单元1 使用简单线性回归模型预测广告投入的收益
1.1 简单线性回归介绍
1.2 读取数据集
1.3 数据相关性分析
1.4 数据处理
1.5 数据归一化处理
1.6 定义损失函数
1.7 定义梯度下降函数
1.8 训练模型
1.9 简单线性模型损失
1.10 绘制w，b的轮廓图形
单元2 使用多元线性回归模型预测广告投入的收益
2.1 多元线性回归介绍
2.2 读取数据集
2.3 生成训练集和测试集
2.4 反归一化
2.5 定义损失函数、MSE均方差损失函数
2.6 定义梯度下降函数
2.7 定义模型并训练
2.8 计算损失
单元3 使用Scikit-learn库来实现回归
3.1 Scikit-learn基本知识
3.2 加载数据集
3.3 数据归一化
3.4 数据预处理
3.5 使用sklearn建立LinearRegression模型
3.6 LinearRegression模型预测及误差
3.7 绘制拟合曲线
单元4 使用Scikit-learn库来实现多项式回归
4.1 多项式回归简介
4.2 数据预处理
4.3 使用多项式线性回归预测广告投入的收益
4.4 训练模型
4.5 绘制拟合曲线
单元5 使用岭回归预测房价
5.1 过拟合和欠拟合
5.2 L1、L2正则化
5.3 房价数据集的读取
5.4 处理标签值
5.5 类型特征one-hot编码
5.6 房价数据集缺失数据处理
5.7 房价数据集归一化处理
5.8 建立岭回归房价预测模型
5.9 使用交叉验证集来获取房价预测模型的最优参数
单元6 使用逻辑回归预测共享单车用量
6.1 数据加载与显示
6.2 季节性数据的可视化分析
6.3 天气数据、假期数据的可视化分析
6.4 时间数据的处理
6.5 特征化向量
6.6 数据预处理
6.7 建立模型
单元7 逻辑回归和决策边界
7.1 机器学习分类
7.2 逻辑回归
7.3 决策边界
7.4 逻辑回归损失函数
7.5 线性决策边界代码实现
7.6 非线性决策边界代码实现
单元8 使用逻辑回归实现心脏病患者分类
8.1 数据加载与显示
8.2 数据分析
8.3 特征数据处理
8.4 逻辑回归建模
8.5 模型测试
8.6 使用sklearn实现逻辑回归
8.7 使用网格搜索做超参数调优
8.8 逻辑回归模型的衡量指标
8.9 逻辑回归评价指标
单元9 k-means，DBSCAN聚类算法
9.1 k-means算法流程
9.2 k-means算法实现
9.3 k-means算法的不稳定性
9.4 DBSCAN聚类算法
9.5 DBSCAN聚类算法实现
9.6 使用k-means算法完成图像分割
单元10 使用决策树完成莺尾花分类问题
10.1 决策树
10.2 信息熵
10.3 信息增益
10.4 计算信息增益
10.5 使用决策树完成鸢尾花分类的代码实现
10.6 鸢尾花分类效果的可视化
10.7 鸢尾花分类的概率估计
10.8 鸢尾花分类的过拟合
10.9 决策树对数据的敏感性
单元11 使用支持向量机完成鸢尾花分类
11.1 支持向量机原理
11.2 线性可分支持向量机
11.3 非线性支持向量机
11.4 线性可分、线性不可分、非线性支持向量机的区别
单元12 使用贝叶斯算法完成垃圾邮件分类
12.1 贝叶斯算法原理介绍
12.2 贝叶斯算法常用的三个模型
12.3 垃圾邮件分类
单元13 使用词向量Word2Vec算法自动生成诗词
13.1 Word2Vec算法概述
13.2 Word2Vec算法的实现
13.3 Word2Vec模型
13.4 生成Word2Vec数据
13.5 训练Word2Vec模型
13.6 Word2Vec算法的代码实现
展开
