使用Python进行机器学习课程 Machine Learning Using Python (2024)

这门课程是对机器学习领域的介绍，重点是使用Python编程语言进行实现。 机器学习是人工智能的一个分支，它使系统能够从数据中学习并在没有明确编程的情况下进行预测或决策。 Python已经成为机器学习最受欢迎的编程语言之一，因为它简单、多功能，并且拥有诸如Scikit-learn、Mlxtend、Pandas等库的丰富生态系统。 通过这门课程，学生将探索基本的机器学习概念、算法和技术，并通过Python实现它们以获得实际经验。 该课程将涵盖的主题包括:1. 机器学习简介2. 使用Python进行数据清洗· 创建数据框架· 描述数据· 导航数据框架· 基于条件选择行· 替换值· 重命名列· 查找最小值、最大值、总和、平均值和计数· 查找唯一值· 处理缺失值· 删除列· 删除行· 删除重复行· 按值和时间分组行· 遍历列· 对列中的所有元素应用函数· 对组应用函数· 连接数据框架· 合并数据框架处理数值数据· 重新缩放特性· 标准化特性· 转换特性· 检测异常值· 处理异常值· 删除具有缺失值的观察处理分类数据· 编码序数分类特征· 编码特征字典3. 绘图和探索数值数据和分类数据· 箱线图· 直方图· 散点图· 交叉制表4. 训练和建模数据· 将数据集拆分为训练和验证集· K倍交叉验证· Bootstrap抽样5. 使用特征提取进行降维· 使用PCA减少特性· 使用LDA减少特性· 使用NMF减少特性6. 用于分类的监督算法· KNN· 决策树· 随机森林· 支持向量机· 朴素贝叶斯· 逻辑回归7. 用集合方法改进模型性能· Ada Boost· XG Boost8. 评估分类模型的性能· 混淆矩阵· 卡帕分数· F – 测量· 精度· 召回率· ROC曲线9. 回归· 线性回归· 逻辑回归· R2分数评估10. 无监督算法聚类· K均值· K中心· 分层关联分析· Apriori算法和关联规则通过本课程结束时，学生将对机器学习概念和技术有坚实理解，熟练使用Python实现机器学习算法，并能够应用机器学习解决现实世界问题。 本课程将使学生有能力在快速增长的机器学习和人工智能领域进一步学习或追求职业。

由Prerna Agrawal博士创建
MP4 | 视频：h264，1280×720 | 音频：AAC，44.1千赫，2通道
类型：电子学习 | 语言：英语 | 时长：13讲座（3小时53分钟） | 大小：2 GB

使用Python的机器学习

你将学会：
了解机器学习的基本概念及其在各个领域的应用。
学习数据预处理过程，包括处理缺失数据，特征缩放和编码分类变量。
掌握各种监督学习算法，如线性回归，逻辑回归，决策树，支持向量机和最近邻算法
探索无监督学习技术，包括聚类，降维和关联规则学习。
培养批判性分析和解释机器学习结果并做出数据驱动决策的能力。
为进一步学习或在机器学习和人工智能领域的职业发展奠定坚实基础。

要求：
Python编程