深入淺出Python機器學(xué)習(xí)課件模板

深入淺出python機器學(xué)習(xí)演講人202x-11-1101書名頁one

書名頁021概述one1概述1.1什么是機器學(xué)習(xí)——從一個小故事開始1.2機器學(xué)習(xí)的一些應(yīng)用場景——蝙蝠公司的業(yè)務(wù)單元1.3機器學(xué)習(xí)應(yīng)該如何入門——世上無難事1.4有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)1.5機器學(xué)習(xí)中的分類與回歸1.6模型的泛化、過擬合與欠擬合1概述1.7小結(jié)032基于python語言的環(huán)境配置one2.1python的下載和安裝2.2jupyternotebook的安裝與使用方法2.3一些必需庫的安裝及功能簡介2.4scikit-learn——非常流行的python機器學(xué)習(xí)庫2.5小結(jié)2.2JupyterNotebook的安裝與使用方法2.3一些必需庫的安裝及功能簡介2.4scikit-learn——非常流行的Python機器學(xué)習(xí)庫2.5小結(jié)2基于python語言的環(huán)境配置2基于python語言的環(huán)境配置2.2jupyternotebook的安裝與使用方法2.2.1使用pip進行jupyternotebook的下載和安裝012.2.2運行jupyternotebook022.2.3jupyternotebook的使用方法032基于python語言的環(huán)境配置2.3一些必需庫的安裝及功能簡介2.3.1numpy——基礎(chǔ)科學(xué)計算庫012.3.2scipy——強大的科學(xué)計算工具集022.3.3pandas——數(shù)據(jù)分析的利器032.3.4matplotlib——畫出優(yōu)美的圖形04043k最近鄰算法——近朱者赤，近墨者黑one3.1k最近鄰算法的原理3.2k最近鄰算法的用法3.3k最近鄰算法項目實戰(zhàn)——酒的分類3.4小結(jié)3.2K最近鄰算法的用法3.3K最近鄰算法項目實戰(zhàn)——酒的分類3.4小結(jié)3k最近鄰算法——近朱者赤，近墨者黑3k最近鄰算法——近朱者赤，近墨者黑3.2k最近鄰算法的用法13.2.1k最近鄰算法在分類任務(wù)中的應(yīng)用23.2.2k最近鄰算法處理多元分類任務(wù)33.2.3k最近鄰算法用于回歸分析3k最近鄰算法——近朱者赤，近墨者黑3.3k最近鄰算法項目實戰(zhàn)——酒的分類3.3.1對數(shù)據(jù)集進行分析013.3.2生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集023.3.3使用k最近鄰算法進行建模033.3.4使用模型對新樣本的分類進行預(yù)測04054廣義線性模型——「耿直」的算法模型one4.1線性模型的基本概念4.2最基本的線性模型——線性回歸4.3使用l2正則化的線性模型——嶺回歸4.4使用l1正則化的線性模型——套索回歸4.5小結(jié)4.2最基本的線性模型——線性回歸4.3使用L2正則化的線性模型——嶺回歸4.4使用L1正則化的線性模型——套索回歸4.5小結(jié)4廣義線性模型——「耿直」的算法模型4廣義線性模型——「耿直」的算法模型4.1線性模型的基本概念4.1.2線性模型的圖形表示4.1.3線性模型的特點4.1.1線性模型的一般公式4廣義線性模型——「耿直」的算法模型4.2最基本的線性模型——線性回歸14.2.1線性回歸的基本原理24.2.2線性回歸的性能表現(xiàn)4廣義線性模型——「耿直」的算法模型4.3使用l2正則化的線性模型——嶺回歸14.3.1嶺回歸的原理24.3.2嶺回歸的參數(shù)調(diào)節(jié)4廣義線性模型——「耿直」的算法模型4.4使用l1正則化的線性模型——套索回歸4.4.2套索回歸的參數(shù)調(diào)節(jié)4.4.3套索回歸與嶺回歸的對比4.4.1套索回歸的原理065樸素貝葉斯——打雷啦，收衣服啊one5.1樸素貝葉斯基本概念5.2樸素貝葉斯算法的不同方法5.3樸素貝葉斯實戰(zhàn)——判斷腫瘤是良性還是惡性5.4小結(jié)5樸素貝葉斯——打雷啦，收衣服啊5樸素貝葉斯——打雷啦，收衣服啊5.1樸素貝葉斯基本概念5.1.2樸素貝葉斯的簡單應(yīng)用5.1.1貝葉斯定理5樸素貝葉斯——打雷啦，收衣服啊5.2樸素貝葉斯算法的不同方法15.2.1貝努利樸素貝葉斯25.2.2高斯樸素貝葉斯35.2.3多項式樸素貝葉斯5樸素貝葉斯——打雷啦，收衣服啊5.3樸素貝葉斯實戰(zhàn)——判斷腫瘤是良性還是惡性15.3.1對數(shù)據(jù)集進行分析25.3.2使用高斯樸素貝葉斯進行建模35.3.3高斯樸素貝葉斯的學(xué)習(xí)曲線076決策樹與隨機森林——會玩讀心術(shù)的算法one6決策樹與隨機森林