发帖
雷达卡
十一周sklearn课程，让菜菜带你认识sklearn，带你深入浅出地探索算法的神秘世界。我会为你解读sklearn中的主流算法，带你处理数据，调整参数，完善算法，调用结果。我会为你解析参数，助你理解算法原理，也会带你遍历案例，带你实战给你刷经验。十一周之后，人人都能够三行实现算法，实现少加班，多钻研，在数据行业乘风破浪的目标，为成为优秀的数据挖掘工程师打下坚实的基础~
课程内容
- 第1章: 菜菜的机器学习sklearn课程介绍
- 课程介绍
- 开始学习机器学习之前：配置环境
- 全部章节数据
- 第2章: 决策树
- 决策树课件
- 引言，sklearn入门
- 决策树：概述
- 分类树：参数Criterion
- 分类树：实现一棵树，随机性参数
- 分类树：剪枝参数调优(1)
- 分类树：剪枝参数调优(2)
- 分类树：重要属性和接口
- 回归树：参数，属性和接口
- 回归树：交叉验证 (1)
- 回归树：交叉验证(2)
- 回归树案例：用回归树拟合正弦曲线
- 案例：泰坦尼克号生存者预测 (1)
- 案例：泰坦尼克号生存者预测 (2)
- 案例：泰坦尼克号生存者预测 (3)
- 案例：泰坦尼克号生存者预测 (4)
- 第3章: 随机森林
- 随机森林课件
- 集成算法概述
- 随机森林分类器 参数n_estimators与建立一片森林
- 参数boostrap & oob_score + 重要属性和接口
- [选学] 袋装法的另一个必要条件
- 随机森林回归器
- 案例：用随机森林填补缺失值 (1)
- 案例：用随机森林填补缺失值 (2)
- 案例：用随机森林填补缺失值 (3)
- 案例：用随机森林填补缺失值 (4)
- 机器学习中调参的基本思想
- 案例：随机森林在乳腺癌数据上的调参 (1)
- 案例：随机森林在乳腺癌数据上的调参 (2)
- 第4章: 数据预处理和特征工程
- 数据预处理与特征工程课件
- 概述 + 12期课纲
- 数据预处理1：无量纲化：数据归一化
- 数据预处理2：无量纲化：数据标准化
- 数据预处理3：缺失值 (1)
- 数据预处理4：缺失值 (2)
- 数据预处理5：处理分类型数据：编码与哑变量
- 数据预处理6：处理连续型数据：二值化和分箱
- 特征选择1：过滤法：方差过滤 (1)
- 特征选择2：过滤法：方差过滤 (2)
- 特征选择3：过滤法：卡方过滤
- 特征选择4：过滤法：F检验和互信息法 (1)
- 特征选择5：过滤法：互信息法(2) + 总结
- 特征选择6：嵌入法 (1)
- 特征选择7：嵌入法 (2)
- 特征选择8：包装法 + 总结
- 第5章: 主成分分析PCA与奇异值分解SVD
- 降维算法课件
- 概述
- 降维究竟怎样实现？
- 参数应用案例：高维数据的可视化 (1)
- 参数应用案例：高维数据的可视化 (2)
- PCA中的SVD，重要参数svd_solver
- 属性应用案例：人脸识别中的components_应用
- 接口应用案例：用人脸识别看PCA降维后的信息保存量
- 接口应用案例：用PCA实现手写数字的噪音过滤
- 总结：原理，流程，重要属性接口和参数
- 案例：PCA实现784个特征的手写数字的降维 (1)
- 案例：PCA实现784个特征的手写数字的降维 (2)
- 第6章: 逻辑回归与评分卡
- 逻辑回归课件
- 前言
- 逻辑回归概述：名为“回归”的分类器
- 什么需要逻辑回归
- sklearn当中的逻辑回归
- 二元逻辑回归的损失函数
- 正则化：重要参数penalty & C
- 逻辑回归的特征工程 (1)
- 逻辑回归的特征工程 (2)
- 逻辑回归的特征工程 (3)
- 逻辑回归的特征工程 (4)
- 重要参数max_iter - 梯度下降求解逻辑回归的过程
- 梯度的概念与解惑
- 步长的概念与解惑
- 二元回归与多元回归：重要参数solver & multi_class
