📚 课程介绍
本课程通过Scikit-learn库，教授机器学习的基础知识，并通过经典案例分析实际应用。
📋 学习前提
1. Python基础（Python编程语言的基本语法和编程能力） 2. 线性代数基础（矩阵运算、向量和空间的概念） 3. 统计学基础（概率论、统计学的基本概念和方法）
📖 课程目录
第1章 机器学习概述
1-1 机器学习-导学
1-2 概述
1-3 本门课的内容
1-4 IPython Notebook介绍
1-5 python 基本语法
1-6 条件和循环语句
1-7 Python中的函数
1-8 GraphLab Canvas
1-9 SFrame中的列操作
1-10 SFrame中的apply函数
第2章 回归模型—理论
2-1 课前须知
2-2 线性回归概述
2-3 预测房价
2-4 线性回归
2-5 加入更高阶的因素
2-6 通过训练-测试分离来评估过拟合
2-7 训练测试曲线
2-8 加入新的特征
2-9 其他回归示例
2-10 回归总结
第3章 回归模型—房价预测进阶案例
3-1 进阶案例介绍
3-2 探索房屋数据集
3-3 可视化数据集的特征
3-4 实现回归模型
3-5 应用线性回归模型
3-6 使用sklearn来构建线性回归模型
3-7 评估线性回归模型
3-8 MSE和R2评分
3-9 多项式拟合
第4章 分类模型—理论
4-1 分类-分析情感
4-2 从主题预测情感
4-3 分类器应用
4-4 线性分类器
4-5 决策边界
4-6 训练和评估分类器
4-7 什么是好的精度
4-8 混淆矩阵
4-9 学习曲线
4-10 类别概率
4-11 分类总结
第5章 分类模型—情感分析进阶案例
5-1 情感分析进阶案例-读取数据
5-2 情感分析进阶案例-TFIDF表示
5-3 情感分析进阶案例 – 文本预处理
5-4 情感分析进阶案例 – 分词
5-5 情感分析进阶案例 – 去除停用词
5-6 情感分析进阶案例 – 构建分类器
第6章 聚类和相似度模型—理论
6-1 聚类和相似度-文档检索
6-2 检索感兴趣的文档
6-3 用于测量相似度的单词计数表示
6-4 应用TF-IDF对于重要单词进行优先级排序
6-5 TF-IDF文档表示
6-6 检索相似的文档
6-7 文档聚类
6-8 聚类介绍
6-9 k-均值
6-10 其他例子
6-11 聚类和相似度总结
第7章 聚类和相似度模型—维基百科人物相似度案例
7-1 使用pandas来读取维基百科人物数据集
7-2 使用sklearn来进行词袋模型表示
7-3 使用skearn来进行tfidf表示和相似度计算
第8章 推荐系统—理论
8-1 推荐商品
8-2 我们在哪能见到推荐系统
8-3 推荐的分类模型
8-4 协同过滤
8-5 流行物品的影响
8-6 正规化同现矩阵
8-7 矩阵补全问题
8-8 通过用户和物品的特征进行推荐
8-9 利用矩阵形式预测
8-10 通过矩阵分解发现隐藏结构
8-11 特征+矩阵分解
8-12 推荐系统的性能度量
8-13 最优推荐
8-14 准确率-召回率曲线
8-15 推荐系统总结
第9章 推荐系统—构建推荐系统案例
9-1 读取和探索推荐数据
9-2 将样本分成训练集和验证集
9-3 基于用户和商品的推荐
9-4 推荐结果评估
9-5 基于SVD的推荐
第10章 深度学习—理论
10-1 深度学习：图像搜索
10-2 神经网络
10-3 深度学习在计算机视觉中的应用。
10-4 深度学习的性能
10-5 计算机视觉中的深度学习
10-6 深度学习的挑战
10-7 迁移学习
10-8 深度学习总结
第11章 神经网络—案例部分
11-1 神经网络拟合XOR函数
11-2 利用神经网络进行手写识别
第12章 结尾章
12-1 部署机器学习应用
12-2 部署之后发生了什么？
12-3 机器学习的挑战
12-4 课程总结。
