第一章 DeepSeek快速上手—— 基础介绍 - 1.1.1什么是大模型及大模型分类 - 1.1.2 DeepSeek介绍、特点及局限性 - 1.1.3 DeepSeek的技术创新及应用选择 第一章 DeepSeek快速上手—— 应用场景 - 1.2.1 DeepSeek能做什么 - 1.2.2 在政务行业和金融行业的应用 - 1.2.3 在教育、医疗和文旅体育行业的应用 第一章 DeepSeek快速上手—— 快速入门 - 1.3.1 DeepSeek的使用 - 1.3.2 DeepSeek使用案例 第二章 无监督学习之聚类分析——使用Deepseek了解无监督学习 - 2.1.1 有监督学习与无监督学习 - 2.1.2 无监督学习的使用类型和常用场景 - 2.1.3 聚类分析常用算法概述 第二章 无监督学习之聚类分析——使用Deepseek掌握K均值聚类 - 2.2.1 K均值聚类原理讲解 - 2.2.2K均值聚类的Python实现 - 2.2.3 案例:对iris数据集进行K均值聚类 - 2.2.4 使用统计方法寻找最佳聚类簇数 第二章 无监督学习之聚类分析——使用Deepseek掌握层次聚类 - 2.3.1 学习层次聚类算法原理 - 2.3.2 学习层次聚类的Python实现 - 2.3.3 对USArrests数据集进行层次聚类 第二章 无监督学习之聚类分析——使用DeepSeek掌握密度聚类 - 2.4.1 学习密度聚类原理 - 2.4.2 学习密度聚类的python实现 - 2.4.3 案例:对multishapes数据集进行密度聚类 第三章 有监督学习之回归分析——使用DeepSeek了解有监督学习 - 3.1使用DeepSeek了解有监督学习 第三章 有监督学习之回归分析——使用Deepseek掌握一元线性回归 - 3.2.1 线性回归原理 - 3.2.2 通过OLS到拟合直线 第三章 有监督学习之回归分析——使用Deepseek掌握多元线性回归 - 3.3.1 多元线性回归如何寻找拟合直线 - 3.3.2 案例:对个人医疗费用进行多元线性回归 第三章 有监督学习之回归分析——使用DeepSeek掌握逻辑回归 - 3.4.1 逻辑回归原理 - 3.4.2 逻辑回归的python实现 - 3.4.3 对iris数据集进行逻辑回归 第四章 有监督学习之决策树及随机森林——使用Deepseek掌握决策树算法 - 4.1.1 给小自介绍决策树算法 - 4.1.2 决策树的构建过程 - 4.1.3 决策树优缺点 - 4.1.4 决策树常用算法优缺点 第四章 有监督学习之决策树及随机森林——使用Deepseek掌握决策树算法的Python实现 - 4.2.1 实现决策树算法的库 - 4.2.2学习sklearn的DecisionTreeClassifier类 第四章 有监督学习之决策树及随机森林——案例:对iris数据集进行决策树分类 - 4.3.1 案例:对iris数据集进行决策树分类 - 4.3.2 进一步学习决策规则及决策边界 第四章 有监督学习之决策树及随机森林——案例:对乳腺癌数据集进行决策树分类 - 4.4.1 案例:对乳腺癌数据集进行决策树分类-数据加载及预处理 - 4.4.2 案例:对乳腺癌数据集进行决策树分类-模型训练及评估 第四章 有监督学习之决策树及随机森林—— 使用DeepSeek掌握随机森林算法 - 4.5.1 介绍什么是集成学习 - 4.5.2 介绍常用集成算法优缺点 - 4.5.3 介绍skleran实现随机森林算法 第四章 有监督学习之决策树及随机森林——案例:对乳腺癌数据集进行随机森林分类 - 4.6案例:对乳腺癌数据集进行随机森林分类 第五章 有监督学习之K近邻及支持向量机第一节——使用Deepseek掌握K近邻算法 - 5.1.1 K近邻算法 - 5.1.2 K近邻算法的python实现 第五章 有监督学习之K近邻及支持向量机——案例:对乳腺癌数据集进行K近邻分类 - 5.2.1案例:对乳腺癌数据集进行K近邻分类 - 5.2.2 案例:对乳腺癌数据集进行K近邻分类-网格搜索 第五章 有监督学习之K近邻及支持向量机——使用Deepseek掌握支持向量机算法 - 5.3.1 支持向量机算法 - 5.3.2 超平面、最大间隔和支持向量概念 - 5.3.3 支持向量机的python实现 第五章 有监督学习之K近邻及支持向量机——案例:对乳腺癌数据集进行支持向量机分类 - 5.4 案例:对乳腺癌数据集进行支持向量机分类