机器学习 第一章:机器学习基础 01 机器学习 → B站视频链接 第二章:监督学习 B站视频链接 01 感知机 02 感知机原始形式(鸢尾花分类) 03 感知机对偶形式(鸢尾花分类) 04 线性回归 05 scikit-learn库之线性回归 06 普通线性回归(波斯顿房价预测)+特征选择 07 多元线性回归(波士顿房价预测) 08 多项式回归(波士顿房价预测) 09 对数线性回归(波士顿房价预测) 10 正则化线性回归(波士顿房价预测) 11 RANSAC算法线性回归(波斯顿房价预测) 12 Logistic(逻辑)回归 13 Softmax回归 14 scikit-learn库之逻辑回归 15 Logistic回归(鸢尾花分类) 16 k近邻算法 17 kd树 18 scikit-learn库之k近邻算法 19 k近邻算法(鸢尾花分类) 20 kd树(鸢尾花分类) 21 决策树ID3算法 22 决策树C4.5算法 23 决策树CART算法 24 决策树总结 25 scikit-learn库之决策树 26 决策树(鸢尾花分类) 27 朴素贝叶斯 28 scikit-learn库之线朴素贝叶斯 29 朴素贝叶斯(垃圾邮件分类) 30 线性可分支持向量机 31 线性支持向量机 32 线性支持向量机(鸢尾花分类) 33 非线性支持向量机 34 非线性支持向量机(鸢尾花分类)+自定义数据分类 35 scikit-learn库之支持向量机 36 支持向量回归 37 支持向量机总结 第三章:无监督学习 B站视频链接 01 K-Means聚类算法 第四章:集成学习 01 集成学习基础 02 AdaBoost算法 03 scikit-learn库之AdaBoost算法 04 AdaBoost算法代码(鸢尾花分类) 05 提升树 06 梯度提升树 07 scikit-learn库之梯度提升树 08 梯度提升算法代码(鸢尾花分类) 09 XgBoost算法 10 Bagging和随机森林 11 随机森林代码(葡萄酒质量检测) 12 scikit-learn库之随机森林 第五章:特征工程 01 特征预处理 02 特征选择 03 主成分分析(PCA) 04 scikit-learn库之主成分分析 05 主成分分析代码(手写数字识别) 06 模型选择 第六章:深度学习 B站视频链接 01 DeepLearning-图像识别 第七章:推荐系统 01 推荐系统常用度量指标 02 基于协同过滤的推荐算法 第八章:sklearn实战 01 课程习得 02 通过线性回归了解算法流程 03 机器学习算法原理 04 细分构建机器学习应用程序的流程-流程简介 05 细分构建机器学习应用程序的流程-数据收集 06 细分构建机器学习应用程序的流程-数据预处理 07 细分构建机器学习应用程序的流程-训练模型 08 细分构建机器学习应用程序的流程-测试模型 09 细分构建机器学习应用程序的流程-模型优化 第九章:tensorflow实战 01 Tensorflow1基本使用 附录A:优化算法 01 最小二乘法 02 梯度下降法 03 牛顿法和拟牛顿法 04 坐标轴下降法 05 前向选择法和前向梯度法 06 最小角回归法 07 前向分步算法 08 拉格朗日对偶性 09 算法【线性回归】 → B站视频链接(P1-P6) 附录B:数学 01 微积分-Sigmoid函数 02 微积分-sign(符号)函数 03 概率论-常见的概率分布模型 04 概率论-条件概率 05 概率论-极大似然估计 06 概率论-熵和信息增益 07 概率论-贝叶斯决策 08 线性代数-矩阵转置 09 线性代数-范数 10 线性代数-距离公式汇总 11 经济学-基尼指数 附录C:项目 01 手写数字识别 02 推荐系统 机器学习项目 01 模型【数据集】 → B站视频链接(P1-P5) 02 模型【训练模型】 → B站视频链接(P6-P8) 03 模型【优化模型】 → B站视频链接( 04 模型【持久化模型】 → B站视频链接(P1-P5)