322分钟
机器学习：基础算法与模型实例
作为人工智能的重要分支，人工智能的重要技术基础，机器学习在越来越多的领域都发挥着巨大作用。 本门课程我们将系统学习机器学习的基础算法知识，课程从人工智能基本概念出发，通过公式推导对K近邻算法、线性回归…
作为人工智能的重要分支，人工智能的重要技术基础，机器学习在越来越多的领域都发挥着巨大作用。
本门课程我们将系统学习机器学习的基础算法知识，课程从人工智能基本概念出发，通过公式推导对K近邻算法、线性回归算法、梯度下降原理、逻辑回归算法四类基础算法进行详细解读。
除此之外，课程重点讲解两大应用实例，让学员串联所学理论知识能够学以致用，通过全方位解读机器学习的建模思想与应用流程，最终让学员掌握机器学习基础算法与简单应用。
一、人工智能入学指南
- 1.AI时代首选Python
- 2.机器学习：人工智能的核心
- 3.Python环境配置
- 4.Notebook工具使用
二、K近邻算法实战
- 1.K近邻算法概述
- 2.模型的评估
- 3.数据预处理
- 4.sklearn库与功能概述
- 5.多变量KNN模型
三、线性回归算法原理推导
- 1.回归问题概述
- 2.误差项定义
- 3.似然函数与参数求解
四、梯度下降原理
五、逻辑回归算法
六、案例实战：Python实现梯度下降与逻辑回归
- 1.任务概述
- 2.完成梯度下降模块
- 3.停止策略与梯度下降案例
- 4.实验对比效果
七、案例实战：信用卡欺诈检测
- 1.任务目标解读
- 2.制定解决方案
- 3.数据标准化处理
- 4.数据集制作与切分
- 5.模型评估方法与召回率
- 6.正则化惩罚项
- 7.训练逻辑回归模型
- 8.混淆矩阵评估分析
- 9.测试集遇到的问题
- 10.阈值对结果的影响
- 11.SMOTE样本生成策略
- 12.过采样效果与项目总结
学习测试
唐宇迪
同济大学硕士，华东理工大学博士