📚 课程介绍
本课程从Python3基础入手，逐步深入到机器学习领域，通过讲解经典算法，如逻辑回归、线性回归、决策树、SVM等，帮助学员掌握机器学习的基本概念和技能。
📋 学习前提
1. Python基础（Python编程语言的基本语法和操作） 2. 线性代数基础（矩阵运算、向量运算等基本概念） 3. 统计学基础（概率论、统计推断等基本概念）
📖 课程目录
第1章 欢迎来到Python3玩转机器学习
1-1 什么是机器学习
1-2 课程涵盖的内容和理念
1-3 课程所使用的技术栈
第2章 机器学习基础
2-1 机器学习的数据
2-2 机器学习的主要任务
2-3 监督学习、非监督学习…
2-4 批量、在线学习、参数、非参数学习
2-5 哲学思考
2-6 课程使用环境搭建
第3章 Jupyter Notebook ,numpy
3-1 Jupyter Notebook基础
3-2 Jupter Notebook 中的魔法命令
3-3 Numpy 数据基础
3-4 创建Numpy 数据和矩阵
3-5 Numpy数组和矩阵的基本操作
3-6 Numpy 数据和矩阵的合并与分割
3-7 Numpy中的矩阵运算
3-8 Numpy 中的聚合运算
3-9 Numpy中的arg运算
3-10 Numpy中的比较和Fancy lindexing
3-11 Matplotlib数据可视化基础
3-12 数据加载和简单的数据搜索
第4章 最基础的分类算法
4-1 K近邻算法
4-2 scikit-learn机器学习算法封装
4-3 训练数据集
4-4 分类准确度
4-5 超参数
4-6 网络搜索与K邻近算法中更多超参数
4-7 数据归一化
4-8 Scikit-learn中的Scaler
4-9 更多有关K近邻算法的思考
第5章 线性回归法
5-1 简单线性回归
5-2 最小乘法
5-3 简单线性回归的实现
5-4 衡量线性回归的指标
5-5 R Squared
5-6 最好的衡量线性回归法的指标
5-7多元线性回归和正规方程解
5-8 实现多元线性回归
5-9 使用Scilit-learn解决回归问题
5-10 线性回归的可解释性
第6章 梯度下降法
6-1 什么是梯度下降法
6-2线性回归中的梯度下降法
6-3实现线性回归中的梯度下降法
6-4 实现线性回归中的梯度下降法
6-5 梯度下降法的向量化
6-6 随机梯度下降法
6-7 scikit-learn中的梯度下降法
6-8有关梯度下降法的更多深入讨论
6-9 有关梯度下降法的更多讨论
第7章 PCA与梯度上升法
7-1 什么是PCA
7-2 求数据的主成分PCA问题
7-3 求数据的主成分
7-4 高维数据映射为低维数据（）
7-5 高纬数据映射为低维数据(微信-rmshou-收集整理).mp4
7-6 scikit-learn中的PCA
7-7 试手MNIST数据集
7-8 使用PCA对数据进行降噪
7-9 人脸识别与特征脸
第8章 多项式回归与模型泛化
8-1 什么是多项式回归
8-2 scikit-learn 中的多项式回归
8-3 过拟合与欠拟合
8-4 为什么要训练数据集与测试数据集
8-5 学习曲线
8-6 验证数据集与交叉验证
8-7 偏差方差平衡
8-8 模型泛化与岭回归
8-9 LASSO
8-10 L1，L2弹性网络
第9章 逻辑回归
9-1 什么是逻辑回归
9-2 逻辑回归的损失函数
9-3 逻辑回归损失函数的梯度
9-4 实现逻辑回归算法
9-5 决策边界
9-6 在逻辑回归中使用多项式特征
9-7 scikt-learn中的逻辑回归
9-8 OvR与OvO
第10章 评价分类结果
10-1准确度的陷阱和混淆矩阵
10-2 准确率和召回率
10-3 现实混淆矩阵
10-4 F1 Score
10-5 准确率和召回率的平衡
10-6 准确率召回率曲线
10-7 ROC曲线
10-8 多分类问题中的混淆矩阵
第11章 支撑向量机SVM
11-1 什么是SVM
11-2 svm背后的最优化问题
11-3 Soft Margin SVM
11-4 Scikit-learn 中的SVM
11-5 SVM中使用多项式特征和核函数
11-6 什么是核函数
11-7RBF核函数
11-8 RBF核函数中的gamma
11-9 SVM思想解决回归问题
第12章 决策树
12-1 什么是决策树
12-2 信息熵
12-3 – 12-5
12-6 – 12-7
第13章 集成学习和随机森林
13章
第14章 更多机器学习算法
14章 学习scikit-learn文档，大家加油！