- 样本不均衡与参数class_weight
- 评分卡案例 - 评分卡与完整的模型开发流程
- 评分卡 - 数据预处理(1) - 重复值与缺失值
- 评分卡 - 数据预处理 (2) - 异常值
- 案例：评分卡 - 数据预处理 (3) - 标准化
- 案例：评分卡 - 数据预处理 (4) - 样本不均衡问题
- 案例：评分卡 - 数据预处理 (5) - 保存训练集和测试集数据
- 案例：评分卡 - 分箱(1) - 概述与概念
- 案例：评分卡 - 分箱 (2) - 等频分箱 (1)
- 案例：评分卡 - 分箱 (3) - 等频分箱 (2)
- 案例：评分卡 - 分箱 (4) - 选学说明
- 案例：评分卡 - 分箱 (5) - 计算WOE与IV
- 案例：评分卡 - 分箱 (6) - 卡方检验，箱体合并，IV值曲线，确定最优的箱子个数
- 案例：评分卡 - 分箱 (7) - 包装分箱函数
- 案例：评分卡 - 分箱 (8) - 包装判断分箱个数的函数
- 案例：评分卡 - 分箱 (9) - 对所有特征进行分箱
- 案例：评分卡 - 映射数据 (1)
- 案例：评分卡 - 映射数据 (2)
- 案例：评分卡 - 建模与模型验证
- 案例：评分卡 - 评分卡的输出和建立
- 第7章: 聚类算法KMeans
- 聚类算法Kmeans课件
- 概述
- 无监督学习概述，聚类vs分类
- klearn当中的聚类算法
- Kmeans是如何工作的？
- 簇内平方和，时间复杂度
- KMeans - 重要参数n_clusters
- 聚类算法的模型评估指标 (1)
- 聚类算法的模型评估指标 (2) - 轮廓系数
- 聚类算法的模型评估指标 (3) - CHI
- 案例：轮廓系数找最佳n_clusters (1)
- 案例：轮廓系数找最佳n_clusters (2)
- 案例：轮廓系数找最佳n_clusters (3)
- 重要参数init & random_state & n_init：初始质心怎么决定？
- 重要参数max_iter & tol：如何让聚类停下来？
- 重要属性与接口 & 函数k_means
- 案例：Kmeans做矢量量化 (1)：案例背景
- 案例：Kmeans做矢量量化 (2)
- 案例：Kmeans做矢量量化 (3)
- 案例：Kmeans做矢量量化 (4)
- 第8章: 支持向量机 （上）
- SVM (上) 课件
- 本周要学习什么
- 支持向量机概述：最强大的机器学习算法
- 支持向量机是如何工作的 & sklearn中的SVM
- 线性SVC的损失函数 (1)
- 线性SVC的损失函数 (2)
- 函数间隔与几何间隔
- 损失函数的拉格朗日乘数形态
- 拉格朗日对偶函数 (1)
- 拉格朗日对偶函数 (2)
- 求解拉格朗日对偶函数极其后续过程
- 线性SVM可视化 (1)：理解等高线函数contour
- 线性SVM可视化 (2)：理解网格制作函数meshgrid与vstack
- 线性SVM可视化 (3)：建模，绘制图像并包装函数
- 线性SVM可视化 (4)：探索建立好的模型
- 线性SVM可视化 (5)：非线性数据集上的推广与3D可视化
- 线性SVM可视化 (6)：Jupyter Notebook中的3D交互功能
- 非线性SVM与核函数：重要参数kernel
- 案例：如何选取最佳核函数 (1)
- 案例：如何选取最佳核函数 (2)
- 案例：在乳腺癌数据集上探索核函数的性质
- 案例：在乳腺癌数据集上对核函数进行调参 (1)
- 案例：在乳腺癌数据集上对核函数进行调参 (2)
- SVM在软间隔数据上的推广
- 重要参数C & 总结
- 第9章: 支持向量机 （下）
- SVM (下)课件
- 目录：本周将学习什么
- 简单复习支持向量机的基本原理
- 参数C的深入理解：多个支持向量存在的理由
