【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
隐藏内容需要支付:¥27
立即购买 升级VIP

You may also like...

发表回复