机器学习技术 阿里云 kindle chm umd 极速 pdf txt 下载

暂无相关简介，正在全力查找中！

项目1 项目环境的准备

任务1.1 项目相关基本概念

1.1.1 概述

1.1.2 机器学简史

1.1.3 机器学般步骤

1.1.4 机器学要任务

1.1.5 模型评估

1.1.6 如何选择合适的算法

1.1.7 项目中关键术语

任务1.2 项目中常用模型

1.2.1 邻

1.2.2 回归

1.2.3 决策树

1.2.4 贝叶斯分类

1.2.5 支持向量机

1.2.6 集成学r/> 1.2.7 聚类

1.2.8 深度神经网络

任务1.3 Python+PyCharm环境配置

1.3.1 为什么选用Python

1.3.2 PyCharm+Python开发环境配置

1.3.3 NumPy安装与PyCharm引入

任务1.4 常用Python分析工具配置

1.4.1 基本知识

1.4.2 第一机器学电影分类业务理解

1.4.3 应用Pandas实现电影分类数据读取

1.4.4 应用Matplotlib实现电影分类数据可视化

1.4.5 应用Sklearn实现电影分类学

1.5 项目复盘

1.6 实练r/>项目2 邻回归与分类

任务2.1 邻算法概述

2.1.1 什么是邻算法

2.1.2 应用Python实现邻算法

2.1.3 值的选择与过拟合问题

任务2.2 邻算法实现葡萄酒分类

2.2.1 葡萄酒数据的准备

2.2.2 应用Pandas读取葡萄酒实验文本数据

2.2.3 数据分布可视化分析

2.2.4 数据清洗

2.2.5 数据标准化

2.2.6 值的选择

2.2.7 构建完整可用的葡萄酒kNN分类器

2.2.8 结果分析

2.3 项目复盘

2.4 实练r/>项目3 线性回归预测与逻辑回归分类

任务3.1 项目准备

3.1.1 线性回归基本知识

3.1.2 普通二乘法

3.1.3 回归方程评估

3.1.4 欠拟合问题

3.1.5 多重共线性问题

3.1.6 岭回归

任务3.2 波士顿房价线性回归预测

3.2.1 数据的准备

3.2.2 应用Pandas读取数据

3.2.3 使用Matplotli行数据可视化分析

3.2.4 特征降维处理

3.2.5 线性回归模型降维分析

3.2.6 多项式特征生成

任务3.3 茑尾花逻辑回归分类

3.3.1 逻辑回归基本知识

3.3.2 鸢尾花逻辑回归分类

3.3.3 性能指标ROC和AUC

3.4 项目复盘

3.5 实练r/>项目4 决策树分类与回归

任务4.1 决策树构造

4.1.1 决策树归纳算法基本策略

4.1.2 树的划分规则

4.1.3 树的剪枝处理

任务4.2 鸢尾花决策树分类

4.2.1 决策树分类Python编程

4.2.2 鸢尾花决策树分类深度与过拟合

4.2.3 鸢尾花决策树分类模型与评估

任务4.3 波士顿房价决策树回归

4.3.1 决策树回归Python编程

4.3.2 波士顿房价决策树回归深度与过拟合

4.3.3 波士顿房价决策树回归模型预测与评估

4.4 项目复盘

4.5 实练r/>项目5 贝叶斯分类

任务5.1 知识准备

5.1.1 概述

5.1.2 贝叶斯推断

5.1.3 朴素贝叶斯推断

任务5.2 鸢尾花GaussianNB分类

5.2.1 高斯朴素贝叶斯

5.2.2 鸢尾花分类Python编程

任务5.3 邮件MultinomialNB分类

5.3.1 多项式朴素贝叶斯

5.3.2 邮件贝叶斯过滤分类

5.3.3 数据准备与停用词表准备

5.3.4 中文切分与字符过滤及停用词处理

5.3.5 获取全部训练集中单词列表和频次的单词集

5.3.6 获取高频词数据集在邮件中的频次

5.3.7 应用MultinomialNB创建贝叶斯模型训练数据

5.3.8 应用MultinomialNB实现未知邮件分类预测

5.4 项目复盘

5.5 实练r/>项目6 支持向量机

任务6.1 知识准备

6.1.1 基本原理

6.1.2 线性可分与线性不可分

6.1.3 二分类实现

6.1.4 硬间隔与软间隔

6.1.5 应用GridSearchCV自动优选超参数

任务6.2 基于SVM手写数字识别技术

6.2.1 数据的准备与业务分析

6.2.2 手写数字图片可视化显示

6.2.3 应用GridSearchCV寻找高斯核参数

6.2.4 数字识别模型实现

任务6.3 半导造过程信息传递判定

6.3.1 准备并解析数据

6.3.2 应用Python读取和探查数据

6.3.3 组织需要的数据

6.3.4 数据预处理

6.3.5 建立半导造过程智能分类模型

6.3.6 保存训练模型和分类的结果

6.3.7 模型性能分析

6.3.8 模型性能可视化分析

6.5 项目复盘

6.6 实练r/>项目7 个体学成学r/> 任务7.1 知识准备

任务7.2 基于kNN学agging应用

7.2.1 Bagging基本知识

7.2.2 Python鸢尾花分类编程

任务7.3 随机森林回归与分类

7.3.1 随机森林基本知识

7.3.2 随机森林波士顿房价回归预测

7.3.3 随机森林鸢尾花数据两特征组合分类

任务7.4 Boosting应用

7.4.1 Boosting基本知识

7.4.2 AdaBoost鸢尾花数据两特征组合分类

7.4.3 XGBoost葡萄酒分类

7.5 项目复盘

7.6 实练r/>项目8 聚类

任务8.1 知识准备

8.1.1 聚类基本知识

8.1.2 聚类中的主要问题

8.1.3 常用聚类算法

任务8.2 基于K-Means鸢尾花分类

8.2.1 基本知识

8.2.2 数据读取

8.2.3 构建K-Means分类模型

8.2.4 K-Means模型性能评估

8.2.5 K-Means模型结果可视化

8.3 项目复盘

8.4 实练r/>项目9 深度神经网络

任务9.1 知识准备

9.1.1 深度前馈神经网络

9.1.2 示例：印第安人糖尿病诊断

9.1.3 卷积神经网络

9.1.4 循环神经网络和长短期记忆网络

9.1.5 示例：基于LSTM的国际旅行人数预测

任务9.2 基于CNN的时间戳图像识别

9.2.1 准备数据：从图像中分割时间数字

9.2.2 分析数据：初始化CNN的网络结构

9.2.3 处理数据：训练CNN的网络参数

9.2.4 使用算法：时间戳识别算法

9.2.5 结果分析：测试CNN模型

9.3 项目复盘

9.4 实练r/>

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：机器学习技术在线阅读

在线听书地址：机器学习技术在线收听

在线购买地址：机器学习技术在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！