機器學習實戰(zhàn)課件模板

機器學習實戰(zhàn)演講人202x-11-1101版權(quán)聲明版權(quán)聲明02獻詞獻詞

03一分類一分類041機器學習基礎(chǔ)1機器學習基礎(chǔ)11.1何謂機器學習21.2關(guān)鍵術(shù)語31.3機器學習的主要任務41.4如何選擇合適的算法51.5開發(fā)機器學習應用程序的步驟61.6python語言的優(yōu)勢1機器學習基礎(chǔ)1.7numpy函數(shù)庫基礎(chǔ)1.8本章小結(jié)1.8本章小結(jié)1機器學習基礎(chǔ)1.1何謂機器學習11.1.1傳感器和海量數(shù)據(jù)21.1.2機器學習非常重要1機器學習基礎(chǔ)1.6python語言的優(yōu)勢11.6.1可執(zhí)行偽代碼21.6.2python比較流行31.6.3python語言的特色41.6.4python語言的缺點052k-近鄰算法2k-近鄰算法2.1k-近鄰算法概述2.2示例：使用k近鄰算法改進約會網(wǎng)站的配對效果2.3示例：手寫識別系統(tǒng)2.4本章小結(jié)2k-近鄰算法2.1k-近鄰算法概述12.1.1準備：使用python導入數(shù)據(jù)22.1.2實施knn分類算法32.1.3如何測試分類器2k-近鄰算法2.2示例：使用k近鄰算法改進約會網(wǎng)站的配對效果2.2.1準備數(shù)據(jù)：從文本文件中解析數(shù)據(jù)012.2.2分析數(shù)據(jù)：使用matplotlib創(chuàng)建散點圖022.2.3準備數(shù)據(jù)：歸一化數(shù)值032.2.4測試算法：作為完整程序驗證分類器042.2.5使用算法：構(gòu)建完整可用系統(tǒng)052k-近鄰算法2.3示例：手寫識別系統(tǒng)ab2.3.2測試算法：使用k近鄰算法識別手寫數(shù)字2.3.1準備數(shù)據(jù)：將圖像轉(zhuǎn)換為測試向量063決策樹3決策樹3.1決策樹的構(gòu)造3.2在python中使用matplotlib注解繪制樹形圖3.3測試和存儲分類器3.4示例：使用決策樹預測隱形眼鏡類型3.5本章小結(jié)3.2在Python中使用Matplotlib注解繪制樹形圖3.3測試和存儲分類器3.4示例：使用決策樹預測隱形眼鏡類型3.5本章小結(jié)3決策樹3.1決策樹的構(gòu)造3.1.2劃分數(shù)據(jù)集1323.1.1信息增益3.1.3遞歸構(gòu)建決策樹3決策樹3.2在python中使用matplotlib注解繪制樹形圖a3.2.1matplotlib注解3.2.2構(gòu)造注解樹b3決策樹3.3測試和存儲分類器ab3.3.2使用算法：決策樹的存儲3.3.1測試算法：使用決策樹執(zhí)行分類074基于概率論的分類方法：樸素貝葉斯14.1基于貝葉斯決策理論的分類方法34.3使用條件概率來分類24.2條件概率44.4使用樸素貝葉斯進行文檔分類4基于概率論的分類方法：樸素貝葉斯54.5使用Python進行文本分類64.6示例：使用樸素貝葉斯過濾垃圾郵件4基于概率論的分類方法：樸素貝葉斯4.7示例：使用樸素貝葉斯分類器從個人廣告中獲取區(qū)域傾向4.8本章小結(jié)4基于概率論的分類方法：樸素貝葉斯4.5使用python進行文本分類4.5.1準備數(shù)據(jù)：從文本中構(gòu)建詞向量014.5.2訓練算法：從詞向量計算概率024.5.3測試算法：根據(jù)現(xiàn)實情況修改分類器034.5.4準備數(shù)據(jù)：文檔詞袋模型044基于概率論的分類方法：樸素貝葉斯4.6示例：使用樸素貝葉斯過濾垃圾郵件01024.6.1準備數(shù)據(jù)：切分文本4.6.2測試算法：使用樸素貝葉斯進行交叉驗證4基于概率論的分類方法：樸素貝葉斯4.7示例：使用樸素貝葉斯分類器從個人廣告中獲取區(qū)域傾向14.7.1收集數(shù)據(jù)：導入rss源24.7.2分析數(shù)據(jù)：顯示地域相關(guān)的用詞085logistic回歸5logistic回歸5.1基于logistic回歸和sigmoid函數(shù)的分類

5.2基于最優(yōu)化方法的最佳回歸系數(shù)確定5.2.1梯度上升法5.2.2訓練算法：使用梯度上升找到最佳參數(shù)5.2.3分析數(shù)據(jù)：畫出決策邊界5.2.4訓練算法：隨機梯度上升5.3示例：從疝氣病癥預測病馬的死亡率5.3.1準備數(shù)據(jù)：處理數(shù)據(jù)中的缺失值5.3.2測試算法：用logistic回歸進行分類5.4本章小結(jié)

