博客

python数据分析与机器学习实战—79430人已学习



课程介绍




课程风格通俗易懂，真实案例实战。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。 学习收益： 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。


课程收益


课程目标：零基础快速掌握python数据分析与机器学习算法实战，快速入门python最流行的数据分析库numpy,pandas,matplotlib。对于繁琐的机器学习算法，先从原理上进行推导，以算法流程为主结合实际案例完成算法代码,使用scikit-learn机器学习库完成快速建立模型，评估以及预测。结合经典kaggle案例，从数据预处理开始一步步完成整个项目，使大家对如何应用python库完成实际的项目有完整的经验与概念。


讲师介绍


唐宇迪

更多讲师课程


计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。


课程大纲


第1章:人工智能入学指南

1.

AI时代首选Python

9:20

2.

Python我该怎么学

4:21

3.

人工智能的核心-机器学习

10:34

4.

机器学习怎么学？

8:36

5.

算法推导与案例

8:18

第2章:Python科学计算库-Numpy

1.

使用Anaconda安装python环境

13:10

2.

Numpy基础操作（课程所有PPT，数据，代码下载）

10:32

3.

Numpy数组结构

10:41

4.

Numpy矩阵基础

5:55

5.

Numpy常用函数

12:01

6.

Numpy矩阵操作

10:18

7.

复制操作对比

10:49

第3章:Python数据分析处理库-Pandas

1.

Pandas数据读取

11:50

2.

Pandas索引与计算

10:26

3.

Pandas数据预处理实例

13:01

4.

Pandas常用预处理方法

11:11

5.

Pandas自定义函数

7:44

6.

Series基本结构

12:29

第4章:Python可视化库-Matplotlib

1.

Matplotlib完成简易折线图

8:24

2.

Matplotlib子图操作

14:04

3.

Matplotlib条形图与散点图

10:11

4.

Matplotlib柱形图和盒图

10:16

5.

Matplotlib子图细节

6:12

第5章:线性回归算法原理推导

1.

线性回归算法概述

14:23

2.

误差项分析

11:32

3.

似然函数求解

9:35

4.

目标函数推导

9:21

5.

线性回归求解

10:57

第6章:梯度下降策略

1.

梯度下降原理

11:42

2.

梯度下降方法对比

7:20

3.

学习率对结果的影响

6:08

第7章:逻辑回归算法

1.

1-逻辑回归算法原理推导

10:52

2.

2-逻辑回归求解

14:58

第8章:Python实现逻辑回归与梯度下降

1.

案例实战：Python实现逻辑回归任务概述

7:33

2.

案例实战：完成梯度下降模块

12:51

3.

案例实战：停止策略与梯度下降案例

10:55

4.

案例实战：实验对比效果

10:25

第9章:案例实战：信用卡欺诈检测

1.

案例背景和目标

8:31

2.

2-样本不均衡解决方案

10:17

3.

下采样策略

6:35

4.

交叉验证

13:02

5.

模型评估方法

13:05

6.

正则化惩罚

8:09

7.

逻辑回归模型

7:37

8.

混淆矩阵

8:52

9.

逻辑回归阈值对结果的影响

10:00

10.

SMOTE样本生成策略

15:50

第10章:决策树算法

1.

决策树原理概述

12:25

2.

衡量标准-熵

11:03

3.

决策树构造实例

10:08

4.

信息增益率

5:48

5.

决策树剪枝策略

15:31

第11章:集成算法与随机森林

1.

集成算法-随机森林

12:02

2.

特征重要性衡量

13:50

3.

提升模型

11:14

4.

堆叠模型

7:09

第12章:决策树算法实例

1.

案例：决策树涉及参数

11:08

2.

案例：树可视化与sklearn库简介

18:14

3.

案例：sklearn参数选择

11:46

第13章:案例实战：泰坦尼克号获救预测

1.

船员数据分析

6:09

2.

数据预处理

13:35

3.

