章节
评论
- 第1章 人工智能概述
-
1-1 机器学习科学计算库内容简介
-
1-2 人工智能概述
-
1-3 人工智能的发展历程
-
1-4 人工智能主要分支
- 第2章 机器学习与深度学习
-
2-1 机器学习定义工作流程概述
-
2-2 机器学习工作流程各步骤解释
-
2-3 机器学习算法分类介绍
-
2-4 模型评估
-
2-5 Azure机器学习平台实验演示1
-
2-6 Azure机器学习平台实验演示2
-
2-7 深度学习简介
-
2-8 基础环境安装
- 第3章 jupyter和数据分析三?？?/dt>
-
3-1 jupyter notebook的基本使用1
-
3-2 jupyter notebook的基本使用2
-
3-3 matplotlib的基本使用
-
3-4 实现基础绘图-某城市温度变换图
-
3-5 绘图辅助功能完善-某城市温度变换图
-
3-6 在一个坐标系下绘制多个图像
-
3-7 在多个坐标系下绘制多个图像
-
3-8 常见图形绘制
-
3-9 numpy介绍
-
3-10 ndarray介绍
-
3-11 创建0，1数组，固定范围数组
-
3-12 创建随机数组
-
3-13 数组的基本操作
-
3-14 ndarray的运算
-
3-15 数组间运算
-
3-16 矩阵复习
-
3-17 pandas介绍
-
3-18 pandas数据结构-series
-
3-19 pandas数据结构-DataFrame1
-
3-20 pandas数据结构-DataFrame2
-
3-21 pandas数据结构-multiindex和panel
-
3-22 pandas中的索引
-
3-23 赋值和排序
-
3-24 pandas中的算术运算和逻辑运算
-
3-25 pandas中的统计函数
-
3-26 pandas中的累计统计函数和自定义函数
-
3-27 pandas中绘图方式介绍
-
3-28 pandas中文件的读取和写入
-
3-29 缺失值的处理
- 第4章 数据处理与案例分析
-
4-1 数据离散化
-
4-2 数据表的合并
-
4-3 交叉表和透视表介绍
-
4-4 分组聚合介绍
-
4-5 星巴克案例实现
-
4-6 电影案例分析1
-
4-7 电影案例分析2
- 第5章 KNN算法
-
5-1 K-近邻算法简介
-
5-2 K近邻算法api初步使用
-
5-3 机器学习中距离度量介绍
-
5-4 K值的选择介绍
-
5-5 kd树和kd树的构造过程
-
5-6 kd树案例实现
-
5-7 数据集获取和属性介绍
-
5-8 数据可视化介绍
-
5-9 数据集的划分
-
5-10 特征预处理简介
-
5-11 归一化和标准化介绍
-
5-12 鸢尾花种类预测
-
5-13 KNN算法总结
-
5-14 交叉验证、网格搜索概念介绍
-
5-15 交叉验证、网格搜索案例实现
-
5-16 案例-Facebook位置预测流程分析
-
5-17 案例-Facebook位置预测代码实现1
-
5-18 案例-Facebook位置预测代码实现2
- 第6章 线性回归
-
6-1 线性回归简介
-
6-2 初始线性回归api
-
6-3 数学：求导
-
6-4 线性回归中损失函数的介绍
-
6-5 使用正规方程对损失函数进行优化
-
6-6 使用梯度下降法对损失函数进行优化
-
6-7 梯度下降法方法介绍
-
6-8 线性回归api再介绍
-
6-9 波士顿房价预测案例
-
6-10 欠拟合和过拟合的介绍
-
6-11 正则化线性模型
-
6-12 岭回归介绍
-
6-13 模型保存和加载
