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
决策树、随机森林及其应用

本章总览

分类（Classification），就是将某个事物判定为属于预先设定的有限个集合中的某一个的过程。分类问题是机器学习中应用最为广泛的问题。分类问题包括二分类问题和多分类问题。分类任务中样本的类别是预先设定的。分类属于监督学习。

本章先以较容易理解的算法入手，逐步展开讨论分类的基础知识，以及逻辑回归、Softmax回归等内容。

本章还讨论了集成学习方法和如何解决类别不平衡问题，它们也可以应用到聚类等其它机器学习任务中。

决策树分类算法

随机森林算法

回归树