扫码下载「CSDN程序员学院APP」，1000+技术好课免费看
APP订阅课程，领取优惠，最少立减5元 ↓↓↓
视频教程-python数据分析与机器学习实战【2019新版】-机器学习
学习有效期：永久观看
学习时长：2056分钟
学习计划：35天
难度：高
「口碑讲师带队学习，让你的问题不过夜」
讲师姓名：唐宇迪
高校教师 / 培训机构讲师
讲师介绍：计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。
「你将学到什么？」
Python数据分析与机器学习实战教程，该课程精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家入门机器学习。学完该课程即可： 1.掌握Python数据科学工具包，包括矩阵数据处理与可视化展示。 2.掌握机器学习算法原理推导，从数学上理解算法是怎么来的以及其中涉及的细节。 3.掌握每一个算法所涉及的参数，详解其中每一步对结果的影响。 4.熟练使用Python进行建模实战，基于真实数据集展开分析，一步步完成整个建模实战任务。
「课程学习目录」
| 第1章：人工智能入学指南 | | 1.课程整体介绍 | | 2.AI时代首选Python | | 3.Python我该怎么学 | | 4.人工智能的核心-机器学习 | | 5.机器学习怎么学？ | | 6.算法推导与案例 | | 第2章：Python科学计算库-Numpy | | 1.课程环境配置（所有课程数据代码PPT下载------------>） | | 2.Numpy工具包概述 | | 3.数组结构 | | 4.属性与赋值操作 | | 5.数据索引方法 | | 6.数值计算方法 | | 7.排序操作 | | 8.数组形状 | | 9.数组生成常用函数 | | 10.随机模块 | | 11.读写模块 | | 第3章：python数据分析处理库-Pandas | | 1.Pandas工具包使用简介 | | 2.数据信息读取与展示 | | 3.索引方法 | | 4.groupby函数使用方法 | | 5.数值运算 | | 6.merge合并操作 | | 7.pivot数据透视表 | | 8.时间操作 | | 9.apply自定义函数 | | 10.常用操作 | | 11.字符串操作 | | 第4章：Python数据可视化库-Matplotlib | | 1.Matplotlib概述 | | 2.子图与标注 | | 3.风格设置 | | 4.条形图 | | 5.条形图细节 | | 6.条形图外观 | | 7.盒图绘制 | | 8.盒图细节 | | 9.绘图细节设置 | | 10.绘图细节设置 | | 11.直方图与散点图 | | 12.3D图绘制 | | 13.pie图 | | 14.子图布局 | | 15.结合pandas与sklearn | | 第5章：线性回归算法原理推导 | | 1.回归问题概述 | | 2.误差项定义 | | 3.独立同分布的意义 | | 4.似然函数的作用 | | 5.参数求解 | | 第6章：梯度下降策略 | | 1.梯度下降通俗解释 | | 2.参数更新方法 | | 3.优化参数设置 | | 第7章：逻辑回归算法 | | 1.逻辑回归算法原理 | | 2.化简与求解 | | 第8章：项目实战-交易数据异常检测 | | 1.任务目标解读 | | 2.项目挑战与解决方案制定 | | 3.数据标准化处理 | | 4.下采样数据集制作 | | 5.交叉验证 | | 6.数据集切分 | | 7.模型评估方法与召回率 | | 8.正则化惩罚项 | | 9.训练逻辑回归模型 | | 10.混淆矩阵评估分析 | | 11.测试集遇到的问题 | | 12.阈值对结果的影响 | | 13.SMOTE样本生成策略 | | 14.过采样效果与项目总结 | | 第9章：决策树算法 | | 1.决策树算法概述 | | 2.