k均值聚类算法及应用示例
上一节
下一节
肖朝亮
目录
-
1 绪论
-
1.1 课程介绍
-
1.2 教师团队介绍
-
1.3 机器学习是什么
-
1.4 机器学习算法
-
1.5 编程环境及工具包
-
1.6 数学基础回顾
-
-
2 聚类
-
2.1 k均值聚类算法及应用示例
-
2.2 聚类算法基础
-
2.3 DBSCAN及其派生算法
-
2.4 AGNES算法
-
2.5 小结
-
-
3 回归
-
3.1 回归任务、评价与线性回归模型
-
3.2 机器学习中的最优方法
-
3.3 多项式回归
-
3.4 过拟合和泛化
-
3.5 向量相关性与岭回归
-
3.6 局部回归
-
3.7 小结（练习）
-
-
4 分类
-
4.1 决策树、随机森林及其应用
-
4.2 分类算法基础
-
4.3 逻辑回归
-
4.4 Sofemax回归
-
4.5 集成学习与类别不平衡问题
-
4.6 小结（练习）
-
-
5 特征工程、降维与超参数调优
-
5.1 特征工程
-
5.2 线性降维
-
5.3 超参数调优
-
5.4 小结（练习）
-
-
6 概率模型与标注
-
6.1 概率模型
-
6.2 逻辑回归模型的概率分析
-
6.3 朴素贝叶斯分类
-
6.4 EM算法与高斯混合聚类
-
6.5 隐马尔可夫模型
-
6.6 条件随机场模型
-
6.7 小结（练习）
-
-
7 神经网络
-
7.1 神经网络模型
-
7.2 多层神经网络
-
7.3 竞争学习和自组织特征映射网络
-
7.4 小结（练习）
-
-
8 决策树补充视频
-
8.1 决策树1
-
8.2 决策树2
-
8.3 决策树3
-
8.4 决策树4
-
8.5 决策树5
-
-
9 案例补充参考资料
-
9.1 广东省城市竞争力分析
-
9.2 电影内容聚类分析
-
9.3 房价预测
-
9.4 泰坦尼克生存分析
-
9.5 线性回归解析与实例
-
9.6 逻辑回归与实例
-
9.7 决策树分析与实例
-
