慕课-西安工商学院

机器学习基础_天津现代职业技术学院

课程类型：选修课

发布时间：2024-11-27 11:31:47

主讲教师：

课程来源：

建议学分：0.00分

课程编码：mk004989

课程介绍

课程目录

教师团队

{1}--项目一项目环境的准备

[1.1.1]--1.1.1概述.mp4 （11分钟）

[1.1.2]--1.1.2机器学习发展简史.mp4 （2分钟）

[1.1.3]--1.1.3机器学习的一般步骤.mp4 （10分钟）

[1.1.4]--1.1.4机器学习的主要任务.mp4 （3分钟）

[1.1.5]--1.1.5模型评估.mp4 （3分钟）

[1.1.6]--1.1.6如何选择合适的算法.mp4 （4分钟）

[1.1.7]--1.1.7关键术语.mp4 （4分钟）

[1.2.1]--1.2.1K近邻.mp4 （4分钟）

[1.2.2]--1.2.2回归.mp4 （2分钟）

[1.2.3]--1.2.3决策树.mp4 （4分钟）

[1.2.4]--1.2.4贝叶斯分类.mp4 （3分钟）

[1.2.5]--1.2.5支持向量机.mp4 （2分钟）

[1.2.6]--1.2.6集成学习.mp4 （2分钟）

[1.2.7]--1.2.7聚类.mp4 （2分钟）

[1.2.8]--1.2.8深度神经网络.mp4 （3分钟）

[1.3.1]--1.3.1为什么选用Python.mp4 （3分钟）

[1.3.2]--1.3.2PyCharm、Python开发环境配置.mp4 （9分钟）

[1.3.3]--1.3.3Numpy安装与PyCharm引入.mp4 （4分钟）

[1.4.1]--1.4.1基本知识.mp4 （3分钟）

[1.4.2]--1.4.2机器学习案例电影分类业务.mp4 （5分钟）

{2}--项目二 k近邻回归与分类

[2.1.1]--2.1.1什么是k近邻算法.mp4 （11分钟）

[2.1.2]--2.1.2Python实现K近邻算法.mp4 （17分钟）

[2.1.3]--2.1.3因子K的选择与过拟合问题.mp4 （33分钟）

[2.2.1]--2.2.1项目总流程-葡萄酒数据的准备.mp4 （8分钟）

[2.2.2]--2.2.1应用Pandas读取葡萄酒实验文本数据.mp4 （4分钟）

[2.2.3]--2.2.3数据分布可视化分析.mp4 （11分钟）

[2.2.4]--2.2.4数据清洗.mp4 （14分钟）

[2.2.5]--2.2.5数据标准化.mp4 （5分钟）

[2.2.6]--2.2.6k值的选择.mp4 （8分钟）

[2.2.7]--2.2.7构建完整可用的葡萄酒KNN分类器.mp4 （4分钟）

[2.2.8]--2.2.8结果分析.mp4 （1分钟）

{3}--项目三线性回归预测与逻辑回归分类

[3.1.1]--3.1.1基本形式.mp4 （8分钟）

[3.1.2]--3.1.2普通最小二乘法.mp4 （10分钟）

[3.1.3]--3.1.3回归方程评估.mp4 （13分钟）

[3.1.4]--3.1.4欠拟合问题.mp4 （20分钟）

[3.1.5]--3.1.5多重共线性的问题.mp4 （5分钟）

[3.1.6]--3.1.6岭回归.mp4 （12分钟）

[3.2.1]--3.2.1数据的准备.mp4 （8分钟）

[3.2.2]--3.2.2pandas读取数据.mp4 （6分钟）

[3.2.3]--3.2.3使用Matplotlib进行数据可视化分析.mp4 （4分钟）

[3.2.4]--3.2.4特征降维处理.mp4 （11分钟）

[3.2.5]--3.2.5线性回归模型降维分析.mp4 （5分钟）

[3.2.6]--3.2.6多项式特征生成.mp4 （8分钟）

[3.3.1]--3.3.1逻辑回归基本知识.mp4 （5分钟）

[3.3.2]--3.3.2鸢尾花逻辑回归分类.mp4 （8分钟）

[3.3.3]--3.3.3 性能指标ROC和AUC.mp4 （10分钟）

{4}--项目四决策树分类与回归

[4.1.1]--4.1.1概述.mp4 （3分钟）

[4.1.2]--4.1.2决策树归纳算法基本策略.mp4 （10分钟）

[4.1.3]--4.1.3树的划分规则.mp4 （27分钟）

[4.1.4]--4.1.4剪枝处理.mp4 （4分钟）

