bobo老师特为机器学习初学者量身打造，使用新版python3语言和流行的scikit-learn框架，算法与编程两翼齐飞，由浅入深，一步步的进入机器学习的世界。学到的不只是一门课程，更是不断思考的能力。
第1章欢迎来到Python3玩转机器学习试看3节|48分钟
欢迎大家来到《Python3玩转机器学习》的课堂。在这个课程中，我们将从0开始，一点一点进入机器学习的世界。本门课程对机器学习领域的学习，绝不不仅仅只是对算法的学习，还包括诸如算法的评价，方法的选择，模型的优化，参数的调整，数据的整理，等等一系列工作。准备好了吗？现在开始我们的机器学习之旅！…
视频：1-1什么是机器学习(20:14)
视频：1-2课程涵盖的内容和理念(13:25)
视频：1-3课程所使用的主要技术栈(14:10)
第2章机器学习基础7节|90分钟
机器学习到底是什么鬼？这一章将带领大家深入理解机器学习的世界，让大家去熟悉那些看似陌生的专业术语。监督学习，非监督学习，半监督学习，增强学习，批量学习，在线学习，参数学习，非参数学习。看完这一章，这些概念你就统统了解啦。不仅如此，本章还包含相当深刻地和机器学习相关的哲学探讨，让你深入思索有关机器学习…
视频：2-1机器学习世界的数据(18:27)
视频：2-2机器学习的主要任务(16:00)
视频：2-3监督学习，非监督学习，半监督学习和增强学习(17:38)
视频：2-4批量学习，在线学习，参数学习和非参数学习(11:53)
视频：2-5和机器学习相关的“哲学”思考(12:00)
作业：2-6关于回归和分类
视频：2-7课程使用环境搭建(13:08)
第3章JupyterNotebook,numpy和matplotlib12节|208分钟
工欲善其事，必先利其器。在本章，我们将学习和机器学习相关的基础工具的使用：JupyterNotebook,numpy和matplotlib。大多数教程在讲解机器学习的时候，大量使用这些工具，却不对这些工具进行系统讲解。我特意添加了这个章节，让同学们在后续编写机器学习算法的过程中，更加得心应手！…
视频：3-1JupyterNotebook基础(18:42)
视频：3-2JupyterNotebook中的魔法命令(20:51)
视频：3-3Numpy数据基础(11:06)
视频：3-4创建Numpy数组(和矩阵)(19:16)
视频：3-5Numpy数组(和矩阵)的基本操作(18:15)
视频：3-6Numpy数组(和矩阵)的合并与分割(18:00)
视频：3-7Numpy中的矩阵运算(23:11)
视频：3-8Numpy中的聚合运算(13:19)
视频：3-9Numpy中的arg运算(11:12)
视频：3-10Numpy中的比较和FancyIndexing(22:36)
视频：3-11Matplotlib数据可视化基础(18:05)
视频：3-12数据加载和简单的数据探索(12:49)
第4章最基础的分类算法-k近邻算法kNN9节|172分钟
k近邻算法本身是一个思想非常简单的算法，但是这个简单算法背后，也蕴含着丰富的内容。在这一章，我们将详细介绍k近邻算法的原理，进而对训练数据集，测试数据集，分类准确度，超参数，数据归一化，样本距离等基础概念进行详细的探讨。我们将详细了解scikit-learn框架中对算法的封装，并实现我们自己的算法框架。我们还将学…
视频：4-1k近邻算法基础(22:42)
视频：4-2scikit-learn中的机器学习算法封装(22:22)
视频：4-3训练数据集，测试数据集(22:46)
视频：4-4分类准确度(19:20)
视频：4-5超参数(21:36)
视频：4-6网格搜索与k近邻算法中更多超参数(17:24)
视频：4-7数据归一化(15:27)
视频：4-8scikit-learn中的Scaler(19:24)
视频：4-9更多有关k近邻算法的思考(10:22)
第5章线性回归法10节|149分钟
线性回归法是机器学习领域的经典算法，很多更复杂的算法都是以线性回归为基础的。在这一章，我们将深入学习线性回归法背后的原理，同时仔细探讨如何评价回归算法。大家将对MSE,RMSE,MAE和RSquared等回归问题的评价指标有充分的理解。在实现层面上，我们还将学习机器学习领域的一个重要的实现技巧：向量化。…
视频：5-1简单线性回归(18:06)
