机器学习课程
1.
机器学习概述
1.1.
人工智能概述
1.2.
什么是机器学习
1.3.
机器学习算法分类
1.4.
机器学习开发流程
1.5.
学习框架和资料介绍
2.
特征工程
2.1.
数据集
2.2.
特征工程介绍
2.3.
特征抽取
2.4.
特征预处理
2.5.
特征降维
2.6.
主成分分析
2.7.
总结
2.8.
每日作业
3.
分类算法
3.1.
数据集介绍与划分
3.2.
sklearn转换器和估计器
3.3.
K-近邻算法
3.4.
模型选择与调优
3.5.
朴素贝叶斯算法
3.6.
决策树
3.7.
集成学习方法之随机森林
3.8.
总结
3.9.
每日作业
4.
回归与聚类算法
4.1.
线性回归
4.2.
欠拟合与过拟合
4.3.
线性回归的改进-岭回归
4.4.
分类算法-逻辑回归与二分类
4.5.
模型保存和加载
4.6.
无监督学习-K-means算法
4.7.
总结
4.8.
每日作业
Published with GitBook
机器学习算法课程定位、目标
每日作业
1、估计器的工作流程是什么?
答案:
第一步: 实例化估计器
第二步: 调用估计器的fit函数, 用训练集的特征值和目标值训练
第三步: 调用预测函数predict, 用测试集的特征值预测
2、决策树的划分依据是什么?(课程介绍的主要方法)
答案: 更具信息增益最大的属性划分.
3、编程: 通过K近邻算法对鸢尾花数据集进行分类预测