[4.2.1]--4.2.1决策树分类Python编程.mp4 （8分钟）

[4.2.2]--4.2.2鸢尾花决策树分类深度与过拟合.mp4 （3分钟）

[4.2.3]--4.2.3鸢尾花决策树分类模型与评估.mp4 （2分钟）

[4.3.1]--4.3.1决策树回归Python编程.mp4 （12分钟）

[4.3.2]--4.3.2波士顿房价决策树回归深度与过拟合.mp4 （3分钟）

[4.3.3]--4.3.3波士顿房价决策树回归模型预测与评估.mp4 （4分钟）

{5}--项目五贝叶斯分类

[5.1.1]--5.1.1概述.mp4 （7分钟）

[5.1.2]--5.1.2贝叶斯推断.mp4 （18分钟）

[5.1.3]--5.1.3朴素贝叶斯推断.mp4 （11分钟）

[5.2.1]--5.2.1高斯朴素贝叶斯.mp4 （7分钟）

[5.2.2]--5.2.2鸢尾花分类Python编程.mp4 （3分钟）

[5.3.1]--5.3.1多项式朴素贝叶斯.mp4 （3分钟）

[5.3.2]--5.3.2垃圾邮件贝叶斯过滤分类.mp4 （4分钟）

[5.3.3]--5.3.3数据准备与停词表准备.mp4 （11分钟）

[5.3.4]--5.3.4中文切分与字符过滤及停词处理.mp4 （3分钟）

[5.3.5]--5.3.5获取全部训练集中单词列表和频次最高的单词集.mp4 （2分钟）

[5.3.6]--5.3.6获取高频词数据集在邮件中的频次.mp4 （4分钟）

[5.3.7]--5.3.7MultinomialNB创建贝叶斯模型训练数据.mp4 （3分钟）

[5.3.8]--5.3.8MultinomialNB实现未知邮件分类预测.mp4 （5分钟）

{6}--项目六支持向量机

[6.1.1]--6.1.1基本原理.mp4 （11分钟）

[6.1.2]--6.1.2线性可分与线性不可分.mp4 （9分钟）

[6.1.3]--6.1.3鸢尾花SVM线性可分与不可分二分类实现.mp4 （3分钟）

[6.1.4]--6.1.4硬间隔与软间隔.mp4 （10分钟）

[6.1.5]--6.1.5GridSearchCV自动优选超参数.mp4 （8分钟）

[6.2.1]--6.2.1数据的准备与业务分析.mp4 （7分钟）

[6.2.2]--6.2.2手写数据图片可视化显示.mp4 （2分钟）

[6.2.3]--6.2.3GridSearchCV寻找高斯核最优参数.mp4 （6分钟）

[6.2.4]--6.2.4数字识别模型实现.mp4 （3分钟）

[6.3.1]--6.3.1准备并解析数据.mp4 （7分钟）

[6.3.2]--6.3.2Python获取数据和探查数据.mp4 （10分钟）

[6.3.3]--6.3.3组织需要的数据.mp4 （5分钟）

[6.3.4]--6.3.4数据预处理.mp4 （7分钟）

[6.3.5]--6.3.5建立半导体制造过程智能分类模型.mp4 （4分钟）

[6.3.6]--6.3.6保存训练模型和分类的结果.mp4 （3分钟）

[6.3.7]--6.3.7模型性能分析.mp4 （2分钟）

[6.3.8]--6.3.8模型性能可视化分析.mp4 （7分钟）

{7}--项目七个体学习与集成学习

[7.1]--7.1.1个体学习与集成学习.mp4 （10分钟）

[7.2.1]--7.2.1Bagging基本知识.mp4 （4分钟）

[7.2.2]--7.2.2Python鸢尾花分类编程.mp4 （6分钟）

[7.3.1]--7.3.1随机森林基本知识.mp4 （4分钟）

[7.3.2]--7.3.2随机森林波士顿房价回归预测.mp4 （6分钟）

[7.3.3]--7.3.3随机森林鸢尾花数据两特征组合分类.mp4 （6分钟）

[7.4.1]--7.4.1基本知识.mp4 （5分钟）

[7.4.2]--7.4.2Adaboost鸢尾花数据两特征组合的分类.mp4 （8分钟）

[7.4.3]--7.4.3XGBoost葡萄酒分类.mp4 （6分钟）

{8}--项目八聚类

[8.1.1]--8.1.1聚类基本知识.mp4 （3分钟）

[8.1.2]--8.1.2聚类中主要问题.mp4 （3分钟）

[8.1.3]--8.1.3常用聚类算法.mp4 （7分钟）

[8.2.1]--8.2.1基本知识.mp4 （7分钟）

[8.2.2]--8.2.2K-Means鸢尾花分类流程.mp4 （5分钟）