- Pandas 数据预处理
- K-近邻
- 线性回归
- 特征工程
- 梯度下降法
- 决策树
- 随机森林
- 逻辑回归
- 主成分分析
- 时间序列数据处理
机器学习开放基础课程
免费机器学习开放基础课程是实验楼经由 Open Machine Learning Course 授权并制作的机器学习免费基础实战课。主要讲解机器学习常用的分类算法和回归算法，以及常用的数据预处理技巧。
你将学到的
课程内容
自学困难重重？点这里，6周打通机器学习技术路径
共18个章节
实验 1
使用 Pandas 进行数据探索
知识点: 1.排列 2.索引 3.交叉表 4.透视表 5.数据探索
挑战 1
人口收入普查数据探索
实验 2
Python 数据可视化分析
知识点: 1.单变量可视化的常用方法 2.多变量可视化的常用方法 3.tSNE
挑战 2
心血管疾病数据探索分析
实验 3
决策树和 K 近邻分类
知识点: 1.决策树 2.最近邻方法 3.交叉验证
挑战 3
决策树和随机森林分析应用
实验 4
线性回归和线性分类器
知识点: 1.回归 2.线性分类 3.逻辑回归的正则化 4.逻辑回归的优缺点 5.验证和学习曲线
挑战 4
逻辑回归用于讽刺文本检测
实验 5
集成学习和随机森林方法
知识点: 1.集成 2.Bootstraping 3.Bagging 4.随机森林 5.特征重要性
挑战 5
构建信用评分预测分类模型
实验 6
特征工程和特征选择
知识点: 1.特征提取 2.特征转换 3.特征选择
挑战 6
红酒质量数据回归探索
实验 7
主成分分析和聚类
知识点: 1.PCA降维 2.KMeans 3.近邻传播 4.谱聚类 5.凝聚聚类
挑战 7
非监督学习应用练习
实验 8
随机梯度下降和独热编码
知识点: 1.随机梯度下降 2.在线学习 3.独热编码 4.哈希技巧
挑战 8
线性回归和随机梯度下降
实验 9
时间序列处理与应用
知识点: 1.时间序列 2.SARIMA 3.线性回归 4.XGBoost 5.Prophet
挑战 9
时间序列分析应用练习
课程介绍
实验任务
- 使用 Pandas 进行数据探索
- 使用 Pandas 进行数据可视化
- 学习决策树算法的基本原理，并动手实现
- 学习 K-近邻算法基本原理，并动手实现
- 使用交叉验证完成模型选择
- 学习线性回归于逻辑回归数学原理，并使用 sklearn 实现
- 学习集成算法思想，并使用 sklearn 实现
- 学习常用聚类方法，并使用 sklearn 实现
- 学习常用的时间序列数据处理方法，并动手实现
先学知识
- 需要了解实验楼的基本操作，推荐学习 新手指南之玩转实验楼。
- Pandas 数据预处理
- Matplotlib 数据可视化
- 高等数学和线性代数基础知识。如函数求导、矩阵运算等
课程难度
本课程难度为中等偏上。
面向用户
本课程主要讲解机器学习常见算法，整体难度中等偏上，该课程适合于对机器学习感兴趣且数学相对较好的用户。
课程教师
huhuhang 共发布过 61 门课程
查看老师的所有课程 >
学了不少数据探索技巧，并理解了数据探索在数据分析中的重要作用。
回复
有点难啊
回复
感觉很多语法记不住
回复
很详细，学到很多
回复
打卡
回复
很好的课
回复
1231231
回复
对大致的流程心中有数，但是参数、方法太多了，真写起来的时候，还是得翻文档才知道具体怎么写
回复
正好最近有需求，需要可解释性，先用决策树试试
回复
数据处理的库的能力十分强大，用处很广，不过方法有点多，需要记忆一下，加油！
回复
内容太多，恐怕记不住，要时时回头看
回复
pandas功能强大，有些功能需要反复记忆，这样才能熟练使用
回复
需要整理一下，这课学了哪些api，之前看过百题大冲关，现在又忘了
回复
good
回复
很不错
回复
打卡
回复
学过本课的同学也学过...
倍受好评
免费
- 18 个在线动手实验
- 9 个实战场景挑战
关注
