機器學習

第一章：機器學習基礎

01 機器學習 → B站視頻鏈接

第二章：監督學習

B站視頻鏈接

01 感知機

02 感知機原始形式(鳶尾花分類)

03 感知機對偶形式(鳶尾花分類)

04 線性回歸

05 scikit-learn庫之線性回歸

06 普通線性回歸(波斯頓房價預測)+特征選擇

07 多元線性回歸(波士頓房價預測)

08 多項式回歸(波士頓房價預測)

09 對數線性回歸(波士頓房價預測)

10 正則化線性回歸(波士頓房價預測)

11 RANSAC算法線性回歸(波斯頓房價預測)

12 Logistic(邏輯)回歸

13 Softmax回歸

14 scikit-learn庫之邏輯回歸

15 Logistic回歸(鳶尾花分類)

16 k近鄰算法

17 kd樹

18 scikit-learn庫之k近鄰算法

19 k近鄰算法(鳶尾花分類)

20 kd樹(鳶尾花分類)

21 決策樹ID3算法

22 決策樹C4.5算法

23 決策樹CART算法

24 決策樹總結

25 scikit-learn庫之決策樹

26 決策樹(鳶尾花分類)

27 朴素貝葉斯

28 scikit-learn庫之線朴素貝葉斯

29 朴素貝葉斯(垃圾郵件分類)

30 線性可分支持向量機

31 線性支持向量機

32 線性支持向量機(鳶尾花分類)

33 非線性支持向量機

34 非線性支持向量機(鳶尾花分類)+自定義數據分類

35 scikit-learn庫之支持向量機

36 支持向量回歸

37 支持向量機總結

第三章：無監督學習 B站視頻鏈接

01 K-Means聚類算法

第四章：集成學習

01 集成學習基礎

02 AdaBoost算法

03 scikit-learn庫之AdaBoost算法

04 AdaBoost算法代碼(鳶尾花分類)

05 提升樹

06 梯度提升樹

07 scikit-learn庫之梯度提升樹

08 梯度提升算法代碼(鳶尾花分類)

09 XgBoost算法

10 Bagging和隨機森林

11 隨機森林代碼(葡萄酒質量檢測)

12 scikit-learn庫之隨機森林

第五章：特征工程

01 特征預處理

02 特征選擇

03 主成分分析(PCA)

04 scikit-learn庫之主成分分析

05 主成分分析代碼(手寫數字識別)

06 模型選擇

第六章：深度學習 B站視頻鏈接

01 DeepLearning-圖像識別

第七章：推薦系統

01 推薦系統常用度量指標

02 基於協同過濾的推薦算法

第八章：sklearn實戰

01 課程習得

02 通過線性回歸了解算法流程

03 機器學習算法原理

04 細分構建機器學習應用程序的流程-流程簡介

05 細分構建機器學習應用程序的流程-數據收集

06 細分構建機器學習應用程序的流程-數據預處理

07 細分構建機器學習應用程序的流程-訓練模型

08 細分構建機器學習應用程序的流程-測試模型

09 細分構建機器學習應用程序的流程-模型優化

第九章：tensorflow實戰

01 Tensorflow1基本使用

附錄A：優化算法

01 最小二乘法

02 梯度下降法

03 牛頓法和擬牛頓法

04 坐標軸下降法

05 前向選擇法和前向梯度法

06 最小角回歸法

07 前向分步算法

08 拉格朗日對偶性

09 算法【線性回歸】 → B站視頻鏈接(P1-P6)

附錄B：數學

01 微積分-Sigmoid函數

02 微積分-sign(符號)函數

03 概率論-常見的概率分布模型

04 概率論-條件概率

05 概率論-極大似然估計

06 概率論-熵和信息增益

07 概率論-貝葉斯決策

08 線性代數-矩陣轉置

09 線性代數-范數

10 線性代數-距離公式匯總

11 經濟學-基尼指數

附錄C：項目

01 手寫數字識別

02 推薦系統

機器學習項目

01 模型【數據集】 → B站視頻鏈接(P1-P5)

02 模型【訓練模型】 → B站視頻鏈接(P6-P8)

03 模型【優化模型】 → B站視頻鏈接(

04 模型【持久化模型】 → B站視頻鏈接(P1-P5)