预处理开始一步步完成整个项目,对如何应用python库完成实际的项目形成完整的经验与概念。 


课程特色:  

科学规划全套课程体系,从入门到进阶,从理论到技巧,逐步推进; 

资深老师悉心授课指导,原理推导、代码剖析多管齐下,助力解决学习问题掌握知识; 

注重引导,培养学员自身理问题、分析问题及解决问题能力; 

嵌入丰富课程案例讲解,让学习过程中不再枯燥无味; 

直播课堂交互学习,近距离感受讲师热情与浓厚学习氛围; 


主讲老师: 

唐宇迪深度学习领域多年一线实践研究专家,同济大学硕士。主要研究深度学习领域,计算机视觉,图像识别。精通机器学习,热爱各种开源技术尤其人工智能方向。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的最新算法。乐于钻研,解开每一个问题,把复杂的问题简单表达呈现,能帮助更多的同学入门深度学习领域。

 

开课时间: 

2017年2月21日 


学习方式: 

本系列课程采取在线直播方式,共10次(20课时); 

每周二、周四晚上开课(20:00-22:00) 

直播后提供录制回放视频,在线反复观看,有效期一年专属VIP会员学习交流群,随时沟通交流。 

社区问答+在线答疑,巩固知识点。

 

课程大纲:

第一课:Python基础与科学计算库numpy 

1.Python语言基础 

2.Python数据结构(列表,字典,元组)   

3.科学计算库Numpy基础 

4.Numpy数组操作  

5.Numpy矩阵基本操作

6.Numpy矩阵初始化与创建

7.Numpy排序与索引


第二课:数据分析处理Pandas库与数据可视化库matplotlib   

1.Pandas数据读取与现实              

2.Pandas样本数值计算与排序

3.Pandas数据预处理与透视表

4.Pandas自定义函数                                    

5.Pandas核心数据结构Series详解

6.Pandas数据索引

7.Matplotlib绘制第一个折线图

8.Matplotlib条形图,直方图,四分图绘制

9.Matplotlib数据可视化分析 


第三课:初探机器学习

1.机器学习要解决的任务

2.有监督与无监督问题                                       

3.线性分类器-由感知器打开机器学习的大门                

4.机器学习hello word算法K-近邻算法原理  

5.python实现k近邻算法

6.案例:使用k近邻预测约会对象


第四课:回归算法

1.线性回归问题                                           

2.线性回归原理推导

3.逻辑回归算法原理 

4.python实现逻辑回归算法 

5.案例:基于Scikit-learn库利用回归预测能留学申请能否被接受


第五课:决策树与随机森林

1.熵原理,信息增益

2.使用ID3算法构造决策树

3.python实现决策树算法

4.随机森林算法原理

5.基于随机森林的特征选择

6.案例:使用决策树进行人口普查收入预测


第六课:Kaggle机器学习案例

1. 泰坦尼克船员获救预测:

(1) 使用pandas库进行数据读取与缺失值预处理

(2) 使用scikit-learn库对比回归模型与随机森林模型

(3) 特征的选择与重要性衡量指标

2. 用户流失预警案例

(1) 使用pandas库进行数据预处理

(2) 使用scikit-learn库尝试多种分类器

(3) 分析衡量结果的指标,精度与召回率


第七课:支持向量机算法

1.SVM要解决的问题

2.线性SVM决策问题

3.SVM对偶问题与核变换 

4.soft支持向量机问题

5.多类别分类问题解决方案

6.案例:python实现SMO算法


第八课:实战Adaboost与贝叶斯算法 

1.Boosting原理分析

2.Adaboost算法原理

3.案例:python实现自适应增强算法

4.贝叶斯基本原理

5.案例:python打造垃圾邮件分类器 


第九课:实战神经网络

1.神经网络结构

2.前向传播原理

3.反向传播原理

4.神经网络细节

5.案例:python打造神经网络,感受神经网络的强大 


第十课:聚类算法

1.k-means,DBSCAN等经典聚类算法原理

2.python实现k-means算法

3.案例:NBA球员数据分析

4.案例:HTTP日志数据分析   


资料获取:

本文所用课件、数据集、代码等将分享到课程公告及天善微信群。

加天善课程助手管理员微信:tianshansoft01(请注明:公司+姓名+行业),随后管理员会将你拉入到交流群中。


1482890793323151.png

改版

反馈