課程目錄
1-1 人工智能概述
1-2 人工智能發(fā)展歷程
1-3 人工智能主要分支
1-4 人工智能必備三要素
1-5 人工智能工作流程概述
1-6 數(shù)據(jù)集的介紹.
1-7 特征工程介紹
1-8 機(jī)器學(xué)習(xí)算法分類
1-9 分類模型評(píng)估介紹
1-10 回歸模型評(píng)估和擬合問(wèn)題
1-11 azure平臺(tái)實(shí)驗(yàn)演示
1-12 深度學(xué)習(xí)簡(jiǎn)介
2-1 機(jī)器學(xué)習(xí)基礎(chǔ)環(huán)境庫(kù)的安裝
2-2 jupyter基本使用介紹
2-3 jupytermarkdown功能演示
3-1 matplotlin基本簡(jiǎn)介
3-2 基礎(chǔ)繪圖功能演示 圖像保存 xy軸刻度 添加網(wǎng)格
3-3 多次plot和顯示圖例
3-4 多個(gè)坐標(biāo)系顯示圖像
3-5 折線圖的應(yīng)用場(chǎng)景
3-6 今日總結(jié)
4-1 昨日復(fù)習(xí)
4-2 常見(jiàn)圖形繪制
4-3 numpy基本介紹
4-4 ndarray介紹
4-5 生成數(shù)組
4-6 正態(tài)分布和均勻分布
4-7 切片和形狀修改
4-8 類型修改和數(shù)組去重
4-9 ndarray運(yùn)算
4-10 矩陣介紹（一）
4-11 矩陣介紹（二）
4-12 數(shù)組間運(yùn)算
5-1 pandas介紹和DataFrame使用
5-2.案例_電影數(shù)據(jù)分析2.ev4
5-2.索引操作.ev4
5-3 今日總結(jié)
5-4 昨日復(fù)習(xí)
5-5 索引操作
5-6 賦值和排序
5-7 算術(shù)運(yùn)算和邏輯運(yùn)算
5-8 統(tǒng)計(jì)運(yùn)算
5-9 自定義函數(shù)運(yùn)算
5-10 pandas畫(huà)圖
5-11 csv文件讀取和存儲(chǔ)
5-12 hdf,json數(shù)據(jù)的讀取和存儲(chǔ)
5-13 缺失值的判斷
5-14 缺失值刪除和替換
5-15 缺失值不是NaN的處理情況
5-16 數(shù)據(jù)離散化
5-17 數(shù)據(jù)合并
5-18 交叉表和透視表
5-19 分組和聚合
5-20 今日總結(jié)
5-21 科學(xué)計(jì)算庫(kù)三天內(nèi)容復(fù)習(xí)
5-22 電影數(shù)據(jù)分析案例
5-23 昨日復(fù)習(xí)
5-24 案例-電影數(shù)據(jù)分析
6-1 k近鄰算法簡(jiǎn)介
6-2 k近鄰算的初步使用
6-3 距離度量（一）
6-4 距離度量（二）
6-5 距離度量（三）
6-6 k值的選擇
6-7 kd樹(shù)構(gòu)造
6-8 kd樹(shù)搜索
6-9 kd樹(shù)搜索
6-10 數(shù)據(jù)集介紹
6-11 鳶尾花數(shù)據(jù)可視化
6-12 數(shù)據(jù)集劃分
6-13 特征預(yù)處理
6-14 鳶尾花案例實(shí)現(xiàn)
6-15 今日總結(jié)
6-16 昨日復(fù)習(xí)
6-17 knn算法總結(jié)
6-18 交叉驗(yàn)證
6-19 網(wǎng)格搜索
6-20 facebook案例預(yù)測(cè)流程分析
7-1 線性回歸簡(jiǎn)介
7-2 線性回歸api初步使用
7-3 數(shù)學(xué)求導(dǎo)復(fù)習(xí)（一）
7-4 數(shù)學(xué)求導(dǎo)復(fù)習(xí)（二）
7-5 線性回歸損失和正規(guī)方程推導(dǎo)（一）
7-6 正規(guī)方程推導(dǎo)（二）
8-1 梯度下降法初步簡(jiǎn)介
8-2 梯度下降法介紹
8-3 正規(guī)方程api使用
8-4 今日總結(jié)
8-5 昨日復(fù)習(xí)
8-6 梯度下降法案例介紹
9-1 欠擬合過(guò)擬合簡(jiǎn)介
9-2 嶺回歸和lasso回歸
9-3 彈性網(wǎng)絡(luò)和early stopping
9-4 嶺回歸案例實(shí)現(xiàn)
9-5 模型保存和加載
10-1 邏輯回歸介紹
10-2 邏輯回歸案例實(shí)現(xiàn)
10-3 精確率和召回率介紹
10-4 精確率和召回率api實(shí)現(xiàn)
10-5 roc和auc案例實(shí)現(xiàn)
10-6 roc曲線繪制（一）
10-7 roc曲線繪制（二）
10-8 roc曲線繪制（三）
11-1 決策樹(shù)算法簡(jiǎn)介
11-2 信息熵的介紹
11-3 今日總結(jié)
11-4 昨日復(fù)習(xí)
11-5 信息增益（一）
11-6 信息增益（二）
11-7 信息增益比
11-8 基尼增益（一）
11-9 基尼增益（二）
11-10 cart剪枝介紹
11-11 特征提取介紹和字典特征提取
11-12 英文文本特征提取
11-13 中文文本特征提取
11-14 tfidf介紹
11-15 決策樹(shù)api介紹
11-16 決策樹(shù)案例實(shí)現(xiàn)
11-17 決策樹(shù)可視化
12-1 集成學(xué)習(xí)介紹
12-2 bagging集成過(guò)程簡(jiǎn)介
12-3 隨機(jī)森林介紹
12-4 今日總結(jié)
12-5 昨日復(fù)習(xí)
12-6 boosting實(shí)現(xiàn)流程分析
12-7 bagging和boosting對(duì)比
12-8 GBDT介紹
12-9 XGBoost介紹
13-1 聚類算法簡(jiǎn)介
13-2 聚類算法api初步使用
13-3 聚類算法實(shí)現(xiàn)流程簡(jiǎn)介
13-4 聚類算法實(shí)現(xiàn)流程案例介紹
13-5 模型評(píng)估
13-6 算法優(yōu)化（一）
13-7 算法優(yōu)化（二）
13-8 特征降維介紹和地低方差特征過(guò)濾
13-9 相關(guān)系數(shù)介紹
13-10 pca降維
13-11 案例-探究用戶對(duì)物品類別喜好
13-12 今日總結(jié)
13-13 機(jī)器學(xué)習(xí)階段整體內(nèi)容復(fù)習(xí)
13-14 pubg項(xiàng)目競(jìng)賽說(shuō)明
片尾