- 第一阶段 机器学习之数学基础
- 第二阶段 机器学习之Python基础
- 第三阶段 机器学习的要素
- 第四阶段 朴素贝叶斯
- 第五阶段 逻辑回归(Logistic Regression)
- 第六阶段 支持向量机(SVM)
- 第七阶段 决策树
- 第八阶段 集成学习算法大串讲
- 第九阶段 特征工程
- 第十阶段 聚类算法
- 第十一阶感知机模型
- 第十二阶段 综合案例——机器学习在推荐系统中的应用
本文将介绍《机器学习实战进阶一核心算法各个击破》课程概览,也可以作为机器学习的一个基本知识结构
———-
第一阶段 机器学习之数学基础
线性代数
概率与统计
数学分析与凸优化
第二阶段 机器学习之Python基础
Python快速入门
Numpy库基础
数据分析库Pandas基础
Python数据可视化Matplotlib基础
Python机器学习库Scikit-learn简介
第三阶段 机器学习的要素
机器学习的特点与功能
机器学习算法分类
机器学习的基本原理
机器学习模型求解
经验风险与结构风险
模型的评估与选择
第四阶段 朴素贝叶斯
条件概率的参数估计
从贝叶斯定理到分类模型
贝叶斯估计
Navie Bayes实战
第五阶段 逻辑回归(Logistic Regression)
逻辑回归模型
逻辑回归的损失函数
逻辑回归的模型求解
第六阶段 支持向量机(SVM)
SVM要解决的问题
线性可分SVM原理推导
支持向量机(SVM)
非线性SVM与核函数
SVM多分类解决方法
第七阶段 决策树
熵与信息増益
决策树的生成
决策树的剪枝策略
第八阶段 集成学习算法大串讲
AdaBoost算法原理
随机森林算法
GBDT算法原理
第九阶段 特征工程
特征工程是什么
数据预处理方法
特征选择方法
特征降维
第十阶段 聚类算法
无监督算法评价指标
距离度星
K-Means 算法
密度聚类算法之DBSCAN
层次駿算法之AGNES
第十一阶感知机模型
神经元与感知机模型
BP学习算法
神经网络编码高维稀疏特征向量案例分析
第十二阶段 综合案例——机器学习在推荐系统中的应用
推荐系统架构介绍
召回层算法详解
排序层算法详解
推荐系统案例实战