机器学习与Python实践（校企共建课程）

刘昊

目录

  • 1 机器学习是什么
    • 1.1 引言
  • 2 Python基础
    • 2.1 变量和数据类型
    • 2.2 列表、元组和字典
    • 2.3 流程控制
    • 2.4 函数和lambda表达式
    • 2.5 数据可视化
  • 3 数据的准备与探索
    • 3.1 Python库介绍和使用
    • 3.2 数据的准备和探索
    • 3.3 十大数据预处理方法
  • 4 线性模型
    • 4.1 标准线性回归
    • 4.2 Ridge回归
    • 4.3 LASSO回归
    • 4.4 弹性网络回归
    • 4.5 回归模型的几个评估指标
  • 5 线性分类模型
    • 5.1 对数几率回归(逻辑回归)
    • 5.2 感知器学习算法
    • 5.3 口袋算法-线性不可分
    • 5.4 多层感知机(MLP)回归预测
  • 6 线性判别分析算法
    • 6.1 线性判别分析算法（一）
    • 6.2 线性判别分析算法（二）
    • 6.3 二次判别分析算法
  • 7 朴素贝叶斯分类算法
    • 7.1 朴素贝叶斯分类算法
  • 8 支持向量机
    • 8.1 硬间隔支持向量机算法
    • 8.2 软间隔支持向量机算法
    • 8.3 非线性支持向量机算法
    • 8.4 支持向量机多分类+回归
  • 9 决策树
    • 9.1 决策树
  • 10 集成学习
    • 10.1 随机森林算法
    • 10.2 自适应增强算法
    • 10.3 梯度提升决策树算法
  • 11 K近邻算法
    • 11.1 KNN算法
  • 12 无监督算法
    • 12.1 聚类算法
    • 12.2 特征工程
对数几率回归(逻辑回归)