【中文普通话】5小时机器学习课程（2023年）

《机器学习基础，线性回归，逻辑回归，朴素贝叶斯，KNN算法，K均值，主成分分析，聚类》 由Satyendra Singh（NCFM和NSIM认证）技术分析师、研究分析师和投资组合经理创建 MP4 | 视频：h264，1280×720 | 音频：AAC，44.1 KHz，2通道 类型：在线学习 | 语言：英语 | 时长：14讲座（4小时57分钟）| 大小：2.64 GB

机器学习基础知识、线性回归、逻辑回归、朴素贝叶斯、KNN算法、K均值、主成分分析、聚类

你将学到什么 机器学习的基础知识 线性回归 逻辑回归 KNN算法 聚类 K均值聚类 主成分分析 数据预处理 探索性数据分析 机器学习过程 朴素贝叶斯分类器 监督学习和无监督学习 混淆矩阵 肘部法则 特征缩放 特征缩放 进行预测 将数据分割为训练集和测试集 分类 机器学习准备 普通最小二乘法 准确性

要求 学习者应该了解基本的Python知识

描述 本课程将涵盖以下主题：1. 机器学习基础知识2. 监督学习和无监督学习3. 线性回归4. 逻辑回归5. KNN算法6. 朴素贝叶斯分类器7. 主成分分析8. K均值聚类9. 凝聚聚类10. 将基于线性回归、逻辑回归、朴素贝叶斯、K均值、主成分分析的实际练习11. 每个主题都会有小测验，总共有200道机器学习课程的问题我们首先学习线性回归，学习如何预测连续变量，包括简单线性回归、多元线性回归、普通最小二乘法、模型测试、R平方和调整后的R平方等内容。我们将全面了解逻辑回归，这是目前最流行的分类模型。我们将学习最大似然估计、特征缩放、混淆矩阵、准确率等内容，并构建你的第一个逻辑回归模型。我们将学习朴素贝叶斯分类器，深入了解贝叶斯定理以及在机器学习中的实现。这可以用于垃圾邮件过滤、文本分析、推荐系统等领域。我们将学习KNN算法的工作原理、计算KNN距离矩阵、闵可夫斯基距离以及KNN在实际行业中的应用实例。我们还将学习主成分分析、K均值聚类、凝聚聚类等无监督学习的内容。除了机器学习的监督和无监督学习部分，我们还将学习数据读取、数据预处理、探索性数据分析、数据缩放、训练和测试数据的准备，以及机器学习模型的选择、实现和预测。

适合人群 对数据科学感兴趣的任何人 数据科学专业人员 机器学习工程师 希望将机器学习应用于简历或职业工具箱的学习者