5.2基于最優(yōu)化方法的最佳回歸系數(shù)確定5.2.1梯度上升法5.2.2訓練算法：使用梯度上升找到最佳參數(shù)5.2.3分析數(shù)據(jù)：畫出決策邊界5.2.4訓練算法：隨機梯度上升5.3示例：從疝氣病癥預測病馬的死亡率5.3.1準備數(shù)據(jù)：處理數(shù)據(jù)中的缺失值5.3.2測試算法：用Logistic回歸進行分類5.4本章小結(jié)

096支持向量機6支持向量機ABCDEF6.1基于最大間隔分隔數(shù)據(jù)6.3smo高效優(yōu)化算法6.5在復雜數(shù)據(jù)上應用核函數(shù)6.2尋找最大間隔6.4利用完整plattsmo算法加速優(yōu)化6.6示例：手寫識別問題回顧6支持向量機6.7本章小結(jié)6支持向量機6.2尋找最大間隔16.2.1分類器求解的優(yōu)化問題26.2.2svm應用的一般框架6支持向量機6.3smo高效優(yōu)化算法ab6.3.2應用簡化版smo算法處理小規(guī)模數(shù)據(jù)集6.3.1platt的smo算法6支持向量機6.5在復雜數(shù)據(jù)上應用核函數(shù)6.5.1利用核函數(shù)將數(shù)據(jù)映射到高維空間6.5.2徑向基核函數(shù)6.5.3在測試中使用核函數(shù)107利用adaboost元算法提高分類性能17.1基于數(shù)據(jù)集多重抽樣的分類器37.3基于單層決策樹構(gòu)建弱分類器27.2訓練算法：基于錯誤提升分類器的性能47.4完整AdaBoost算法的實現(xiàn)7利用adaboost元算法提高分類性能57.5測試算法：基于AdaBoost的分類67.6示例：在一個難數(shù)據(jù)集上應用AdaBoost7利用adaboost元算法提高分類性能7.1基于數(shù)據(jù)集多重抽樣的分類器017.1.1bagging：基于數(shù)據(jù)隨機重抽樣的分類器構(gòu)建方法027.1.2boosting7利用adaboost元算法提高分類性能7.7非均衡分類問題單擊此處添加標題9,300million7.7.1其他分類性能度量指標：正確率、召回率及roc曲線7.7.2基于代價函數(shù)的分類器決策控制7.7.3處理非均衡問題的數(shù)據(jù)抽樣方法單擊此處輸入你的正文，文字是您思想的提煉，為了最終演示發(fā)布的良好效果，請盡量言簡意賅的闡述觀點；根據(jù)需要可酌情增減文字，以便觀者可以準確理解您所傳達的信息。11二利用回歸預測數(shù)值型數(shù)據(jù)二利用回歸預測數(shù)值型數(shù)據(jù)128預測數(shù)值型數(shù)據(jù)：回歸8預測數(shù)值型數(shù)據(jù)：回歸ABCDEF8.1用線性回歸找到最佳擬合直線8.3示例：預測鮑魚的年齡8.5權(quán)衡偏差與方差8.2局部加權(quán)線性回歸8.4縮減系數(shù)來「理解」數(shù)據(jù)8.6示例：預測樂高玩具套裝的價格8預測數(shù)值型數(shù)據(jù)：回歸8.7本章小結(jié)8預測數(shù)值型數(shù)據(jù)：回歸8.4縮減系數(shù)來「理解」數(shù)據(jù)8.4.1嶺回歸8.4.2lasso8.4.3前向逐步回歸8預測數(shù)值型數(shù)據(jù)：回歸8.6示例：預測樂高玩具套裝的價格18.6.1收集數(shù)據(jù)：使用google購物的api28.6.2訓練算法：建立模型139樹回歸9樹回歸19.1復雜數(shù)據(jù)的局部性建模29.2連續(xù)和離散型特征的樹的構(gòu)建39.3將cart算法用于回歸49.4樹剪枝59.5模型樹69.6示例：樹回歸與標準回歸的比較9.7使用python的tkinter庫創(chuàng)建gui9.8本章小結(jié)9.8本章小結(jié)9樹回歸9樹回歸9.3將cart算法用于回歸9.3.1構(gòu)建樹19.3.2運行代碼29樹回歸9.4樹剪枝9.4.1預剪枝19.4.2后剪枝29樹回歸9.7使用python的tkinter庫創(chuàng)建gui19.7.1用tkinter創(chuàng)建gui29.7.2集成matplotlib和tkinter14三無監(jiān)督學習三無監(jiān)督學習1510利用ｋ-均值聚類算法對未標注數(shù)據(jù)分組10利用ｋ-均值聚類算法對未標注數(shù)據(jù)分組10.1k均值聚類算法

