AI Red

机器学习的准备工作

环境的安装搭建

• tensorflow环境搭建教程

第1章 机器学习介绍

机器学习的典型步骤

• 数据标记和采集
• 数据清洗
• 特征选择
• 模型训练和测试
• 模型性能评估和优化

第2章 Python机器学习软件包

开发环境搭建

• 2.1 开发环境搭建
• 2.2 Ipython简介
• 2.3 Numpy简介
• 2.4 Pandas简介
• 2.5 Matplotlib简介
• 2.6 scikit-learn简介

第3章 机器学习理论基础

• 3.1 过拟合和欠拟合
• 3.2 成本函数
• 3.3 模型准确性
• 3.4 学习曲线
• 3.5 算法模型性能优化
• 3.6 查准率和召回率
• 3.7 F1 Score

第4章 K-近邻算法

• 算法简介
• 4.1 算法原理
• 4.2 K-近邻算法案例介绍
• 4.3 实例：使用 K-近邻算法进行分类
• 4.4 实例：使用 K-近邻算法进行回归拟合

第5章 线性回归算法

• 5.1算法原理
• 5.2多变量线性回归算法
• 5.3模型优化

第6章 逻辑回归算法

• 6.1算法原理
• 6.2多元分类
• 6.3正则化
• 6.4算法参数

第7章 决策树

• 7.1算法原理
• 7.2算法参数
• 7.3算法集合

第8章 支持向量机

• 8.1算法原理
• 8.2核函数
• 8.3scikit-learn里的svm

第9章 朴素贝叶斯算法

• 9.1算法原理
• 9.2概率分布
• 9.3连续值的处理

第10章 pca算法

• 10.1算法原理
• 10.2算法示例
• 10.3pca的数据还原率及应用
• 10.4人脸识别实例

第11章 K-均值算法

• 11.1算法原理
• 11.2scikit-learn里的k-均值算法
• 11.3使用k-均值对文档进行聚类分析
• 11.4聚类算法性能评估
• 3.5 算法模型性能优化
• 3.6 查准率和召回率
• 3.7 F1 Score