使用回归算法进行预测

14:30

4.

使用随机森林改进模型

12:56

5.

随机森林特征重要性衡量

10:39

第14章:贝叶斯算法

1.

贝叶斯算法概述

6:58

2.

贝叶斯推导实例

7:37

3.

贝叶斯拼写纠错实例

11:46

4.

垃圾邮件过滤实例

14:09

5.

贝叶斯实现拼写检查器

12:20

第15章:EM算法与GMM实践

1.

EM算法要解决的问题

10:38

2.

隐变量问题

6:16

3.

EM算法求解实例

14:31

4.

Jensen不等式

10:46

5.

GMM模型

9:19

6.

GMM实例

11:50

7.

GMM聚类

9:44

第16章:支持向量机原理推导

1.

支持向量机要解决的问题

10:05

2.

距离与数据的定义

10:33

3.

目标函数

9:41

4.

目标函数求解

11:27

5.

SVM求解实例

13:45

6.

支持向量的作用

11:53

7.

软间隔问题

6:46

8.

SVM核变换

16:51

第17章:SVM调参实战

1.

sklearn求解支持向量机

11:24

2.

SVM参数选择

14:00

第18章:聚类算法-KMEANS

1.

KMEANS算法概述

11:33

2.

KMEANS工作流程

9:42

3.

KMEANS迭代可视化展示

8:19

第19章:聚类算法-DBSCAN

1.

DBSCAN聚类算法

11:03

2.

DBSCAN工作流程

15:03

3.

DBSCAN可视化展示

8:52

第20章:聚类实践

1.

多种聚类算法概述

4:34

2.

聚类案例实战

17:19

第21章:PCA降维算法

1.

PCA降维概述

8:39

2.

PCA要优化的目标

12:21

3.

PCA求解

10:17

4.

PCA降维实例

19:17

第22章:神经网络算法

1.

计算机视觉领域的挑战与机器学习常规套路

9:40

2.

K近邻来进行图像分类任务

10:01

3.

超参数与交叉验证

10:30

4.

线性分类

9:34

5.

损失函数

9:17

6.

神经网络正则化惩罚项

7:19

7.

softmax分类器

13:38

8.

反向传播原理

15:16

9.

神经网络-最优化问题

6:46

10.

神经网络梯度下降原理

11:48

11.

神经网络整体架构

10:11

12.

神经网络实例演示

10:38

13.

过拟合解决方案

15:53

14.

感受神经网络的强大

11:30

第23章:Xgboost集成算法

1.

Xgboost算法概述

11:35

2.

Xgboost模型构造

12:10

3.

Xgboost建模衡量标准

12:07

4.

Xgboost安装

3:31

5.

xgboost实例演示

14:43

第24章:机器学习建模流程与BenchMark

1.

HTTP检测任务与数据挖掘的核心

11:13

2.

论文的重要程度

10:00

3.

BenchMark概述

6:23

4.

BenchMark的作用

13:31

第25章:K近邻算法实战

1.

K近邻算法概述

15:47

2.

模型的评估

10:39

3.

数据预处理

11:25

4.

sklearn库与功能

14:42

5.

多变量KNN模型

16:37

第26章:随机森林实例

1.

随机森林的回归任务

18:30

2.

数据还是多点好

13:24

3.

速度与精度的权衡

13:06

4.

调参策略

17:10

第27章:数据特征

1.

基本数值特征

11:14

2.

常用特征构造手段

13:53

3.

时间特征处理

13:04

4.

文本特征处理

20:24

5.

构造文本向量

11:45

6.

词向量特征

13:55

7.

计算机眼中的图像

5:46

第28章:集成算法实例

1.

集成算法实例概述

10:51

2.

ROC与AUC指标

10:03

3.

基础模型

9:32

4.

集成实例

18:53

5.

Stacking模型

14:16

6.

效果改进

11:09

大家可以点击【

查看详情

】查看我的课程