- 二分类SVC中的样本不均衡问题：重要参数class_weight
- 如何使用参数class_weight (1)
- 如何使用参数class_weight (2)
- SVC的模型评估指标
- 混淆矩阵与准确率
- 样本不平衡的艺术(1)：精确度Precision
- 样本不平衡的艺术(2)：召回率Recall与F1 measure
- 对多数类样本的关怀：特异度Specificity与假正率FPR
- sklearn中的混淆矩阵
- ROC曲线：Recall与假正率FPR的平衡
- 概率与阈值
- SVM做概率预测
- 绘制ROC曲线 (1)
- 绘制ROC曲线 (2)
- 绘制ROC曲线 (3)
- sklearn中的ROC曲线和AUC面积
- 利用ROC曲线求解最佳阈值
- 选学说明：使用SVC时的其他考虑
- 案例：预测明天是否会下雨 - 案例背景
- 案例：导库导数据，探索特征，jupyter中的快捷键
- 案例：分集，优先处理标签
- 案例：描述性统计，处理异常值
- 案例：现实数据上的数据预处理 - 处理时间
- 案例：现实数据上的数据预处理 - 处理地点 (1)
- 案例：现实数据上的数据预处理 - 处理地点 (2)
- 案例：现实数据上的数据预处理 - 处理地点 (3)
- 案例：现实数据上的数据预处理 - 处理地点 (4)
- 案例：现实数据上的数据预处理 - 填补分类型缺失值
- 案例：现实数据上的数据预处理 - 编码分类型变量
- 案例：现实数据集上的数据预处理 - 处理连续型变量
- 案例：建模与模型评估 (1)
- 案例：建模与模型评估 (2)
- 案例：模型调参：追求最高的recall
- 案例：模型调参：追求最高的精确度 (1)
- 案例：模型调参：追求最高的精确度 (2)
- 案例：模型调参：追求精确度与recall的平衡
- SVM总结与结语
- 第10章: 回归大家族：线性回归，岭回归，Lasso与多项式回归
- 线性回归大家族课件
- 本周要学习什么
- 概述，sklearn中的线性回归大家族
- 多元线性回归的基本原理和损失函数
- 用最小二乘法求解多元线性回归的过程
- 多元线性回归的参数，属性及建模代码
- 回归类模型的评估指标：是否预测准确？
- 回归类模型的评估指标：是否拟合了足够的信息？
- 多重共线性：含义，数学，以及解决方案
- 岭回归处理多重共线性
- sklearn中的岭回归：linear_model.Ridge
- 为岭回归选择最佳正则化参数
- Lasso处理多重共线性
- Lasso的核心作用：特征选择
- Lasso选择最佳正则化参数
- 线性数据与非线性数据
- 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现
- 线性vs非线性模型 (2)：拟合，效果与特点
- 离散化：帮助线性回归解决非线性问题
- 多项式对数据做了什么？
- 多项式回归提升模型表现
- 多项式回归的可解释性
- 多项式回归：线性还是非线性模型？ + 本周结语
- 第11章: 朴素贝叶斯
- 朴素贝叶斯课件
- 本周要讲解的内容
- 为什么需要朴素贝叶斯
- 概率论基础 - 贝叶斯理论等式
- 瓢虫冬眠：理解条件概率 (1)
- 瓢虫冬眠：理解条件概率 (2)
- 瓢虫冬眠：理解条件概率 (3)
- 贝叶斯的性质与最大后验估计
- 汉堡称重：连续型变量的概率估计 (1)
- 汉堡称重：连续型变量的概率估计 (2)
- sklearn中的朴素贝叶斯
- 认识高斯朴素贝叶斯
- 高斯朴素贝叶斯擅长的数据集
- 探索贝叶斯 - 拟合中的特性与运行速度 (1)
- 探索贝叶斯 - 拟合中的特性与运行速度 (2) - 代码讲解 (1)
- 探索贝叶斯 - 拟合中的特性与运行速度 (3) - 代码讲解 (2)
- 探索贝叶斯 - 拟合中的特性与运行速度 (4) - 分析与结论
