Ensemble Machine Learning in Python: Random Forest, AdaBoost
Python中的集成机器学习：随机森林，AdaBoost
Ensemble Methods: Boosting, Bagging, Boostrap, and Statistical Machine Learning for Data Science in Python
集成方法：Boosting、Bagging、Bootstrap与Python中的统计机器学习数据科学
教程演示🔗
学生数量：17,587 个学生
上次更新时间：2024年2月
教程评分：4.7
教程语言：英语
教程字幕：中文、英语字幕
本课程包括：完整的永久访问权、6 小时 长的随选视频、结业证书、在移动设备和电视上观看字幕
学习内容
1、理解并推导偏差-方差分解
2、理解bootstrap方法及其在bagging中的应用。
3、理解为什么bagging能够提高分类和回归任务的性能。
4、理解并实现随机森林（Random Forest）
5、理解并实现AdaBoost算法
要求
1、去哪里获取代码和数据
2、所有数据都是相同的
3、即插即用 (Plug-and-Play)
4、微积分（导数）
5、Numpy，Matplotlib，Sci-Kit Learn 是一组在 Python 中广泛使用的科学计算和数据可视化库。
Numpy（Numeric Python）：用于处理大型多维数组和矩阵的库，提供高效的数学函数和操作。
Matplotlib：用于数据可视化的库，可以创建各种静态、动态和交互式图表，如线图、散点图、直方图等。
Sci-Kit Learn（Scikit-Learn）：是一个机器学习库，提供了多种监督学习、无监督学习和数据预处理算法，常用于数据分析和模型构建。
6、K-最近邻(K-Nearest Neighbors, KNN)
决策树(Decision Trees)
7、概率论与统计学（本科级别）
8、线性回归（Linear Regression）
逻辑回归（Logistic Regression）
课程介绍
近年来，人工智能（AI）和机器学习的复兴引起了广泛关注。机器学习已经带来了令人惊叹的成果，比如能够分析医学图像并达到与人类专家相当的疾病预测能力。
谷歌的AlphaGo程序通过深度强化学习，在策略游戏中击败了世界冠军。
自动驾驶汽车也开始应用机器学习，这将永久改变汽车行业。想象一个因消除了人为错误而大幅减少交通事故的世界。
谷歌宣布他们现在以“机器学习优先”为导向，像英伟达（NVIDIA）和亚马逊这样的公司也紧随其后，这些将成为未来创新的主要驱动力。
机器学习已融入各种产品，并在金融、在线广告、医疗和机器人等领域广泛应用。
无论你在哪个行业，它都是一个广泛适用的工具，一旦你熟练掌握，还将为你打开众多职业机会。
同时，机器学习也引发了一些哲学思考：我们是否在构建能思考的机器？意识意味着什么？电脑有一天会接管世界吗？
本课程将深入探讨集成方法。
我们已经学习了一些经典机器学习模型，如k-最近邻算法和决策树，研究了它们的局限性和缺点。
但如果我们能将这些模型结合起来，消除这些限制，就能创建出更强大的分类器或回归器。
在这门课中，我们将详细研究如何结合决策树和逻辑回归等模型，构建出比基础模型准确性更高的模型，如随机森林和AdaBoost算法。
为了激发讨论，我们将学习统计学习中的一个重要主题——偏差-方差权衡，并研究自助采样技术和bagging，以同时减少偏差和方差。
我们将进行大量实验，并在真实数据集上应用这些算法，让你亲身体验它们的强大之处。
鉴于深度学习当前的流行，我们将研究随机森林、AdaBoost和深度学习神经网络之间的一些有趣共同点。
本课程的所有材料都是免费的。只需在Windows、Linux或Mac上使用简单的命令，即可下载并安装Python、NumPy和SciPy。
这门课程侧重于“如何构建和理解”，而不仅仅是“如何使用”。阅读文档后，任何人都能在15分钟内学会使用API。关键不在于记忆事实，而是通过实验“亲自见证”。它将教你如何可视化模型内部的工作机制。如果你希望深入了解机器学习模型，这门课程非常适合你。
如伟大的物理学家理查德·费曼所说：“我不能创造的，我不理解。”在我的课程中，你是唯一从零开始学习机器学习算法的人。
其他课程可能教你如何将数据输入到库中，但真的需要帮助写3行代码吗？
当你用同样的方法处理10个数据集时，你可能会发现你并没有学到10种东西，而是学到了一种，只是重复了相同的3行代码10次……
建议先修的课程：
微积分（导数）
概率论
面向对象编程
Python编程：if/else、循环、列表、字典、集合
NumPy编程：矩阵和向量操作
简单机器学习模型，如线性回归和决策树
关于课程顺序：
查看名为“机器学习与AI前置路线图”的讲座（在我的任何课程的FAQ中均可找到，包括免费的NumPy课程）。
特色：
详细解释每一行代码——随时可通过邮件与我交流，如果有不同意见。
避免浪费时间在键盘上“打字”——坦白说，没有人能在20分钟内仅凭空编写出值得学习的代码。
不怕大学级别的数学——获取其他课程忽略的重要算法细节。
利用机器学习的力量：探索前沿科技与哲学思考
我们将揭示人工智能和机器学习的革新历程，从AlphaGo的胜利到自动驾驶的潜力。课程深入剖析经典模型如k-NN和决策树，带你领略随机森林和AdaBoost的融合力量，以及偏差-方差平衡的奥秘。通过实战演练和深度学习的比较，你将在Python环境中轻松掌握，无需担心复杂的代码编写。理查德·费曼的精神贯穿始终，确保你的学习不仅是理论，更是实践中的理解。前置知识包括微积分、概率论、编程基础等。开始你的机器学习之旅，解锁无限职业发展机会！
