Logo
☆☆☆☆☆
0.0
Intermediate
5h

使用 Scikit-Learn 进行机器学习实战

Scikit-Learn 是一个功能强大的库，提供了多种监督学习和无监督学习算法。如果你认真考虑在机器学习领域发展职业，那么掌握 Scikit-Learn 是必不可少的。 在本课程中，你将首先学习 Scikit-Learn 提供的各种内置数据集，例如 iris 和 mnist。接着，你将了解特征工程，特别是特征选择、特征提取以及降维技术。 在课程的后半部分，你将深入学习线性回归和逻辑回归，并通过若干练习来检验自己的理解程度。最后，你将重点学习无监督学习和深度学习，内容涵盖 K 均值聚类和神经网络。 完成本课程后，你将掌握一项全新的实用技能，可以添加到简历中，并具备能力开始独立开展使用 Scikit-Learn 的实际项目。

12 Lessons
Included in Subscription Plan
Personalized Learning
Powered by AI
View Courses in Subscription
使用 Scikit-Learn 进行机器学习实战
Scikit-Learn 是一个功能强大的库，提供了多种监督学习和无监督学习算法。如果你认真考虑在机器学习领域发展职业，那么掌握 Scikit-Learn 是必不可少的。 在本课程中，你将首先学习 Scikit-Learn 提供的各种内置数据集，例如 iris 和 mnist。接着，你将了解特征工...

Content

12 Lessons • 0 Quizzes • 0 Challenges

预备知识
  1. 1

    简介

  2. 2

    前置条件

处理数据集
  1. 1

    加载内置数据集

  2. 2

    生成合成数据集

  3. 3

    数据预处理

特征工程
  1. 1

    特征选择

  2. 2

    特征提取

  3. 3

    缺失值

  4. 4

    主成分分析（PCA）

  5. 5

    流水线

通用概念
  1. 1

    指标

  2. 2

    参数搜索

  3. 3

    测验

线性回归
  1. 1

    线性回归

  2. 2

    挑战 - 汽车保险预测

  3. 3

    挑战题解答回顾

逻辑回归
  1. 1

    逻辑回归

  2. 2

    挑战 - 带有数据预处理的分类预测

  3. 3

    挑战题解答回顾

支持向量机
  1. 1

    支持向量机

  2. 2

    挑战 - 非线性数据的分类

  3. 3

    挑战题解答回顾

树模型与集成方法
  1. 1

    决策树

  2. 2

    梯度提升树

  3. 3

    挑战 - GBDT 参数调优

  4. 4

    挑战题解答回顾

  5. 5

    随机森林

无监督学习
  1. 1

    K均值聚类

  2. 2

    t-SNE

深度学习
  1. 1

    神经网络

  2. 2

    挑战 - 构建一个神经网络并对其进行微调

  3. 3

    挑战题解答回顾

朴素贝叶斯与 K 近邻（KNN）
  1. 1

    朴素贝叶斯

  2. 2

    KNN（K-近邻算法）

  3. 3

    测验

下一步是什么
  1. 1

    接下来该往哪里走？

Certificate of Completion

Showcase your accomplishment by sharing your certificate of completion.

Course Author:Anonymous User

Reviews

Read reviews from students who have taken this course and share your own experience.

Reviews & Comments (0)