梗直哥机器学习必修课经典算法与Python实战学习笔记

梗直哥机器学习必修课经典算法与Python实战学习笔记

05.2-2-数据长什么样：常见数据集、典型实例、如何使用    

06.2-3-研究哪些问题：分类、回归等    

07.2-4-如何分门别类：监督、无监督、强化学习等    

08.2-5-机器学习的七大常见误区和局限    

09.3-1本章总览：相互关系与学习路线    

10.3-2-Anaconda图形化操作    

100.12-4-聚类算法代码实现    

101.12-5-聚类评估代码实现    

102.12-6-聚类算法优缺点和适用条件    

103.13-1-本章总览    

104.13-2-PCA核心思想和原理    

105.13-3-PCA求解算法    

106.13-4-PCA算法代码实现    

107.13-5-降维任务代码实现    

108.13-6-PCA在数据降噪中的应用    

109.13-7-PCA在人脸识别中的应用    

11.3-3-Anaconda命令行操作    

110.13-8-主成分分析优缺点和适用条件    

111.14-1-本章总览    

112.14-2-概率图模型核心思想和原理    

113.14-3-EM算法参数估计    

114.14-4-隐马尔可夫模型代码实现    

115.14-5-概率图模型优缺点和适用条件    

116.15-1-本章总览    

117.15-2-泰坦尼克生还预测    

118.15-3-房价预测    

119.15-4-交易反欺诈代码实现    

12.3-4-JupyterNotebook基础使用    

120.15-5-如何深入研究机器学习    

13.3-5-JupyterNotebook高级使用：常用魔法命令    

14.3-6-Numpy基础：安装与性能对比    

15.3-7-Numpy数组创建：特定数组、等差数组、随机数组    

16.3-8-Numpy数组基础索引：索引和切片    

17.3-9-Numpy非常重要的数组合并与拆分操作    

18.3-10-Numpy数组矩阵运算：一元运算、二元运算与矩阵运算    

19.3-11-Numpy数组统计运算：常用的都在这儿了    

20.3-12-Numpy数组arg运算和排序    

21.3-13-Numpy数组神奇索引和布尔索引    

22.3-14-Matplotlib数据可视化：基础绘制与设置    

23.4-1本章总览    

24.4-2-KNN算法核心思想和原理    

25.4-3-KNN分类任务代码实现    

26.4-4-数据集划分：训练集与预测集    

27.4-5-模型评价    

28.4-6-超参数    

29.4-7-特征归一化    

30.4-8-KNN回归任务代码实现    

31.4-9-KNN优缺点和适用条件    

32.5-1-本章总览    

33.5-2-线性回归核心思想和原理    

34.5-3-逻辑回归核心思想和原理    

35.5-4-线性回归代码实现    

36.5-5-模型评价：MSE、RMSE、MAE和R方    

37.5-6多项式回归代码实现    

38.5-7-逻辑回归算法    

39.5-8-线性逻辑回归代码实现    

40.5-9多分类策略    

41.5-10-复杂逻辑回归及代码实现    

42.5-11-线性算法优缺点和适用条件    

43.6-1-本章总览    

44.6-2-损失函数    

45.6-3-梯度下降    

46.6-4-决策边界    

47.6-5-过拟合与欠拟合    

48.6-6-学习曲线    

49.6-7-交叉验证    

50.6-8-模型误差    

51.6-9-正则化    

52.6-10-LASSO和岭回归代码实现    

53.6-11-模型泛化    

54.6-12-评价指标：混淆矩阵、精准率和召回率    

55.6-13-评价指标：ROC曲线    

56.7-1-本章总览    

57.7-2-决策树核心思想和原理    

58.7-3-信息熵    

59.7-4-决策树分类任务代码实现    

60.7-5-基尼系数    

61.7-6-决策树剪枝    

62.7-7-决策树回归任务代码实现    

63.7-8-决策树优缺点和适用条件    

64.8-1-本章总览    

65.8-2-神经网络核心思想和原理    

66.8-3-激活函数    

67.8-4-正向传播与反向传播    

68.8-5-梯度下降优化算法    

69.8-6-神经网络简单代码实现    

70.8-7-梯度消失和梯度爆炸    

71.8-8-模型选择    

72.8-9-神经网络优缺点和适用条件    

73.9-1-本章总览    

74.9-2-SVM核心思想和原理    

75.9-3-硬间隔SVM    

76.9-4-SVM软间隔    

77.9-5-线性SVM分类任务代码实现    

78.9-6-非线性SVM：核技巧    

79.9-7-SVM核函数    

80.9-8-非线性SVM代码实现    

81.9-9-SVM回归任务代码实现    

82.9-10-SVM优缺点和适用条件    

83.10-1-本章总览    

84.10-2-贝叶斯方法核心思想和原理    

85.10-3-朴素贝叶斯分类    

86.10-4-朴素贝叶斯的代码实现    

87.10-5-多项式朴素贝叶斯代码实现    

88.10-6-贝叶斯方法优缺点和适用条件    

89.11-1-本章总览    

90.11-2-集成学习核心思想和原理    

91.11-3-集成学习代码实现    

92.11-4-并行策略：Bagging、OOB等方法    

93.11-5-并行策略：随机森林    

94.11-6-串行策略：Boosting    

95.11-7-结合策略：Stacking方法    

96.11-8-集成学习优缺点和适用条件