使用Python进行机器学习：数学视角

分类、聚类、回归分析，机器学习：三种不同类型的机器学习、基本术语和符号介绍、构建机器学习系统的路线图、使用 Python 进行机器学习训练简单的机器学习分类算法、人工神经元 – 早期的简要介绍机器学习的历史、在 Python 中实现感知学习算法、自适应线性神经元和学习的收敛使用 scikit-learn 的机器学习分类器之旅、选择分类算法、使用 scikit-learn 的第一步 – 训练感知器、建模课程通过逻辑回归计算概率、使用支持向量机进行最大边缘分类、使用内核 SVM 解决非线性问题、决策树学习、K 最近邻 – 惰性学习算法。数据预处理、超参数调整：构建良好的训练集、处理缺失数据、处理分类数据、将数据集划分为单独的训练集和测试集、将特征置于同一尺度、选择有意义的特征、使用随机森林评估特征重要性、压缩数据通过降维、通过主成分分析进行无监督降维、通过线性判别分析进行监督数据压缩、使用核主成分分析进行非线性映射、学习模型评估和超参数调整的最佳实践、通过管道简化工作流程、使用 k 折交叉验证以评估模型性能。回归分析：预测连续目标变量、引入线性回归、探索住房数据集、实现普通最小二乘线性回归模型、使用 RANSAC 拟合稳健回归模型、评估线性回归模型的性能、使用正则化回归方法、将将线性回归模型转化为曲线 – 多项式回归 使用随机森林处理非线性关系，处理未标记数据 – 聚类分析，使用 k 均值按相似性对对象进行分组，将聚类组织为分层树，通过 DBSCAN 多层人工定位高密度区域神经网络和深度学习：使用人工神经网络对复杂函数进行建模、对手写数字进行分类、训练人工神经网络、关于神经网络的收敛、关于神经网络实现的最后几句话、使用张量流并行化神经网络训练、张量流程和训练表现，Machine Learning with Python: A Mathematical Perspective

由 Amol Prakash Bhagat 博士创建
MP4 | 视频：h264，1280×720 | 音频：AAC、44.1 KHz、2 Ch
类型：电子学习 | 语言： 英语 | 持续时间：42 场讲座 (21小时 18分钟) | 大小：5.32 GB 含课程文件

您将学到什么
机器学习的概念、技术和构建模块
用于建模和评估的数学
用于监督机器学习的各种分类和回归算法
用于无监督机器学习的各种聚类算法
强化学习的概念

要求
无需编程经验。你将学到你需要知道的一切