一个微信公众号可以做几个网站,展厅设计常用材料,做网站用的,微信公众平台2次开发本栏目涉及对于回归算法、聚类算法、决策树、随机森林、神经网络、贝叶斯算法、支持向量机等十大机器学习算法的笔记 下面是笔记大纲#xff0c;具体内容可查看**“十大机器学习算法深入浅出”**专栏#xff0c;内容持续更新#xff0c;欢迎订阅专栏和专注我#xff01;
1…本栏目涉及对于回归算法、聚类算法、决策树、随机森林、神经网络、贝叶斯算法、支持向量机等十大机器学习算法的笔记 下面是笔记大纲具体内容可查看**“十大机器学习算法深入浅出”**专栏内容持续更新欢迎订阅专栏和专注我
1. 线性回归
第一章线性回归原理推导 1-回归问题概述2-误差项定义3-独立同分布的意义4-似然函数的作用5-参数求解6-梯度下降通俗解释7-参数更新方法8-优化参数设置 第二章线性回归代码实现 1-线性回归整体模块概述2-初始化步骤3-实现梯度下降优化模块4-损失与预测模块5-数据与标签定义6-训练线性回归模型7-得到线性回归方程8-整体流程debug解读9-多特征回归模型10-非线性回归 第四章线性回归实验分析 1-实验目标分析2-参数直接求解方法3-预处理对结果的影响4-梯度下降模块5-学习率对结果的影响6-随机梯度下降得到的效果7-MiniBatch方法8-不同策略效果对比9-多项式回归10-模型复杂度11-样本数量对结果的影响12-正则化的作用13-岭回归与lasso14-实验总结
2. 模型评估
第三章模型评估方法 1-Sklearn工具包简介2-数据集切分3-交叉验证的作用4-交叉验证实验分析5-混淆矩阵6-评估指标对比分析7-阈值对结果的影响8-ROC曲线
3. 逻辑回归
第五章逻辑回归原理推导 1-逻辑回归算法原理2-化简与求解 第六章逻辑回归代码实现 1-多分类逻辑回归整体思路2-训练模块功能3-完成预测模块4-优化目标定义5-迭代优化参数6-梯度计算7-得出最终结果8-鸢尾花数据集多分类任务9-训练多分类模型10-准备测试数据11-决策边界绘制12-非线性决策边界 第七章逻辑回归实验分析
4. 聚类算法
第八章聚类算法-KmeansDbscan原理 1-KMEANS算法概述2-KMEANS工作流程3-KMEANS迭代可视化展示4-DBSCAN聚类算法5-DBSCAN工作流程6-DBSCAN可视化展示 第九章Kmeans代码实现 1-Kmeans算法模块概述2-计算得到簇中心点3-样本点归属划分4-算法迭代更新5-鸢尾花数据集聚类任务6-聚类效果展示 第十章聚类算法实验分析
5. 决策树
第十一章决策树原理 1-决策树算法概述2-熵的作用3-信息增益原理4-决策树构造实例5-信息增益率与gini系数6-预剪枝方法7-后剪枝方法8-回归问题解决 第十二章决策树代码实现 1-整体模块概述2-递归生成树节点3-整体框架逻辑4-熵值计算5-数据集切分6-完成树模型构建7-测试算法效果 第十三章决策树实验分析
6. 集成算法
第十四章集成算法原理 1-随机森林算法原理2-随机森林优势与特征重要性指标3-提升算法概述4-stacking堆叠模型 第十五章集成算法实验分析
7. 支持向量机
第十六章支持向量机原理推导 1-支持向量机要解决的问题2-距离与数据定义3-目标函数推导4-拉格朗日乘子法求解5-化简最终目标函数6-求解决策方程7-软间隔优化8-核函数的作用9-知识点总结 第十七章支持向量机实验分析
8. 神经网络
第十八章神经网络算法原理 1-深度学习要解决的问题2-深度学习应用领域3-计算机视觉任务4-视觉任务中遇到的问题5-得分函数6-损失函数的作用7-前向传播整体流程8-返向传播计算方法9-神经网络整体架构10-神经网络架构细节11-神经元个数对结果的影响12-正则化与激活函数13-神经网络过拟合解决方法 第十九章神经网络代码实现
9. 贝叶斯算法
第二十章贝叶斯算法原理 1-贝叶斯要解决的问题2-贝叶斯公式推导3-拼写纠错实例4-垃圾邮件过滤实例 第二十一章贝叶斯代码实现
10. 关联规则
第二十二章关联规则实战分析第二十三章关联规则代码实现
11. 词向量word2vec
第二十四章词向量word2vec通俗解读第二十五章代码实现word2vec词向量模型
参考资料
机器学习导论 Ethem Alpaydin机械工业出版社这也太全了回归算法、聚类算法、决策树、随机森林、神经网络、贝叶斯算法、支持向量机等十大机器学习算法一口气学完