——會玩讀心術(shù)的算法6.1決策樹6.2隨機森林6.3隨機森林實例——要不要和相親對象進一步發(fā)展6.4小結(jié)6決策樹與隨機森林——會玩讀心術(shù)的算法6.1決策樹16.1.1決策樹基本原理26.1.2決策樹的構(gòu)建36.1.3決策樹的優(yōu)勢和不足6決策樹與隨機森林——會玩讀心術(shù)的算法6.2隨機森林16.2.1隨機森林的基本概念26.2.2隨機森林的構(gòu)建36.2.3隨機森林的優(yōu)勢和不足6決策樹與隨機森林——會玩讀心術(shù)的算法6.3隨機森林實例——要不要和相親對象進一步發(fā)展16.3.1數(shù)據(jù)集的準備26.3.2用get_dummies處理數(shù)據(jù)36.3.3用決策樹建模并做出預(yù)測087支持向量機svm——專治線性不可分one7支持向量機svm——專治線性不可分7.1支持向量機svm基本概念7.2svm的核函數(shù)與參數(shù)選擇7.3svm實例——波士頓房價回歸分析7.4小結(jié)7.2SVM的核函數(shù)與參數(shù)選擇7.3SVM實例——波士頓房價回歸分析7.4小結(jié)7支持向量機svm——專治線性不可分7.1支持向量機svm基本概念7.1.1支持向量機svm的原理017.1.2支持向量機svm的核函數(shù)027支持向量機svm——專治線性不可分7.2svm的核函數(shù)與參數(shù)選擇7.2.1不同核函數(shù)的svm對比017.2.2支持向量機的gamma參數(shù)調(diào)節(jié)027.2.3svm算法的優(yōu)勢與不足037支持向量機svm——專治線性不可分7.3svm實例——波士頓房價回歸分析17.3.1初步了解數(shù)據(jù)集27.3.2使用svr進行建模098神經(jīng)網(wǎng)絡(luò)——曾入「冷宮」，如今得寵one8神經(jīng)網(wǎng)絡(luò)——曾入「冷宮」，如今得寵8.1神經(jīng)網(wǎng)絡(luò)的前世今生8.2神經(jīng)網(wǎng)絡(luò)的原理及使用8.3神經(jīng)網(wǎng)絡(luò)實例——手寫識別8.4小結(jié)8神經(jīng)網(wǎng)絡(luò)——曾入「冷宮」，如今得寵8.1神經(jīng)網(wǎng)絡(luò)的前世今生18.1.1神經(jīng)網(wǎng)絡(luò)的起源28.1.2第一個感知器學(xué)習(xí)法則38.1.3神經(jīng)網(wǎng)絡(luò)之父——杰弗瑞·欣頓8神經(jīng)網(wǎng)絡(luò)——曾入「冷宮」，如今得寵8.2神經(jīng)網(wǎng)絡(luò)的原理及使用8.2.2神經(jīng)網(wǎng)絡(luò)中的非線性矯正8.2.3神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置8.2.1神經(jīng)網(wǎng)絡(luò)的原理8神經(jīng)網(wǎng)絡(luò)——曾入「冷宮」，如今得寵8.3神經(jīng)網(wǎng)絡(luò)實例——手寫識別8.3.2訓(xùn)練mlp神經(jīng)網(wǎng)絡(luò)8.3.3使用模型進行數(shù)字識別8.3.1使用mnist數(shù)據(jù)集109數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻one9.1數(shù)據(jù)預(yù)處理9.2數(shù)據(jù)降維9.3特征提取9.4聚類算法9.5小結(jié)9數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻9數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻9.1數(shù)據(jù)預(yù)處理9.1.1使用standardscaler進行數(shù)據(jù)預(yù)處理019.1.2使用minmaxscaler進行數(shù)據(jù)預(yù)處理029.1.3使用robustscaler進行數(shù)據(jù)預(yù)處理039.1.4使用normalizer進行數(shù)據(jù)預(yù)處理049.1.5通過數(shù)據(jù)預(yù)處理提高模型準確率059數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻9.2數(shù)據(jù)降維19.2.1pca主成分分析原理29.2.2對數(shù)據(jù)降維以便于進行可視化39.2.3原始特征與pca主成分之間的關(guān)系9數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻9.3特征提取19.3.1pca主成分分析法用于特征提取29.3.2非負矩陣分解用于特征提取9數