熵的作用 | | 3.信息增益原理 | | 4.决策树构造实例 | | 5.信息增益率与gini系数 | | 6.预剪枝方法 | | 7.后剪枝方法 | | 8.回归问题解决 | | 第10章：决策树实例 | | 1.决策树复习 | | 2.决策树涉及参数 | | 3.树可视化与sklearn库简介 | | 4.sklearn参数选择 | | 第11章：集成算法与随机森林 | | 1.集成算法-随机森林 | | 2.特征重要性衡量 | | 3.提升模型 | | 4.堆叠模型 | | 第12章：项目实战-基于随机森林的气温预测 | | 1.基于随机森林的气温预测任务概述 | | 2.基本随机森林模型建立 | | 3.可视化展示与特征重要性 | | 4.加入新的数据与特征 | | 5.数据与特征对结果的影响 | | 6.1效率对比分析 | | 7.网格与随机参数选择 | | 8.随机参数选择方法实践 | | 9.调参优化细节 | | 第13章：案例实战：集成算法建模实战 | | 1.集成算法实例概述 | | 2.ROC与AUC指标 | | 3.基础模型 | | 4.集成实例 | | 5.Stacking模型 | | 6.效果改进 | | 第14章：K近邻算法实战 | | 1.K近邻算法概述 | | 2.模型的评估 | | 3.数据预处理 | | 4.sklearn库与功能 | | 5.多变量KNN模型 | | 第15章：贝叶斯算法 | | 1.贝叶斯算法概述 | | 2.贝叶斯推导实例 | | 3.贝叶斯拼写纠错实例 | | 4.垃圾邮件过滤实例 | | 第16章：项目实战-新闻数据集分类任务 | | 1.新闻数据与任务概述 | | 2.中文分词与停用词过滤 | | 3.文本关键词提取 | | 4.词袋模型 | | 5.贝叶斯建模结果 | | 6.TF-IDF特征分析对比 | | 第17章：聚类算法-Kmeans | | 1.KMEANS算法概述 | | 2.KMEANS工作流程 | | 3.KMEANS迭代可视化展示 | | 第18章：聚类算法-DBSCAN | | 1.DBSCAN聚类算法 | | 2.DBSCAN工作流程 | | 3.DBSCAN可视化展示 | | 第19章：案例实战：聚类算法实验分析 | | 1.Kmenas算法常用操作 | | 2.聚类结果展示 | | 3.建模流程解读 | | 4.不稳定结果 | | 5.评估指标-Inertia | | 6.如何找到合适的K值 | | 7.轮廓系数的作用 | | 8.Kmenas算法存在的问题 | | 9.应用实例-图像分割 | | 10.1半监督学习 | | 11.DBSCAN算法 | | 第20章：支持向量机算法原理推导 | | 1.支持向量机要解决的问题 | | 2.距离与数据定义 | | 3.目标函数推导 | | 4.拉格朗日乘子法求解 | | 5.化简最终目标函数 | | 6.求解决策方程 | | 7.软间隔优化 | | 8.核函数的作用 | | 9.知识点总结 | | 第21章：SVM算法中参数对结果的影响 | | 1.线性支持向量机 | | 2.软间隔C值对结果的影响 | | 3.模型复杂度的权衡 | | 4.人脸识别实例 | | 第22章：走进深度学习-神经网络算法 | | 1.深度学习要解决的问题 | | 2.深度学习应用领域 | | 3.计算机视觉任务 | | 4.视觉任务中遇到的问题 | | 5.9-得分函数 | | 6.损失函数的作用 | | 7.1前向传播整体流程 | | 8.返向传播计算方法 | | 9.神经网络整体架构 | | 10.神经网络架构细节 | | 11.神经元个数对结果的影响 | | 12.正则化与激活函数 | | 13.神经网络过拟合解决方法 | | 第23章：自然语言处理词向量模型-Word2Vec | | 1.自然语言处理与深度学习 | | 2.语言模型 | | 3.N-gram模型 | | 4.词向量 | | 5.