- 概率类模型的评估指标 (1) - 布里尔分数
- 概率类模型的评估指标 (2) - 布里尔分数的可视化
- 概率类模型的评估指标 (3) - 对数损失Log loss
- 概率类模型的评估指标 (4) - 可靠性曲线 (1)
- 概率类模型的评估指标 (5) - 可靠性曲线 (2)
- 概率类模型的评估指标 (6) - 概率分布直方图
- 概率类模型的评估指标 (7) - 概率校准 (1)
- 概率类模型的评估指标 (8) - 概率校准 (2)
- 多项式朴素贝叶斯 (1) - 认识多项式朴素贝叶斯
- 多项式朴素贝叶斯 (2) - 数学原理
- 多项式朴素贝叶斯 (3) - sklearn中的类与参数
- 多项式朴素贝叶斯 (4) - 来构造一个分类器吧
- 伯努利朴素贝叶斯 (1) - 认识伯努利朴素贝叶斯
- 伯努利朴素贝叶斯 (2) - sklearn中的类与参数
- 伯努利朴素贝叶斯 (3) - 构造一个分类器
- 探索贝叶斯 - 朴素贝叶斯的样本不均衡问题
- 补集朴素贝叶斯 - 补集朴素贝叶斯的原理 (1)
- 补集朴素贝叶斯 - 补集朴素贝叶斯的原理 (2)
- 补集朴素贝叶斯 - 处理样本不均衡问题
- 案例：贝叶斯做文本分类 (1) - 单词计数向量技术
- 案例：贝叶斯做文本分类 (2) - 单词计数向量的问题
- 案例：贝叶斯做文本分类 (3) - TF-IDF技术
- 案例：贝叶斯做文本分类 (4) - 探索和提取文本数据
- 案例：贝叶斯做文本分类 (5) - 使用TF-IDF编码文本数据
- 案例：贝叶斯做文本分类 (6) - 算法应用与概率校准
- 第12章: XGBoost
- XGBoost课件
- 本周要学习什么
- XGBoost前瞻：安装xgboost，xgboost库与sklearn API
- 梯度提升树(1)：集成算法回顾，重要参数n_estimators
- 梯度提升树(2)：参数n_estimators下的建模
- 梯度提升树(3)：参数n_estimators的学习曲线
- 梯度提升树(4)：基于方差-偏差困境改进的学习曲线
- 梯度提升树(5)：控制有放回随机抽样，参数subsample
- 梯度提升树(6)：迭代决策树：重要参数eta
- 梯度提升树(7)：迭代决策树：重要参数eta
- XGBoost的智慧 (1)：选择弱评估器：重要参数booster
- XGBoost的智慧 (2)：XGBoost的目标函数，使用xgboost库建模
- XGBoost的智慧 (3)：求解XGBoost的目标函数 - 推导过程
- XGBoost的智慧 (4)：求解XGboost的目标函数 - 泰勒展开的相关问题
- XGBoost的智慧 (5)：参数化决策树，正则化参数lambda与alpha
- XGBoost的智慧 (6)：建立目标函数与树结构的直接联系
- XGBoost的智慧 (7)：最优树结构，求解w和T
- XGBoost的智慧 (8)：贪婪算法求解最优树
- XGBoost的智慧 (9)：让树停止生长：重要参数gamma与工具xgb.cv
- XGBoost应用 (1)：减轻过拟合：XGBoost中的剪枝参数
- XGBoost应用 (2)：使用xgb.cv进行剪枝参数的调参
- XGBoost应用 (3)：使用pickle保存和调用训练好的XGB模型
- XGBoost应用 (4)：使用joblib保存和调用训练好的XGB模型
- XGBoost应用 (5)：XGB分类中的样本不平衡问题 - sklearnAPI
- XGBoost应用 (6)：XGB分类中的样本不平衡问题 - xgboost库
- XGBoost应用 (7)：XGB应用中的其他问题 + XGB结语
进入课程：《菜菜的机器学习sklearn课堂》
DA内容精选
京公网安备 11010802022788号
