课程介绍

注意0：欲购买此课程，获取安全购买链接，索要正版授权学习平台账号，务必加咨询QQ：2536379620
注意1：由于编码原因，试听课程视频画面清晰度不如最终购买的视频。最终购买视频的画面清晰度可参见以下两张图。图1   图2
注意2：正版良心视频，购买后有机会和原作者直接短暂技术交流。

本课程以最新的Python 3讲解，同时适用于Windows、Mac OS X和Linux系统。
Scikit-learn(sklearn)的定位是通用机器学习库，而TensorFlow(tf)的定位主要是深度学习库。一个显而易见的不同：tf并未提供sklearn那种强大的特征工程，如维度压缩、特征选择等。
深入讲解使用Python作为开发语言。涵盖了scikit-learn的核心知识点，包括但不限于预测的基本方法、k-临近算法、线性回归算法、梯度下降算法、决策树、支持向量机、朴素贝叶斯算法、PCA等。课程以实战为核心，每一个知识点都进行了深入讲解，并配有实战代码。同时本课程会提供完整的源代码以便学员演练。
课程特色
四大主要特色
1.通俗易懂，快速入门
对scikit-learn的各个知识点的进行了理论讲解，并辅以实战演练
2.Python主导，易用高效
Python是目前最火的计算机编程语言之一，由于Python本身简单易学、第三方库众多等特性被广泛用于机器学习等领域。
3 .内容全面，实战为主
课程以大量的实战案例为主导讲解如何使用scikit-learn库中的API实践各种机器学习模型，并配有大量的实战案例块。
4.持续更新，一劳永逸
本课程会一直持续更新下去，不断补充关于scikit-learn库的各种知识点和技巧。

适合人群

python程序员,机器学习工程师,人工智能工程师,机器学习爱好者

课程大纲

章节1:对机器学习的正确认识
课时1视频人工智能、机器学习和深度学习的关系39:19                免费试听
课时2视频机器学习需要哪些工具15:03
课时3文本源代码和其他资源下载
课时4视频Jupyter Notebook简介与安装06:23
课时5视频使用Jupyter Notebook07:58
课时6视频远程访问Jupyter Notebook04:48
章节2:项目实战：预测人们的幸福指数
课时7视频项目简介02:01
课时8视频训练线性模型，并预测幸福指数46:14
课时9视频机器学习的主要挑战06:24
章节3:项目实战：预测房价
课时10视频准备训练数据09:33
课时11视频查看和可视化数据集06:10
课时12视频准备训练集和测试集09:18
课时13视频用更完美的方式产生训练集和测试集24:28
课时14视频用sklearn API拆分训练集和测试集08:12
课时15视频分层抽样12:33
课时16视频通过可视化地理数据寻找模式11:26
课时17视频用两种方法检测属性之间的相关度19:56
课时18视频为房屋数据集添加新属性，并计算与房屋均价的相关度08:02
课时19视频清理数据：用转换器填补缺失值11:47
课时20视频将文本类型属性转换为数值19:30
课时21视频自定义转换器16:14
课时22视频数据转换管道（pipeline）17:42
课时23视频选择、训练模型以及预测房价17:29
课时24视频评估模型的性能17:35
课时25视频用交叉验证评估和选择模型11:37
章节4:项目实战：识别手写数字
课时26视频项目概述04:34
课时27视频使用sklearn内置的图像数据10:21
课时28视频使用fetch_mldata函数获取MNIST图像数据集09:31
课时29视频直接读取mat格式的MNIST图像数据集06:04
课时30视频将多张图像文件合成一个图像22:10
课时31视频对数字图像进行二元分类08:28
课时32视频使用K-fold交叉验证法评估分类器模型的性能16:10
课时33视频使用混淆矩阵评估分类器模型的性能18:41
课时34视频用精度、召回率和F1分数评估分类模型18:13
课时35视频调整阈值得到不同的精度和召回率37:21
课时36视频ROC曲线与模型评估13:57
课时37视频比较随机森林分类器和梯度下降分类器的ROC曲线17:09
课时38视频多类别分类器27:44
课时39视频通过对特征值进行转换提高分类效果07:55
课时40视频通过分析错误类型改进分类模型15:36
课时41视频多标签分类17:39
课时42视频去除图像噪声10:58
章节5:k-邻近算法
课时43视频实现原理15:10
课时44视频用k-邻近算法进行分类24:58
课时45视频用k-邻近算法进行预测14:21
课时46视频绘制拟合曲线08:39
章节6:项目实战：用k-邻近算法预测糖尿病
课时47视频准备训练数据和测试数据09:22
课时48视频比较和选择分类模型11:46
课时49视频训练模型与预测糖尿病08:41
课时50视频绘制学习曲线16:05
课时51视频选择相关特征与数据可视化14:10
章节7:线性回归算法
课时52视频线性回归都讲了什么05:30
课时53视频线性回归模型概述10:56
课时54视频使用标准方程进行线性回归拟合23:36
课时55视频梯度下降算法原理20:01
课时56视频批量梯度下降20:49
课时57视频比较不同学习率的迭代效果19:38
课时58视频随机梯度下降21:06
课时59视频下批量梯度下降03:41
课时60视频比较4种线性回归算法07:49
课时61视频用线性模型拟合非线性数据19:58
章节8:支持向量机（SVM）
课时62视频线性SVM分类15:55
课时63视频添加特征使数据集线性可分离15:31
课时64视频使用多项式特征的线性SVM分类器20:02
课时65视频基于多项式核的SVM分类器10:25
课时66视频高斯RBF的相似特征20:58
课时67视频基于高斯RBF核函数的SVM分类器09:54
课时68视频SVM线性回归08:20
课时69视频SVM非线性回归04:41