156分钟
机器学习应用：降维算法与案例解析
在机器学习中，降维的意义在于提取有效信息，摒弃无用信息。降维算法与回归算法、聚类算法等算法不同，其目标是将向量投影到低维空间进而达到分类或可视化等目的。 本门课程，我们将深入学习降维算法中的线性判别分…
在机器学习中，降维的意义在于提取有效信息，摒弃无用信息。降维算法与回归算法、聚类算法等算法不同，其目标是将向量投影到低维空间进而达到分类或可视化等目的。
本门课程，我们将深入学习降维算法中的线性判别分析与主成分分析方法，我们将通过基本概念、数学公式推导与优化目标三部分初步建立对LDA和PCA方法的认知，然后通过两个项目实例掌握两类方法的具体操作。
通过学习本课程，将在掌握降维算法如何在实际数据集中的应用的同时，对机器学习及其应用领域有进一步的了解。
一、降维算法：线性判别分析
- 1.线性判别分析要解决的问题
- 2.数学原理与优化目标
- 3.公式求解与分析
二、Python实现线性判别分析
- 1.实现降维任务
- 2.任务结果
三、降维算法：PCA主成分分析
- 1.主成分分析概述
- 2.方差与协方差
- 3.PCA结果推导
- 4.PCA降维实例
四、数据特征常用构建方法
- 1.基本数值特征
- 2.常用特征构造手段
- 3.时间特征处理
- 4.文本特征处理
- 5.构造文本向量
- 6.词向量特征
- 7.图像特征
学习测试
唐宇迪
同济大学硕士，华东理工大学博士