Python机器学习实训营(原理推导+代码复现+实验分析)

Python机器学习实训营(原理推导+代码复现+实验分析)
共218节 6204人在学 课程详情
  • 线性回归原理推导

    • 实训营课程介绍
    • 回归问题概述(数据代码下载---------->)
    • 误差项定义
    • 独立同分布的意义
    • 似然函数的作用
    • 参数求解
    • 梯度下降通俗解释
    • 参数更新方法
    • 优化参数设置
  • 线性回归代码实现

    • 线性回归整体模块概述(所有数据代码PPT下载--------------->)
    • 初始化步骤
    • 实现梯度下降优化模块
    • 损失与预测模块
    • 数据与标签定义
    • 训练线性回归模型
    • 得到线性回归方程
    • 整体流程debug解读
    • 多特征回归模型
    • 非线性回归
  • 模型评估方法

    • Sklearn工具包简介
    • 数据集切分
    • 交叉验证的作用
    • 交叉验证实验分析
    • 混淆矩阵
    • 评估指标对比分析
    • 阈值对结果的影响
    • ROC曲线
  • 线性回归实验分析

    • 模型复杂度
    • 样本数量对结果的影响
    • 正则化的作用
    • 岭回归与lasso
    • 实验总结
    • 实验目标分析
    • 参数直接求解方法
    • 预处理对结果的影响
    • 梯度下降模块
    • 学习率对结果的影响
    • 随机梯度下降得到的效果
    • MiniBatch方法
    • 不同策略效果对比
    • 多项式回归
  • 逻辑回归原理推导

    • 化简与求解
    • 逻辑回归算法原理
  • 逻辑回归代码实现

    • 训练模块功能
    • 完成预测模块
    • 优化目标定义
    • 迭代优化参数
    • 梯度计算
    • 得出最终结果
    • 鸢尾花数据集多分类任务
    • 训练多分类模型
    • 准备测试数据
    • 决策边界绘制
    • 非线性决策边界
    • 多分类逻辑回归整体思路
  • 逻辑回归实验分析

    • 概率结果随特征数值的变化
    • 可视化展示
    • 坐标棋盘制作
    • 分类决策边界展示分析
    • 多分类-softmax
    • 逻辑回归实验概述
  • Kmeans算法原理

    • KMEANS工作流程
    • KMEANS迭代可视化展示
    • KMEANS算法概述
  • DBSCAN算法原理

    • DBSCAN工作流程
    • DBSCAN可视化展示
    • DBSCAN聚类算法
  • Kmeans代码实现

    • 计算得到簇中心点
    • 样本点归属划分
    • 算法迭代更新
    • 鸢尾花数据集聚类任务
    • 聚类效果展示
    • Kmeans算法模块概述
  • 聚类算法实验分析

    • 聚类结果展示
    • 建模流程解读
    • 不稳定结果
    • 评估指标-Inertia
    • 如何找到合适的K值
    • 轮廓系数的作用
    • Kmenas算法存在的问题
    • 应用实例-图像分割
    • 半监督学习
    • DBSCAN算法
    • Kmenas算法常用操作
  • 决策树原理

    • 熵的作用
    • 信息增益原理
    • 决策树构造实例
    • 信息增益率与gini系数
    • 预剪枝方法
    • 后剪枝方法
    • 回归问题解决
    • 决策树算法概述
  • 决策树代码实现

    • 递归生成树节点
    • 整体框架逻辑
    • 熵值计算
    • 数据集切分
    • 数据集切分
    • 测试算法效果
    • 整体模块概述
  • 决策树实验分析

    • 决策边界展示分析
    • 树模型预剪枝参数作用
    • 回归树模型
    • 树模型可视化展示
  • 集成算法原理

    • 随机森林优势与特征重要性指标
    • 提升算法概述
    • stacking堆叠模型
    • 随机森林算法原理
  • 集成算法实验分析

    • 硬投票与软投票效果对比
    • Bagging策略效果
    • 集成效果展示分析
    • OOB袋外数据的作用
    • 特征重要性热度图展示
    • Adaboost算法概述
    • Adaboost决策边界效果
    • GBDT提升算法流程
    • 集成参数对比分析
    • 模型提前停止策略
    • 停止方案实施
    • 堆叠模型
    • 构建实验数据集
  • 支持向量机原理推导

    • 距离与数据定义
    • 目标函数推导
    • 拉格朗日乘子法求解
    • 化简最终目标函数
    • 求解决策方程
    • 软间隔优化
    • 核函数的作用
    • 知识点总结
    • 支持向量机要解决的问题
  • 支持向量机实验分析

    • 决策边界可视化展示
    • 软间隔的作用
    • 非线性SVM
    • 核函数的作用与效果
    • 支持向量机所能带来的效果
  • 神经网络算法原理

    • 深度学习应用领域
    • 计算机视觉任务
    • 计算机视觉任务
    • 得分函数
    • 损失函数的作用
    • 前向传播整体流程
    • 返向传播计算方法
    • 神经网络整体架构
    • 神经网络架构细节
    • 神经元个数对结果的影响
    • 正则化与激活函数
    • 神经网络过拟合解决方法
    • 深度学习要解决的问题
  • 神经网络代码实现