10.2使用后處理來提高聚類性能

10.3二分k均值算法

10.4示例：對地圖上的點進行聚類10.4.1yahoo!placefinderapi10.4.2對地理坐標進行聚類10.4.2對地理坐標進行聚類10.5本章小結(jié)

1611使用apriori算法進行關(guān)聯(lián)分析11使用apriori算法進行關(guān)聯(lián)分析M.94275.CN111.1關(guān)聯(lián)分析211.2apriori原理311.3使用apriori算法來發(fā)現(xiàn)頻繁集411.4從頻繁項集中挖掘關(guān)聯(lián)規(guī)則511.5示例：發(fā)現(xiàn)國會投票中的模式611.6示例：發(fā)現(xiàn)毒蘑菇的相似特征11使用apriori算法進行關(guān)聯(lián)分析11.7本章小結(jié)11使用apriori算法進行關(guān)聯(lián)分析11.3使用apriori算法來發(fā)現(xiàn)頻繁集111.3.1生成候選項集211.3.2組織完整的apriori算法11使用apriori算法進行關(guān)聯(lián)分析11.5示例：發(fā)現(xiàn)國會投票中的模式11.5.1收集數(shù)據(jù)：構(gòu)建美國國會投票記錄的事務數(shù)據(jù)集11.5.2測試算法：基于美國國會投票記錄挖掘關(guān)聯(lián)規(guī)則1712使用fp-growth算法來高效發(fā)現(xiàn)頻繁項集12使用fp-growth算法來高效發(fā)現(xiàn)頻繁項集

12.1fp樹：用于編碼數(shù)據(jù)集的有效方式lorem12.2.1創(chuàng)建fp樹的數(shù)據(jù)結(jié)構(gòu)12.2.2構(gòu)建fp樹12.2.2構(gòu)建FP樹12.2構(gòu)建fp樹12.3.1抽取條件模式基12.3.2創(chuàng)建條件fp樹12.3.2創(chuàng)建條件FP樹12.3從一棵fp樹中挖掘頻繁項集

12.6本章小結(jié)

12.5示例：從新聞網(wǎng)站點擊流中挖掘

12.4示例：在twitter源中發(fā)現(xiàn)一些共現(xiàn)詞loremloremloremloremlorem18四其他工具四其他工具1913利用pca來簡化數(shù)據(jù)

13.3示例：利用pca對半導體制造數(shù)據(jù)降維

13.4本章小結(jié)

13.1降維技術(shù)13.2.1移動坐標軸13.2.2在numpy中實現(xiàn)pca13.2.2在NumPy中實現(xiàn)PCA13.2pca單擊此處添加文本具體內(nèi)容，簡明扼要的闡述您的觀點。添加標題單擊此處添加文本具體內(nèi)容，簡明扼要的闡述您的觀點。添加標題66%36%13利用pca來簡化數(shù)據(jù)2014利用svd簡化數(shù)據(jù)14.1svd的應用14.2矩陣分解14.3利用python實現(xiàn)svd14.4基于協(xié)同過濾的推薦引擎14.5示例：餐館菜肴推薦引擎14.6示例：基于svd的圖像壓縮14利用svd簡化數(shù)據(jù)單擊此處添加文本具體內(nèi)容，簡明扼要的闡述您的觀點。根據(jù)需要可酌情增減文字，以便觀者準確的理解您傳達的思想。單擊此處添加標題14利用svd簡化數(shù)據(jù)14.7本章小結(jié)14.1svd的應用14.1.2推薦系統(tǒng)14利用svd簡化數(shù)據(jù)14利用svd簡化數(shù)據(jù)14.4基于協(xié)同過濾的推薦引擎14.4.1相似度計算0114.4.2基于物品的相似度還是基于用戶的相似度？0214.4.3推薦引擎的評價0314利用svd簡化數(shù)據(jù)14.5示例：餐館菜肴推薦引擎114.5.1推薦未嘗過的菜肴214.5.2利用svd提高推薦的效果314.5.3構(gòu)建推薦引擎面臨的挑戰(zhàn)2115大數(shù)據(jù)與mapreduce115.1MapReduce：分布式計算的框架315.3在Amazon網(wǎng)絡服務上運行Hadoop程序215.2Hadoop流415.4MapReduce上的機器學習15大數(shù)據(jù)與mapreduce515.5在Python中使用mrjob來自動化MapReduce615.6示例：分布式SVM的Pegasos算法15大數(shù)據(jù)與mapreduce15.7你真的需要mapreduce嗎？15.8本章小結(jié)15.8本章小結(jié)15大數(shù)據(jù)與mapreduce15.2hadoop流ab15.2.2分布式計算均值和方差的reducer15.2.1分布式計算均值和方差的mapper15大數(shù)據(jù)與mapreduce15.3在amazon網(wǎng)絡服務上運行hadoop程序115.3.1aws上的可用服務215.3.2開啟amazon網(wǎng)絡服務之旅315.3.3在emr上運行hadoop作業(yè)15大數(shù)據(jù)與mapreduce15.5在python中使用mrjob來自動化mapredu