构造文本向量_Python数据分析与机器学习实战-CSDN在线视频培训

人工智能入学指南
- 课程整体介绍
- AI时代首选Python
- Python我该怎么学
- 人工智能的核心-机器学习
- 机器学习怎么学？
- 算法推导与案例
机器学习建模流程与BenchMark
- HTTP检测任务与数据挖掘的核心
- 论文的重要程度
- BenchMark概述
- BenchMark的作用
Python科学计算库-Numpy
- 课程环境配置（所有课程数据代码PPT下载------------>）
- Numpy工具包概述
- 数组结构
- 属性与赋值操作
- 数据索引方法
- 数值计算方法
- 排序操作
- 数组形状
- 数组生成常用函数
- 随机模块
- 读写模块
python数据分析处理库-Pandas
- Pandas工具包使用简介
- 数据信息读取与展示
- 索引方法
- groupby函数使用方法
- 数值运算
- merge合并操作
- pivot数据透视表
- 时间操作
- apply自定义函数
- 常用操作
- 字符串操作
Python数据可视化库-Matplotlib
- Matplotlib概述
- 子图与标注
- 风格设置
- 条形图
- 条形图细节
- 条形图外观
- 盒图绘制
- 盒图细节
- 绘图细节设置
- 绘图细节设置
- 直方图与散点图
- 3D图绘制
- pie图
- 子图布局
- 结合pandas与sklearn
线性回归算法原理推导
- 回归问题概述
- 误差项定义
- 独立同分布的意义
- 似然函数的作用
- 参数求解
梯度下降策略
- 梯度下降通俗解释
- 参数更新方法
- 优化参数设置
逻辑回归算法
- 逻辑回归算法原理
- 化简与求解
项目实战-交易数据异常检测
- 任务目标解读
- 项目挑战与解决方案制定
- 数据标准化处理
- 下采样数据集制作
- 交叉验证
- 数据集切分
- 模型评估方法与召回率
- 正则化惩罚项
- 训练逻辑回归模型
- 混淆矩阵评估分析
- 测试集遇到的问题
- 阈值对结果的影响
- SMOTE样本生成策略
- 过采样效果与项目总结
决策树算法
- 决策树算法概述
- 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
决策树实例
- 决策树复习
- 决策树涉及参数
- 树可视化与sklearn库简介
- sklearn参数选择
集成算法与随机森林
- 集成算法-随机森林
- 特征重要性衡量
- 提升模型
- 堆叠模型
案例实战：集成算法建模实战
- 集成算法实例概述
- ROC与AUC指标
- 基础模型
- 集成实例
- Stacking模型
- 效果改进
贝叶斯算法
- 贝叶斯算法概述
- 贝叶斯推导实例
- 贝叶斯拼写纠错实例
- 垃圾邮件过滤实例
项目实战-新闻数据集分类任务
- 新闻数据与任务概述
- 中文分词与停用词过滤
- 文本关键词提取
- 词袋模型
- 贝叶斯建模结果
- TF-IDF特征分析对比
支持向量机算法原理推导
- 支持向量机要解决的问题
- 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
SVM算法中参数对结果的影响
- 线性支持向量机
- 软间隔C值对结果的影响
- 模型复杂度的权衡
- 人脸识别实例
走进深度学习-神经网络算法
- 深度学习要解决的问题
- 深度学习应用领域
- 计算机视觉任务
- 视觉任务中遇到的问题
- 9-得分函数
- 损失函数的作用
- 1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
聚类算法-Kmeans
- KMEANS算法概述
- KMEANS工作流程
- KMEANS迭代可视化展示
聚类算法-DBSCAN
- DBSCAN聚类算法
- DBSCAN工作流程
- DBSCAN可视化展示
案例实战：聚类算法实验分析
- Kmenas算法常用操作
- 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
- 1半监督学习
- DBSCAN算法
自然语言处理词向量模型-Word2Vec
- 自然语言处理与深度学习
- 语言模型
- N-gram模型
- 词向量
- 神经网络模型
- Hierarchical Softmax
- CBOW模型实例
- CBOW求解目标
- 梯度上升求解
- 负采样模型
使用Gensim库构造中文维基百度数据词向量模型
- 使用Gensim库构造词向量
- 维基百科中文数据处理
- Gensim构造word2vec模型
- 测试模型相似度结果
综合项目实战-商品销售额回归分析
- 数据任务分析
- 特征工程制作
- 统计指标生成
- 特征信息提取
- 标签变换
- 输入数据制作
- Xgboost训练模型
- 生成输出结果
特征工程-常用特征构建方法
- 基本数值特征
- 常用特征构造手段
- 时间特征处理
- 文本特征处理
- 构造文本向量
- 词向量特征
- 计算机眼中的图像
项目实战-基于随机森林的气温预测
- 基于随机森林的气温预测任务概述
- 基本随机森林模型建立
- 可视化展示与特征重要性
- 加入新的数据与特征
- 数据与特征对结果的影响
- 1效率对比分析
- 网格与随机参数选择
- 随机参数选择方法实践
- 调参优化细节
Xgboost提升算法
- Xgboost算法概述
- Xgboost模型构造
- Xgboost建模衡量标准
Xgboost调参实例
- Xgboost安装
- 保险赔偿任务概述
- Xgboost参数定义
- 基础模型定义
- 树结构对结果的影响
- 学习率与采样对结果的影响
K近邻算法实战
- K近邻算法概述
- 模型的评估
- 数据预处理
- sklearn库与功能
- 多变量KNN模型
降维算法-主成分分析
- 1-PCA基本概念
- 2-方差与协方差
- PCA结果推导
- PCA降维实例
降维算法-线性判别分析
- 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
- 实现线性判别分析进行降维任务
- 求解得出降维结果

课时介绍

构造文本向量

课程介绍

Python数据分析与机器学习实战教程，该课程精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家入门机器学习。学完该课程即可： 1.掌握Python数据科学工具包，包括矩阵数据处理与可视化展示。 2.掌握机器学习算法原理推导，从数学上理解算法是怎么来的以及其中涉及的细节。 3.掌握每一个算法所涉及的参数，详解其中每一步对结果的影响。 4.熟练使用Python进行建模实战，基于真实数据集展开分析，一步步完成整个建模实战任务。