资源详情
教程名称：
xa0 xa0 xa0 2017年最新机器学习实战启蒙全套视频教程配全套数据集与文档
教程内容：
xa0 xa0 以Python为主讲语言并通过真实案例让你快速入门机器学习。课程仅为基础教程适合于无任何基础的学员可以通过本教程很好的学习机器学习并快速入门。建议你在学习之前对Python的语法进行了解毕竟在人工智能领域Python作为主力语言还是非常有必要掌握的。课程基于Python机器学习库并且包含相对较为完善的资料和机器算法操作便捷的同时提供高效的数据挖掘与分析。所以这套课程是相当适合作为机器学习的入门课程。
教程目录：
数据集.rar
机器学习启蒙源码.zip
机器学习启蒙讲师源码.zip
第1章 机器学习概述
1-1 机器学习-导学
1-10 Python中的函数
1-11 应用GraphCreate Lab
1-13 SFrame中的列操作
1-14 SFrame中的apply函数
1-2 概述
1-3 机器学习示例
1-4 本门课使用的工具
1-5 本门课的内容
1-6 graphlab create的安装
1-7 IPython Notebook介绍
1-8 python 基本语法
1-9 条件和循环语句
第2章 回归模型
2-1 线忄生回归概述
2-10 回归实践-下载和探索房屋销售数据
2-11 回归实践-把数据拆分成训练集和测试集
2-12 回归实践-学习一个简单的回归模型通过房屋大小预测房价
2-13 回归实践-评估模型的误差
2-14 回归实践-通过Matplotlib来可视化预测
2-15 回归实践-探索学习到的模型系数
2-16 回归实践-探索数据的其他特征
2-17 回归实践-学习通过更多特征来预测房价的模型
2-18 回归实践-应用学习到的模型来预测更多的房价
2-2 预测房价
2-3 线忄生回归
2-4 加入更高阶的因素
2-5 通过训练-测试分离来评估过拟合
2-6 训练测试曲线
2-7 加入新的特征
2-8 其他回归示例
2-9 回归总结
第3章 分类模型
3-1 分类-分析情感
3-10 类别概率
3-11 分类总结
3-12 分类实践-获取和探索商品评论数据
3-13 分类实践-构建词袋向量
3-14 分类实践-探索流行的商品
3-15 分类实践-定义评论的正面和负面感情
3-16 分类实践-训练情感的分类器
3-17 分类实践-通过ROC曲线评估分类器
3-18 分类实践-应用模型于商品的最正面和最负面评论
3-19 分类实践-探索商品的最正面和最负面评价
3-2 从主题预测情感
3-3 分类器应用
3-4 线忄生分类器
3-5 决策边界
3-6 训练和评估分类器
3-7 什么是好的精度
3-8 混淆矩阵
3-9 学习曲线
第4章 聚类和相似度模型
4-1 聚类和相似度-文档检索
4-10 其他例子
4-11 聚类和相似度总结
4-12 聚类和相似度实践-获取和探索维基百科数据
4-13 聚类和相似度实践-探索单词计数
4-14 聚类和相似度实践-计算和探索TF-IDF
4-15 聚类和相似度实践-计算维基百科文章的距离
4-16 聚类和相似度实践-构建和探索维基百科文章的最近领域模型
4-17 聚类和相似度实践-实际文档检索的例子
4-2 检索感兴趣的文档
4-3 用于测量相似度的单词计数表示
4-4 应用TF-IDF对于重要单词进行优先级排序
4-5 TF-IDFf文档表示
4-6 检索相似的文档
4-7 文档聚类
4-8 聚类介绍
4-9 k-均值
第5章 推荐系统
5-1 推荐商品
5-10 通过矩阵分解发现隐藏结构
5-11 特征+矩阵分解
5-12 推荐系统的忄生能度量
5-13 最优推荐
5-14 准确率-召回率曲线
5-15 推荐系统总结
5-16 推荐系统实践-获取和探索音乐数据
5-17 推荐系统实践-构建和评估基于流行度的音乐推荐系统
5-18 推荐系统实践-构建和评估个忄生化的音乐推荐系统
5-19 推荐系统实践-召回率来比较推荐模型
5-2 我们在哪能见到推荐系统【此章节有密码】
5-2小节播放器.exe
5-3 推荐的分类模型
5-4 协同过滤
5-5 流行物品的影响
5-6 正规化同现矩阵
5-7 矩阵补全问题
5-8 通过用户和物品的特征进行推荐
5-9 利用矩阵形式预测
第6章 深度学习
6-1 深度学习：图像搜索
6-10 深度学习实践-构建图像检索的最近邻模型
6-11 深度学习实践-通过查询最近邻模型来检索图像
6-12 深度学习实践-检索和轿车图像最相似的图像
6-13 深度学习实践-通过Python和Lanbda函数来显示其他检索图像
6-2 神经网络
6-3 深度学习在计算机视觉中的应用
6-4 深度学习的忄生能
6-5 计算机视觉中的深度学习
6-6 深度学习的挑战
6-7 迁移学习
6-8 深度学习总结(1)
6-9 深度学习实践-获取图像数据
