python机器学习-乳腺癌细胞挖掘-

共141节2245人学习Toby 课程详情

python机器学习乳腺癌细胞挖掘_介绍视频
- python机器学习乳腺癌细胞挖掘_介绍视频
- python机器学习生物信息学概述（必看）
癌症常识
- 警钟长鸣！癌症就在你身边
- 癌症科普介绍
- 病毒细菌诱发的癌症
- 祸从口入-致癌食物大揭秘
- Python机器学习挖掘癌细胞概述
python编程环境搭建
- Anaconda快速入门指南
- Anaconda下载安装
- Canopy下载和安装
- Anaconda Navigator导航器
- Anaconda安装不同版本python
python安装包
- python第三方包安装(pip和conda install)
- Python非官方扩展包下载地址
- pip install --user --upgrade package升级包
- pip install失败报错五种解决方案
- pip查看包信息list_show_help_freeze
- Anaconda下载镜像更换-下载超音速（选修）
- 如何创建python虚拟编程环境-避免项目包版本冲突（选修）
Jupiter Notebook概述
- jupyter1_为什么使用jupyter notebook
- jupyter2_jupyter基本文本编辑操作
- 如何用jupyter notebook打开指定文件夹内容？
- jupyter4_jupyter转换PPT实操
- jupyter notebook用matplotlib不显示图片解决方案
- jupyter notebook创建标题和文字描述
- jupyter notebook如何上传图片和下载脚本
python基础知识
- 为什么学习编程？大多数学校不会告诉你的秘密
- python官网
- Python文件基本操作
- 变量_表达式_运算符_值
- 字符串string
- 程序基本构架（条件，循环）
- 数据类型_函数_面向对象编程
- python2和3的区别
- 编程技巧和学习方法
python oop面向对象编程（选修）
- python面向对象编程1_类和实例
- python面向对象2_实例属性可以与众不同
- python面向对象3_self代表实例本身
- python面向对象编程4_init()初始化方法
- python面向对象5_属性和方法区别
- python面向对象6_函数和方法区别
- python面向对象7_类变量
- python面向对象8_父类和子类
- python面向对象9_私有变量
- python面向对象10运算符重载
- python面向对象编程10_魔法函数__str__和__repr__
sklearn机器学习基础知识
- 机器学习数据库介绍
- 机器学习书籍推荐
- Python数据科学常用的包
- 如何选择算法
- sklearn算法速查表
- sklearn建模基础代码
- python数据科学入门介绍（选修）
获取乳腺癌临床数据
- 数据获取-乳腺癌细胞临床数据
变量筛选和描述性统计
- 变量筛选1-模型法
- 变量筛选2-比例法percentile
- 变量筛选3-方差法
- 变量筛选4-KBest
模型开发基础知识python脚本讲解
- 数据读取read_excel和read_csv
- 数据划分train_test_split
- 模型构建和训练fit()
- 模型预测predict和predict_proba区别
- 模型验证的python脚本讲解
- pickle保存模型包
十大经典机器学习算法-建立乳腺癌细胞分类器
- 逻辑回归logistic regression
- 支持向量SVM
- KNN最近邻算法
- 决策树-decision tree
- 随机森林-random forest
- 神经网络neural network
- xgboost
- lightgbm基础讲解
- lightGBM脚本实现
- catboost基础讲解
- catboost脚本实现
- 常见算法优劣对比
- bagging VS boosting
数据预处理
- pandasl数据处理基础知识
- 哑变量处理-hotcode热编码
- imputer-缺失数据处理
- scale-数据标准化处理
变量（特征）重要性
- 逻辑回归和集成树算法变量（特征）重要性概述
- 随机逻辑回归randomized logistic regression
- xgboost特征重要性
- catboost特征重要性
- lightgbm特征重要性
python项目实战主成分分析PCA
- 边际效应基本概念
- 模型维度与边际效应,变量越多越好吗？
- kaggle模型一定最好吗？降维在企业建模实际意义
- 降维方法好不好，测试为准
- python主成分分析关键代码解读
- python主成分分析与机器学习建模结合项目实战
- PCA主成分降维在人脸识别应用-附代码
python项目实战因子分析factor analysis
- 因子分析基本思想和使用限制条件
- python sklearn因子分析和机器学习建模实战
- python因子分析第三方包训练模型，结果让人吃惊
- 因子分析-KMO和巴特利球形度检验
- 因子分析-python绘制碎石图
- 因子分析旋转方法rotation
- 因子分析-累计方差贡献率
- spss因子分析-解释癌细胞特征
模型调参
- 遍历调参法
- 单个参数网格调参
- 多参数网格调参
- 随机网格调参_random size search cv
模型验证
- 模型验证必要性-市场80%模型存在问题
- 交叉验证cross validation
- 混淆矩阵
- ROC曲线
- PSI（population stability index）模型稳定性
- 基尼系数GINI index-模型区分能力指标
- KS（kolmogorov-smirnoff）-模型区分能力指标
SHAP（SHapley Additive exPlanations）机器学习可解释神器
- 我们的疑惑，不同算法变量重要性不一致？
- SHAP-机器学习可解释性算法介绍_优点及缺点
- 乳腺癌细胞shap变量解释性分析
非平衡样本数据imbalanced data
- 非平衡数据是什么？对模型有什么坏处？
- 解决非平衡数据方法（欠采样，过采样，SMOTE）
- SMOTE非平衡数据python脚本演示
stacking融合模型-kaggle夺冠大杀器
- stacking融合模型原理介绍
- stacking融合模型accuracy有显著提升
- stacking融合模型的AUC是否有提升？
- stacking融合模型f1分数显著提升
- stacking融合模型绘制决策域decision region
- 使用概率值作为元-特征训练-模型性能得到第五次提升
- stacking融合模型和gridsearch网格调参
- stacking融合模型和机器学习管道pipeline综合应用
Rdkit化学分子溶解度模型
- RDKIT概述-开源化学信息工具包
- Rdkit如何构建化学分子的溶解度预测模型
- conda-forge安装rdkit
- 读取dat格式的化学分子式数据
- smiles字符串形式转换为MOL分子式
- MOL分子结构转换为指纹数字形式
- 随机森林和高斯算法建模
机器学习多分类模型解决方案-multiClass
- 红酒多分类模型项目实战
- 多分类模型AUC计算和ROC可视化（选修）
医药信息检索工具
- FDA美国食药监局
- WHO世界卫生组织
- YouTube-基于机器学习算法的视频检索
- 维基百科-开源检索工具
- 医学美图
附录
- 显微镜下癌细胞