视频：5-2最小二乘法(11:27)
视频：5-3简单线性回归的实现(14:09)
视频：5-4向量化(12:02)
视频：5-5衡量线性回归法的指标：MSE，RMSE和MAE(22:45)
视频：5-6最好的衡量线性回归法的指标：RSquared(16:28)
视频：5-7多元线性回归和正规方程解(15:58)
视频：5-8实现多元线性回归(13:08)
视频：5-9使用scikit-learn解决回归问题(12:42)
视频：5-10线性回归的可解释性和更多思考(11:53)
第6章梯度下降法9节|143分钟
梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章，我们将详细讲解梯度下降法的基本原理，一步一步改进梯度下降算法，让大家理解梯度下降法中各种参数，尤其是学习率的意义。同时，我们还将引申出随机梯度下降法和小批量梯度下降法两个方法，让大家对梯度下降法家族有一个全方位的认识。…
视频：6-1什么是梯度下降法(16:20)
视频：6-2模拟实现梯度下降法(20:11)
视频：6-3线性回归中的梯度下降法(10:56)
视频：6-4实现线性回归中的梯度下降法(14:06)
视频：6-5梯度下降法的向量化和数据标准化(22:14)
视频：6-6随机梯度下降法(17:34)
视频：6-7scikit-learn中的随机梯度下降法(15:40)
视频：6-8如何确定梯度计算的准确性？调试梯度下降法(16:29)
视频：6-9有关梯度下降法的更多深入讨论(08:37)
第7章PCA与梯度上升法11节|140分钟
通常教材会使用非常多的数学概念来讲解PCA，在这个课程中，我们将另辟蹊径，绕开繁重的数学概念，使用梯度下降法的姊妹方法：梯度上升法来求解PCA问题，进而深刻理解PCA的基本原理，如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景，不仅让大家亲手实践出PCA降维的巨大威力，也让大家看到PCA在降噪，人脸识别等…
视频：7-1什么是PCA(17:45)
视频：7-2使用梯度上升法求解PCA问题(09:10)
视频：7-3求数据的主成分PCA(20:09)
视频：7-4求数据的前n个主成分(17:36)
视频：7-5高维数据映射为低维数据(19:29)
视频：7-6scikit-learn中的PCA(18:57)
视频：7-7试手MNIST数据集(12:06)
作业：7-8在三维数据上的PCA
图文：7-9关于MNIST数据集的最新获得方式
视频：7-10使用PCA对数据进行降噪(10:00)
视频：7-11人脸识别与特征脸(13:57)
第8章多项式回归与模型泛化10节|166分钟
在这一章，我们将接触非线性问题。我们将学习多项式回归的思想，使用线性回归的思路来解决非线性问题。进一步，我们将引申出或许是机器学习领域最重要的一个问题：模型泛化问题。我们将深入探讨什么是欠拟合，什么是过拟合，怎样检测欠拟合和过拟合。什么是交叉验证，什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…
视频：8-1什么是多项式回归(11:38)
视频：8-2scikit-learn中的多项式回归与Pipeline(16:26)
视频：8-3过拟合与欠拟合(14:22)
视频：8-4为什么要有训练数据集与测试数据集(16:09)
视频：8-5学习曲线(15:28)
视频：8-6验证数据集与交叉验证(25:20)
视频：8-7偏差方差平衡(15:16)
视频：8-8模型泛化与岭回归(19:15)
视频：8-9LASSO(16:59)
视频：8-10L1,L2和弹性网络(14:25)
第9章逻辑回归9节|137分钟
据统计，逻辑回归是机器学习领域最常用的分类算法，没有之一！在这一章，我们将逐渐揭开逻辑回归的神秘面纱，了解如何应用线性回归的思路，来解决分类问题。我们将综合之前所学习的很多内容，一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题，学习对分类结果概率的估计，以及决策边界等重要概念。…
视频：9-1什么是逻辑回归(16:07)
视频：9-2逻辑回归的损失函数(15:00)
视频：9-3逻辑回归损失函数的梯度(17:50)