神经网络模型 | | 6.Hierarchical Softmax | | 7.CBOW模型实例 | | 8.CBOW求解目标 | | 9.梯度上升求解 | | 10.负采样模型 | | 第24章：使用Gensim库构造中文维基百度数据词向量模型 | | 1.使用Gensim库构造词向量 | | 2.维基百科中文数据处理 | | 3.Gensim构造word2vec模型 | | 4.测试模型相似度结果 | | 第25章：综合项目实战-商品销售额回归分析 | | 1.数据任务分析 | | 2.特征工程制作 | | 3.统计指标生成 | | 4.特征信息提取 | | 5.标签变换 | | 6.输入数据制作 | | 7.Xgboost训练模型 | | 8.生成输出结果 | | 第26章：特征工程-常用特征构建方法 | | 1.基本数值特征 | | 2.常用特征构造手段 | | 3.时间特征处理 | | 4.文本特征处理 | | 5.构造文本向量 | | 6.词向量特征 | | 7.计算机眼中的图像 | | 第27章：Xgboost提升算法 | | 1.Xgboost算法概述 | | 2.Xgboost模型构造 | | 3.Xgboost建模衡量标准 | | 第28章：Xgboost调参实例 | | 1.Xgboost安装 | | 2.保险赔偿任务概述 | | 3.Xgboost参数定义 | | 4.基础模型定义 | | 5.树结构对结果的影响 | | 6.学习率与采样对结果的影响 | | 第29章：机器学习建模流程与BenchMark | | 1.HTTP检测任务与数据挖掘的核心 | | 2.论文的重要程度 | | 3.BenchMark概述 | | 4.BenchMark的作用 | | 第30章：降维算法-主成分分析 | | 1.1-PCA基本概念 | | 2.2-方差与协方差 | | 3.PCA结果推导 | | 4.PCA降维实例 | | 第31章：降维算法-线性判别分析 | | 1.线性判别分析要解决的问题 | | 2.线性判别分析要优化的目标 | | 3.线性判别分析求解 | | 4.实现线性判别分析进行降维任务 | | 5.求解得出降维结果 |
「7项超值权益，保障学习质量」
技术专家系统讲解传授编程思路与实战。
专属社群随时沟通与讲师答疑，扫清学习障碍，自学编程不再难。
超实用资料，覆盖核心知识，关键编程技能，方便练习巩固。（部分讲师考虑到版权问题，暂未上传附件，敬请谅解）
企业常见开发实战案例，带你掌握Python在工作中的不同运用场景。
2019Python开发者大会视频免费观看，送你一个近距离感受互联网大佬的机会。
满足不同场景，开发编程语言系统学习需求，不受空间、地域限制。
「什么样的技术人适合学习？」
- 想进入互联网技术行业，但是面对多门编程语言不知如何选择，0基础的你
- 掌握开发、编程技术单一、冷门，迫切希望能够转型的你
- 想进入大厂，但是编程经验不够丰富，没有竞争力，程序员找工作难。
「悉心打造精品好课，35天学到大牛3年项目经验」
【完善的技术体系】
技术成长循序渐进，帮助用户轻松掌握
掌握机器学习知识，扎实编码能力
【清晰的课程脉络】
浓缩大牛多年经验，全方位构建出系统化的技术知识脉络，同时注重实战操作。
【仿佛在大厂实习般的课程设计】
课程内容全面提升技术能力，系统学习大厂技术方法论，可复用在日后工作中。
「你可以收获什么？」
1.零基础快速掌握python数据分析与机器学习算法实战；
2.快速入门python最流行的数据分析库numpy,pandas,matplotlib；
3.对于繁琐的机器学习算法，先从原理上进行推导，以算法流程为主结合实际案例完成算法代码,使用scikit-learn机器学习库完成快速建立模型，评估以及预测；
4.结合经典kaggle案例，从数据预处理开始一步步完成整个项目，使大家对如何应用python库完成实际的项目有完整的经验与概念。
| 
转播
