精通高级机器学习和应用人工智能™

利用尖端机器学习技术和实际应用解锁新一代人工智能解决方案

学习内容：

– 介绍机器学习的基础概念

– 了解强化学习及其在决策中的应用

– 监督学习简介及其在预测模型中的作用

– 有效训练和评估机器学习模型的技术

– 深入探索线性回归及其在预测任务中的应用

– 评估机器学习模型的适合度以提高准确性

– 在现实世界的数据场景中应用监督学习技术

– 多元线性回归简介，用于对多个变量进行建模

– 评估多元线性回归模型的性能

– 多元线性回归在解决业务问题中的实际应用

– 掌握逻辑回归及其在分类任务中的应用

– 特征工程技术来改进逻辑回归模型

– 逻辑回归在分类和预测中的应用

– 了解决策树及其在机器学习中的应用

– 评估决策树的最佳预测性能

– 将决策树应用于各个行业的实际问题

– 掌握随机森林及其在预测任务中的优势

– 超参数调整技术可优化机器学习模型

– 结合决策树和随机森林来增强预测能力

– 掌握用于分类任务的支持向量机（SVM）

– 了解 SVM 中的核函数来处理非线性数据

– 支持向量机在分类问题中的实际应用

– 实现监督学习的 K-最近邻 (KNN) 算法

– KNN算法在分类和预测中的实际应用

– 了解梯度提升算法及其在预测任务中的作用

– 掌握超参数调整以改进梯度提升模型

– 梯度提升在各种机器学习问题中的应用

– 掌握评估指标来评估机器学习模型的性能

– 理解和使用ROC曲线和AUC进行模型性能评估

– 介绍无监督学习概念，重点关注聚类和降维

– 掌握异常检测技术，识别数据中的异常值

– 用于无监督学习任务的 K-Means 聚类的高级技术

– 迭代K-Means算法来改善聚类结果

– K-Means 聚类在现实场景中的实际应用

– 掌握数据分割的层次聚类技术

– 使用树状图可视化层次聚类以获得清晰的见解

– 在实际问题中应用PCA来降低数据维度

– 了解线性判别分析 (LDA) 及其在无监督学习中的作用

– 比较 PCA 和 LDA 的降维技术

– 在机器学习中应用LDA进行降维和分类

– 掌握 t-SNE 以实现高级降维和可视化

– 了解 t-SNE 的工作原理并使用它来可视化高维数据

– 理解和应用降维评估指标

– 用于优化无监督学习模型的超参数调整技术

– 使用贝叶斯优化来提高无监督模型的性能

– 关联规则挖掘简介，用于从数据中提取模式

– 了解关联规则挖掘中的信心和支持度，以获得可操作的见解

– 在关联规则挖掘中使用 Apriori 算法进行市场篮子分析

– 逐步解释和应用 Apriori 算法进行实际分析

课程内容主题：

– 机器学习基础

– 监督学习（线性回归、逻辑回归、决策树、随机森林、梯度提升）

– 无监督学习（聚类、降维、异常检测）

– 模型评估与优化（ROC曲线、AUC、超参数调整）

– 高级算法（SVM、KNN、t-SNE、LDA、Apriori）

课程要求：

– 无需前置知识，适合所有学习者

– 对机器学习和人工智能领域感兴趣

– 具备基础编程能力（推荐Python）

课程详细描述：

– 本课程全面覆盖机器学习和人工智能的核心技术，从基础概念到高级应用，适合零基础至进阶学习者。

– 课程内容包含监督学习与无监督学习的完整知识体系，涵盖线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）、K-最近邻（KNN）、梯度提升等主流算法。

– 深入讲解聚类（K-Means、层次聚类、DBSCAN）、降维（PCA、t-SNE、LDA）等无监督学习技术，结合实际案例解析异常检测与关联规则挖掘。

– 通过ROC曲线、AUC、F1分数等指标掌握模型评估方法，学习超参数调优（网格搜索、随机搜索、贝叶斯优化）提升模型性能。

– 课程包含61个讲座和25小时的实战内容，结合真实数据集进行代码演示，帮助学员掌握从数据预处理到模型部署的全流程。

– 适合希望成为数据科学家、AI工程师、机器学习研究员等职业发展的学习者，亦可作为企业技术团队的培训资源。

B站免费课程

更多 软件编程 教程