机器学习
本课程从机器学习的基本知识导入，讲述数据清洗，特征选择，建模，模型评估和优化，模型选择的基本流程。并讲述了常用的线性回归，逻辑分类，决策树，随机森林，K-近邻，支持向量机以及K-均值聚类算法等，讲解算法的基本原理，结合案例和Python库讲解如何应用算法，以及对应的场景和注意事项。
课程大纲
第一章 机器学习概论
第1节 机器学习简介
第2节 机器学习的方法
第3节 模型评估与模型选择
第二章 Python简介
第1节 python介绍和平台搭建
第2节 Python基本语法
第3节 Python数据挖掘
第4节 实验
第三章 关联分析
第1节 Apriori算法
第2节 FP-growth算法
第四章 无监督学习方法
第1节 聚类分析
第2节 常用聚类分析方法
第3节 Python语言主要聚类分析算法函数
第4节 聚类分析应用举例
第五章 有监督学习方法（回归问题）
第1节 kNN（k-最近邻）方法
第2节 线性回归
第3节 Logistic回归
第六章 有监督学习（分类问题）
第1节 决策树模型
第2节 支持向量机
第3节 贝叶斯分类器
第七章 机器学习方法进阶
第1节 集成学习
第2节 神经网络与深度学习
第八章 机器学习方法应用综合实验案例
第1节 通讯运营商客户流失案例之单模型分析
第2节 通讯运营商客户流失案例之集成模型分析
课件资源
-
视频数
52 -
文档数
2 -
题目数
149 -
实验数
40