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻9.4聚類算法9.4.1k均值聚類算法9.4.2凝聚聚類算法9.4.3dbscan算法1110數(shù)據(jù)表達與特征工程——錦上再添花one10數(shù)據(jù)表達與特征工程——錦上再添花10.1數(shù)據(jù)表達10.2數(shù)據(jù)「升維」10.3自動特征選擇10.4小結(jié)10數(shù)據(jù)表達與特征工程——錦上再添花10.1數(shù)據(jù)表達110.1.1使用啞變量轉(zhuǎn)化類型特征210.1.2對數(shù)據(jù)進行裝箱處理10數(shù)據(jù)表達與特征工程——錦上再添花10.2數(shù)據(jù)「升維」110.2.1向數(shù)據(jù)集添加交互式特征210.2.2向數(shù)據(jù)集添加多項式特征10數(shù)據(jù)表達與特征工程——錦上再添花10.3自動特征選擇110.3.1使用單一變量法進行特征選擇210.3.2基于模型的特征選擇310.3.3迭代式特征選擇1211模型評估與優(yōu)化——只有更好，沒有最好one11模型評估與優(yōu)化——只有更好，沒有最好11.1使用交叉驗證進行模型評估11.2使用網(wǎng)格搜索優(yōu)化模型參數(shù)11.3分類模型的可信度評估11.4小結(jié)11模型評估與優(yōu)化——只有更好，沒有最好11.1使用交叉驗證進行模型評估11.1.1scikit-learn中的交叉驗證法0111.1.2隨機拆分和「挨個兒試試」0211.1.3為什么要使用交叉驗證法0311模型評估與優(yōu)化——只有更好，沒有最好11.2使用網(wǎng)格搜索優(yōu)化模型參數(shù)111.2.1簡單網(wǎng)格搜索211.2.2與交叉驗證結(jié)合的網(wǎng)格搜索11模型評估與優(yōu)化——只有更好，沒有最好11.3分類模型的可信度評估11.3.1分類模型中的預(yù)測準確率0111.3.2分類模型中的決定系數(shù)021312建立算法的管道模型——團結(jié)就是力量one12建立算法的管道模型——團結(jié)就是力量12.1管道模型的概念及用法12.2使用管道模型對股票漲幅進行回歸分析12.3使用管道模型進行模型選擇和參數(shù)調(diào)優(yōu)12.4小結(jié)12建立算法的管道模型——團結(jié)就是力量12.1管道模型的概念及用法112.1.1管道模型的基本概念212.1.2使用管道模型進行網(wǎng)格搜索12建立算法的管道模型——團結(jié)就是力量12.2使用管道模型對股票漲幅進行回歸分析12.2.1數(shù)據(jù)集準備0112.2.2建立包含預(yù)處理和mlp模型的管道模型0212.2.3向管道模型添加特征選擇步驟0312建立算法的管道模型——團結(jié)就是力量12.3使用管道模型進行模型選擇和參數(shù)調(diào)優(yōu)ab12.3.2使用管道模型尋找更優(yōu)參數(shù)12.3.1使用管道模型進行模型選擇1413文本數(shù)據(jù)處理——親，見字如「數(shù)」one13文本數(shù)據(jù)處理——親，見字如「數(shù)」13.1.1使用countvectorizer對文本進行特征提取13.1.2使用分詞工具對中文文本進行分詞13.1.3使用詞袋模型將文本數(shù)據(jù)轉(zhuǎn)為數(shù)組13.1.2使用分詞工具對中文文本進行分詞13.1.3使用詞袋模型將文本數(shù)據(jù)轉(zhuǎn)為數(shù)組13.1文本數(shù)據(jù)的特征提取、中文分詞及詞袋模型1

13.3小結(jié)313.2對文本數(shù)據(jù)進一步進行優(yōu)化處理13.2.1使用n-gram改善詞袋模型13.2.2使用tf-idf模型對文本數(shù)據(jù)進行處理13.2.3刪除文本中的停用詞13.2.2使用tf-idf模型對文本數(shù)據(jù)進行處理13.2.3刪除文本中的停用詞21514從數(shù)據(jù)獲取到話題提取——從「研究員」到「段子手」one14.1簡單頁面的爬取14.2稍微復(fù)雜一點的爬取14.3對文本數(shù)據(jù)進行話題提取14.4小結(jié)14從數(shù)據(jù)獲取到話題提取——從「研究員」到「段子手」14從數(shù)據(jù)獲取到話題提取——從「研究員」到「段子手」14.1簡單頁面的爬取114.1.1準備requests庫和useragent214.1.2確定一個目標網(wǎng)站并分析其結(jié)構(gòu)314.1.3進行爬取并保存為本地文件14從數(shù)據(jù)獲取到話題提取——從「研究員」到「段子手」14.2稍微復(fù)雜一點的爬取14.2.1確定目標頁面并進行分析0114.2.2python中的正則表達式0214.2.3使用beautifulsoup進行html解析0314.2.4對目