|
零基础实战机器学习(Python语言、算法、Numpy库、MatplotLib) 2017年
机器学习作为人工智能的一部分，已经应用于很多领域，远超过人们的想象，垃圾邮件的过滤，在线广告的推荐系统，还有目前发展飞快的物体识别、人脸识别和语音识别的发展，都是机器学习的应用的成果。机器学习在改善商业决策、提高生产率、检测疾病、预测天气等方面都有非常大的应用前景。1 h f' D! i, y, {% G
: F6 v; e: Z) W7 G5 O+ r7 f
1. 课程研发环境. V' O1 W: [; u E
- j0 B% Z. Z2 d$ U5 T+ M
本课程的代码实现是基于Python语言，用到Numpy库和MatplotLib.
开发工具: Python win;
; } h. R+ r3 C3 X1 u
2. 内容简介$ T0 |; F$ n" U% J, g( x- A) X
本教程系统的介绍了机器学习的目的和方法。并且针对每一种常用的方法进行了详细的解析，用实例来说明具体的实现，学生可以跟着一步步完成。在面对现实的问题的时候，可以找到非常可靠的参照。本课程在最开始讲解了Python语言的基础知识，以保证后面的课程中可以顺利进行。更多的Python语言的知识，需要学员自己去找更多的资料进行学习。
本课程主要讲述了两大类机器学习的方法：有监督学习和无监督学习，其中有监督学习里面，又分为分类和预测数值型数据。这些算法都是基础的算法。这样可以降低学习的难度，容易理解机器学习思路和实现的过程。0 D2 G5 \/ h: P
老王：16年软件发工作经历，2年知名软件培训机构专职讲师经历、曾任项目经理、教学主管多年，在Window系统、移动平台的应用软件研发、人工智能的应用领域有很深的造诣。, m" {! |' K, R$ o
第一章 机器学的任务和方法1-2.mp46 D* {6 e1 ^& q _6 U) a& S
第二章 Python语言基础1-6.mp4
第二章 Python语言基础7-13.mp4
第三章 分类算法介绍1.mp4
第四章 k-临近算法1-7.mp48 o+ t1 {1 ^0 v7 v& e5 v9 F; J' K
第五章 决策树1-5.mp4
第六章 基于概率论的分类方法：朴素贝叶斯1-6.mp4
第七章 Logistic回归1-6.mp4
第八章 支持向量机1-8.mp4
第九章 利用AdaBoost元算法提高分类性能1-5.mp4
第十章 利用回归预测数值型数据1-5.mp4' n2 i7 R8 a6 z0 ]- n: }* v/ H
第十一章 树回归1-3.mp45 A' V8 ]" D8 j! Q; P
第十二章 无监督学习1.mp4
第十三章 利用K-均值聚类算法对未标注数据分组1-2.mp4
第十四章 使用Apriori算法进行关联分析1-3.mp48 P' h# K: v) d# ~$ g$ j0 i( O
第十五章 使用FP-growth算法来高效发现频分项集1-3.mp4
第十六章 利用PCA来简化数据1-2.mp4
第十七章 利用SVD简化数据1-3.mp45 _1 }' I7 R+ d1 r
第十八章 大数据与MapReduce1.mp4
第十九章 学习总结.mp4
资料包
! K& f" W7 E6 m/ t% s9 W# H( G
下载地址:
| 
发表于 2018-6-16 10:34:02
发表于 2018-8-2 10:25:47