    • 参数初始化操作
    • 矩阵向量转换
    • 向量反变换
    • 完成前向传播模块
    • 损失函数定义
    • 准备反向传播迭代
    • 差异项计算
    • 逐层计算
    • 完成全部迭代更新模块
    • 手写字体识别数据集
    • 算法代码错误修正
    • 测试效果可视化展示
    • 模型优化结果展示
    • 神经网络整体框架概述
  • 贝叶斯算法原理

    • 贝叶斯公式推导
    • 拼写纠错实例
    • 垃圾邮件过滤实例
    • 贝叶斯要解决的问题
  • 垃圾邮件过滤实例

    • 邮件数据读取
    • 语料表与特征向量构建
    • 分类别统计词频
    • 贝叶斯公式对数变换
    • 完成预测模块
    • 朴素贝叶斯算法整体框架
  • 关联规则实战分析

    • 支持度与置信度
    • 提升度的作用
    • Python实战关联规则
    • 数据集制作
    • 电影数据集题材关联分析
    • 关联规则概述
  • 关联规则代码实现

    • 数据集demo
    • 扫描模块
    • 拼接模块
    • 挖掘频繁项集
    • 规则生成模块
    • 完成全部算法流程
    • 规则结果展示
    • Apripri算法整体流程
  • 词向量word2vec通俗解读

    • 模型整体框架
    • 训练数据构建
    • CBOW与Skip-gram模型
    • 负采样方案
    • 词向量模型通俗解释
  • 代码实现word2vec词向量模型

    • 数据清洗
    • batch数据制作
    • 网络训练
    • 可视化展示
    • 数据与任务流程
  • 推荐系统原理分析

    • 推荐系统要完成的任务
    • 相似度计算
    • 基于用户的协同过滤
    • 基于物品的协同过滤
    • 隐语义模型
    • 隐语义模型求解
    • 模型评估标准
    • 推荐系统应用
  • 打造音乐推荐系统

    • 数据集整合
    • 基于物品的协同过滤
    • 物品相似度计算与推荐
    • SVD矩阵分解
    • 基于矩阵分解的音乐推荐
    • 音乐推荐任务概述
  • 主成分分析降维算法原理解读

    • 方差与协方差
    • 结果推导
    • 降维实例
    • PCA基本概念
  • 线性判别分析降维算法原理解读

    • 线性判别分析要解决的问题
    • 线性判别分析要优化的目标
    • 线性判别分析求解
    • 求解得出降维结果
    • 实现线性判别分析

    订阅失败

    Python机器学习实训营(原理推导+代码复现+实验分析)
    Python机器学习实训营(原理推导+代码复现+实验分析) ...

    订阅列表已满,请先移出部分订阅内容。

    当前章节需购买后观看
    开通超级会员免费看!专家精选系列课程,满足你从入门到精通!更有问答月卡免费送,你的问题有问必答!
    提交答案

    购买课程

    扫码完成付费,可继续学习全部课程内容

    加载中...
    播放页问题反馈
    视频学习中有任何产品建议都可由此反
    馈,我们将及时处理!

    课时介绍

    优化目标定义

    课程介绍

    购买课程后,添加小助手微信(微信号:csdnxy68)回复【唐宇迪】

    进入学习群,获取唐宇迪老师答疑


    Python机器学习实训营(原理推导+代码复现+实验分析)课程旨在帮助同学们在机器学习领域打下坚实基础。课程注重算法原理讲解与数学公式推导并基于Python语言给出完整的代码实现,从零开始实现每一模块功能(非调用工具包)通过代码实例演示算法工作流程与实现方法,基于案例进行实验分析,算法涉及核心知识点全方位解读。整体风格通俗易懂,建议同学们在学习过程中先掌握算法原理,基于数学推导公式进行代码复现与实战演练。课程提供全部课程所需PPT,数据,代码。

    推荐课程

    信息系统项目管理师自考笔记

    李明 · 859人在学

    python从0到1:期货量化交易系统(CTP实战,高频及合成K线数据

    王先生 · 22621人在学

    手把手搭建Java超市管理系统【附源码】(毕设)

    汤小洋 · 4280人在学

    Java毕设springboot外卖点餐系统 毕业设计毕设源码 使用教

    黄菊华 · 824人在学

    基于SSM酒店管理系统(毕设)

    小尼老师 · 888人在学

    java项目实战之购物商城(java毕业设计)

    Long · 5193人在学

    手把手搭建Java求职招聘系统【附源码】(毕设)

    汤小洋 · 1524人在学

    Python Django 深度学习 小程序

    钟翔 · 2385人在学

    城管局门前三包管理系统+微信小程序(vue+springboot)

    赖国荣 · 661人在学

    Vue+Uni-app(uniapp)入门与实战+赠送仿美团点餐小程序

    李杰 · 4062人在学

    正在试验
    后自动删除环境
    课程实验
    本次实验时间已到期 00:00:00
    课件正在飞速打包中,请耐心等待几秒钟~