视频：9-4实现逻辑回归算法(14:29)
视频：9-5决策边界(21:09)
视频：9-6在逻辑回归中使用多项式特征(15:09)
视频：9-7scikit-learn中的逻辑回归(17:22)
视频：9-8OvR与OvO(19:09)
作业：9-9其他算法的决策边界
第10章评价分类结果9节|126分钟
对机器学习分类算法结果的评估，是一个公认的复杂问题。在这一章，我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵，准确率，精确率，召回率，F1，以及ROC等诸多评价分类结果的指标。通过这一章的学习，大家将更好地理解自己的机器学习算法给出的结果，从而在实际应用…
视频：10-1准确度的陷阱和混淆矩阵(15:06)
视频：10-2精准率和召回率(11:51)
视频：10-3实现混淆矩阵，精准率和召回率(15:42)
视频：10-4F1Score(17:42)
视频：10-5精准率和召回率的平衡(20:18)
视频：10-6精准率-召回率曲线(14:21)
视频：10-7ROC曲线(16:52)
作业：10-8关于机器学习不同的指标
视频：10-9多分类问题中的混淆矩阵(13:30)
第11章支撑向量机SVM9节|145分钟
在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到SVM的优缺点。最后，我们还将探讨使用SVM解决回归问题的思路。…
视频：11-1什么是SVM(13:54)
视频：11-2SVM背后的最优化问题(19:21)
视频：11-3SoftMarginSVM(16:12)
视频：11-4scikit-learn中的SVM(21:23)
视频：11-5SVM中使用多项式特征和核函数(12:43)
视频：11-6到底什么是核函数(15:31)
视频：11-7RBF核函数(20:46)
视频：11-8RBF核函数中的gamma(13:39)
视频：11-9SVM思想解决回归问题(10:46)
第12章决策树7节|99分钟
在这一章，我们将学习另外一个大名鼎鼎的机器学习算法：决策树。决策树本身非常简单，背后并没有复杂的数学模型，但使用好决策树也有很多技巧。我们将深入了解什么是熵模型，什么是基尼系数，怎样使用决策树解决分类问题，怎样获得分类的概率，怎样用决策树解决回归问题，以及使用决策树的注意事项。…
视频：12-1什么是决策树(12:01)
视频：12-2信息熵(16:30)
视频：12-3使用信息熵寻找最优划分(20:20)
视频：12-4基尼系数(17:41)
视频：12-5CART与决策树中的超参数(15:04)
视频：12-6决策树解决回归问题(08:15)
视频：12-7决策树的局限性(08:16)
第13章集成学习和随机森林8节|101分钟
集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发，进而引入集成学习的经典算法：随机森林。我们将看到集成学习的威力。在这一章，我们还会对其他集成学习的思想，如AdaBoost,GradientBoosting,Stacking等算法进行介绍。…
视频：13-1什么是集成学习(16:35)
视频：13-2SoftVotingClassifier(14:30)
视频：13-3Bagging和Pasting(16:52)
视频：13-4oob(Out-of-Bag)和关于Bagging的更多讨论(14:40)
视频：13-5随机森林和Extra-Trees(13:14)
视频：13-6AdaBoosting和GradientBoosting(15:30)
视频：13-7Stacking(08:46)
作业：13-8关于XGBoost
第14章更多机器学习算法2节|9分钟
相信通过这个课程的学习。同学们学到的不仅仅是一个一个零散的机器学习算法，更对机器学领域解决问题的方式有了一个系统性的认识。学会了这种思维方法，相信大家都可以更好地继续深入学习机器学习。在最后，我将给大家介绍scikit-learn的文档，希望大家能够借助scikit-learn这个强大的机器学习库，继续探索机器学习这个当下…
视频：14-1学习scikit-learn文档,大家加油！(08:32)
图文：14-2学习完这个课程以后怎样继续深入机器学习的学习？
评论(0)