机器学习技术与应用

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
小结

小结

人们在面对大量未知事物时，往往会采取分而治之的策略，即先将事物按照相似性分成多个组，然后按组对事物进行处理。机器学习里的聚类（Clustering）就是用来完成对事物进行分组的任务。Cluster常翻译位簇或簇类，聚类算法是对代表事物的实例的集合进行分簇（组）的算法。聚类属于无监督学习。在无监督学习中，训练样本没有标签，等同于实例。

本章先讨论了较为容易理解的k均值聚类算法，并通过一个有趣的实例向同学们展示其应用方法，然后介绍聚类算法的任务、评价和分类等知识，随后讨论了较为复杂的DBSCAN、OPTICS和AGNES等算法。

练习