知识点: 1.机器学习介绍 2.监督学习介绍 3.无监督学习介绍

知识点: 1.一元线性回归 2.平方损失函数 3.最小二乘法及代数求解 4.线性回归实现 5.最小二乘法的矩阵推导

知识点: 1.数据集读取与划分 2.模型训练及预测 3.模型评价

知识点: 1.多项式回归介绍 2.多项式回归基础 3.多项式回归预测

知识点: 1.数据准备 2.3次多项式回归预测挑战 3.N次多项式回归预测绘图

知识点: 1.普通最小二乘法的局限性 2.希尔伯特矩阵OLS线性拟合 3.岭回归 4.LASSO回归

知识点: 1.使用Python计算岭回归系数 2.使用scikitlearn计算岭回归系数

知识点: 1.拟合优度检验 2.变量显著性检验

知识点: 1.一元线性回归 2.多元线性回归 3.假设检验

知识点: 1.线性可分和不可分 2.Sigmoid分布函数 3.逻辑回归模型 4.对数损失函数 5.梯度下降法

知识点: 1.最小二乘法求解线性回归参数 2.梯度下降法求解线性回归参数

知识点: 1.最近邻算法 2.K近邻算法 3.决策规则 4.KNN算法实现

知识点: 1.K近邻回归介绍 2.K近邻回归实现

知识点: 1.条件概率 2.贝叶斯定理 3.朴素贝叶斯原理 4.朴素贝叶斯算法实现 5.极大似然估计

知识点: 1.高斯分布公式 2.高斯分布函数

知识点: 1.准确率 2.查准率 3.召回率 4.F1值 5.ROC曲线

知识点: 1.线性分类支持向量机 2.拉格朗日对偶性 3.线性支持向量机分类实现 4.非线性分类支持向量机 5.核技巧与核函数

知识点: 1.图像数据预处理 2.支持向量机分类

知识点: 1.决策树算法原理 2.信息增益 3.决策树算法实现 4.学生成绩分类预测 5.决策树可视化

知识点: 1.CART决策树分类 2.网格搜索参数选择

知识点: 1.集成学习概念 2.装袋算法Bagging 3.随机森林RandomForest 4.提升算法Boosting 5.梯度提升树GBDT

知识点: 1.CART决策树分类 2.网格搜索参数选择

知识点: 1.K折交叉验证 2.K折子集均分 3.鲍鱼年龄分类

知识点: 1.划分聚类介绍 2.KMeans聚类方法 3.中心点移动过程可视化 4.KMeans算法实现

知识点: 1.图像压缩 2.MiniBatchKMeans聚类

知识点: 1.层次聚类方法概述 2.自底向上层次聚类法 3.自顶向下层次聚类法 4.BIRCH聚类算法 5.PCA主成分分析

知识点: 1.向量的基 2.向量映射 3.方差和协方差 4.特征值和特征向量 5.主成分分析计算

知识点: 1.层次聚类 2.修剪层次聚类二叉树

知识点: 1.DBSCAN密度聚类算法 2.DBSCAN聚类算法实现 3.HDBSCAN聚类算法

知识点: 1.DBSCAN参数确定 2.HDBSCAN聚类

知识点: 1.谱聚类 2.拉普拉斯矩阵 3.无向图切图 4.亲和传播聚类 5.MeanShift

知识点: 1.算法对数据形状的适应性 2.相同条件下的算法效率

知识点: 1.自动化机器学习概念 2.自动化机器学习目标

知识点: 1.autosklearn框架介绍 2.自动化分类和回归算法 3.自动化机器学习的优劣

知识点: 1.MNIST手写字符分类 2.autosklearn框架应用

知识点: 1.模型保存 2.模型部署 3.模型推理

知识点: 1.毒蘑菇分类预测 2.模型部署和推理

知识点: 1.动态模型 2.增量训练 3.实时手写字符识别

知识点: 1.在线增量学习 2.模型云端部署