Introduction
1.
K-近邻算法
1.1.
K-近邻算法简介
1.2.
k近邻算法api初步使用
1.3.
距离度量
1.4.
k值的选择
1.5.
kd树
1.6.
案例1：鸢尾花种类预测--数据集介绍
1.7.
特征工程-特征预处理
1.8.
案例1：鸢尾花种类预测--流程实现
1.9.
练一练
1.10.
交叉验证，网格搜索
1.11.
案例2：预测facebook签到位置
2.
线性回归
2.1.
线性回归简介
2.2.
线性回归api初步使用
2.3.
数学:求导
2.4.
线性回归的损失和优化
2.5.
梯度下降法方法介绍
2.6.
线性回归api再介绍
2.7.
案例：波士顿房价预测
2.8.
欠拟合和过拟合
2.9.
正则化线性模型
2.10.
线性回归的改进-岭回归
2.11.
模型的保存和加载
3.
逻辑回归
3.1.
逻辑回归介绍
3.2.
逻辑回归api介绍
3.3.
案例：癌症分类预测-良／恶性乳腺癌肿瘤预测
3.4.
分类评估方法
3.5.
ROC曲线的绘制
4.
决策树算法
4.1.
决策树算法简介
4.2.
决策树分类原理
4.3.
cart剪枝
4.4.
特征工程-特征提取
4.5.
决策树算法api
4.6.
案例：泰坦尼克号乘客生存预测
5.
集成学习
5.1.
集成学习算法简介
5.2.
Bagging和随机森林
5.3.
Boosting
6.
聚类算法
6.1.
聚类算法简介
6.2.
聚类算法api初步使用
6.3.
聚类算法实现流程
6.4.
模型评估
6.5.
算法优化
6.6.
特征工程-特征降维
6.7.
案例：探究用户对物品类别的喜好细分降维
6.8.
算法选择指导
Published with GitBook
机器学习算法课程定位、目标
集成学习
学习目标
了解集成学习中主要解决的两个核心任务
知道bagging集成原理
知道随机森林决策树的建立过程
知道为什么需要随机有放回(Bootstrap)的抽样
应用RandomForestClassifie实现随机森林算法
知道boosting集成原理
知道bagging和boosting的区别
了解gbdt实现过程