Sklearn

课程亮点：

十一周sklearn课程，让菜菜带你认识sklearn，带你深入浅出地探索算法的神秘世界。我会为你解读sklearn中的主流算法，带你处理数据，调整参数，完善算法，调用结果。我会为你解析参数，助你理解算法原理，也会带你遍历案例，带你实战给你刷经验。十一周之后，人人都能够三行实现算法，实现少加班，多钻研，在数据行业乘风破浪的目标，为成为优秀的数据挖掘工程师打下坚实的基础~

学习目标：

使用数据科学领域切主流语言python及其建模库sklearn库座位课程核心工具，基于真实数据集和项目案例，集合python工具与机器学习算法完成整个案例实战

课程内容：

第1章: 菜菜的机器学习sklearn课程介绍

第2章: 决策树

2.1分类树

2.2回归树

2.3回归树案例：用回归树拟合正弦曲线

2.4案例：泰坦尼克号生存者预测

第3章: 随机森林

3.1集成算法概述

3.2随机森林分类器 、回归器

3.3案例：用随机森林填补缺失值

3.4机器学习中调参的基本思想

3.5案例：随机森林在乳腺癌数据上的调参

第4章: 数据预处理和特征工程

4.1数据预处理与特征工程

4.2数据预处理：无量纲化：数据归一化、缺失值、处理分类型数据、处理连续型数据

4.3特征选择过滤法：方差过滤 、卡方过滤、F检验和互信息法、嵌入法、包装法

第5章: 主成分分析PCA与奇异值分解SVD

5.1降维算法

5.2参数应用案例：高维数据的可视化

5.3属性应用案例：人脸识别中的components_应用

5.4接口应用案例：用人脸识别看PCA降维后的信息保存量

5.5接口应用案例：用PCA实现手写数字的噪音过滤

5.6总结：原理，流程，重要属性接口和参数

5.**CA实现784个特征的手写数字的降维

第6章: 逻辑回归与评分卡

6.1逻辑回归

6.******rn当中的逻辑回归

6.3二元逻辑回归的损失函数

6.4正则化：重要参数penalty & C

6.5逻辑回归的特征工程

6.6重要参数max_iter - 梯度下降求解逻辑回归的过程

6.7梯度的概念与解惑、步长的概念与解惑

6.8二元回归与多元回归：重要参数solver & multi_class

6.9样本不均衡与参数class_weight

6.1评分卡案例 - 评分卡与完整的模型开发流程

6.11评分卡 - 数据预处理- 重复值与缺失值、异常值

第7章: 聚类算法KMeans

7.1无监督学习概述，聚类vs分类

7.******rn当中的聚类算法

7.3簇内平方和，时间复杂度

7.*****ns - 重要参数n_clusters

7.5聚类算法的模型评估指标

7.6案例：轮廓系数找n_clusters

7.7案例：Kmeans做矢量量化

第8章: 支持向量机 （上）

8.**VM

8.2线性SVC的损失函数

8.3函数间隔与几何间隔

8.4拉格朗日对偶函数

8.5线性SVM可视化

8.6案例：如何选取核函数

8.7案例：在乳腺癌数据集上探索核函数的性质

第9章: 支持向量机 （下）

9.1简单复习支持向量机的基本原理

9.2参数C的深入理解：多个支持向量存在的理由

9.3二分类SVC中的样本不均衡问题：重要参数class_weight

9.**VC的模型评估指标

9.5混淆矩阵与准确率

9.6精确度Precision、召回率Recall与F1 measure

9.7对多数类样本的关怀：特异度Specificity与假正率FPR

9.******rn中的混淆矩阵

9.**OC曲线：Recall与假正率FPR的平衡

9.1案例：预测明天是否会下雨 - 案例背景

9.11案例：导库导数据，探索特征，jupyter中的快捷键

9.12案例：分集，优先处理标签

9.13案例：描述性统计，处理异常值

9.14案例：现实数据上的数据预处理

9.15案例：现实数据集上的数据预处理 - 处理连续型变量

9.16案例：建模与模型评估

9.17案例：模型调参：追求精确度与recall的平衡

第10章: 回归大家族：线性回归，岭回归，Lasso与多项式回归

10.1课时 182 : 线性回归大家族

10.2多元线性回归的基本原理和损失函数

10.3回归类模型的评估指标

10.4多重共线性：含义，数学，以及解决方案

10.5岭回归处理多重共线性

10*****so

10.7线性数据与非线性数据

10.8线性vs非线性模型

10.9离散化：帮助线性回归解决非线性问题

10.1多项式回归

第11章: 朴素贝叶斯

11.1概率论基础 - 贝叶斯理论等式

11.2瓢虫冬眠：理解条件概率

11.3贝叶斯的性质与后验估计

11.4汉堡称重：连续型变量的概率估计

11******rn中的朴素贝叶斯

11.6高斯朴素贝叶斯

11.7多项式朴素贝叶斯

11.8伯努利朴素贝叶斯

11.9补集朴素贝叶斯

11.1案例：贝叶斯做文本分类

第12章: XGBoost