【课程介绍】
课程风格通俗易懂，真实案例实战。精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家快速入门机器学习。
【课程目标】
课程目标：零基础快速掌握python数据分析与机器学习算法实战，快速入门python最流行的数据分析库numpy,pandas,matplotlib。对于繁琐的机器学习算法，先从原理上进行推导，以算法流程为主结合实际案例完成算法代码,使用scikit-learn机器学习库完成快速建立模型，评估以及预测。结合经典kaggle案例，从数据预处理开始一步步完成整个项目，使大家对如何应用python库完成实际的项目有完整的经验与概念。
【课程目录】
章节1: Python科学计算库-Numpy4
课时1课程介绍（主题与大纲）
课时2机器学习概述
课时3使用Anaconda安装python环境（Python新手先看这个）
课时4课程数据，代码，PPT（在参考资料界面）
课时5科学计算库Numpy
课时6Numpy基础结构
课时7Numpy矩阵基础
课时8Numpy常用函数
课时9矩阵常用操作
课时10不同复制操作对比
章节2: python数据分析处理库-Pandas
课时11Pandas数据读取
课时12Pandas索引与计算
课时13Pandas数据预处理实例
课时14Pandas常用预处理方法
课时15Pandas自定义函数
课时16Series结构
章节3: Python数据可视化库-Matplotlib
课时17折线图绘制
课时18子图操作
课时19条形图与散点图
课时20柱形图与盒图
课时21细节设置
章节4: Python可视化库Seaborn6
课时22Seaborn简介
课时23整体布局风格设置
课时24风格细节设置
课时25调色板
课时26调色板颜色设置
课时27单变量分析绘图
课时28回归分析绘图
课时29多变量分析绘图
课时30分类属性绘图
课时31Facetgrid使用方法
课时32Facetgrid绘制多变量
课时33热度图绘制
章节5: 回归算法
课时34回归算法综述
课时35回归误差原理推导
课时36回归算法如何得出最优解
课时37基于公式推导完成简易线性回归
课时38逻辑回归与梯度下降
课时39使用梯度下降求解回归问题
章节6: 决策树
课时40决策树算法综述
课时41决策树熵原理
课时42决策树构造实例
课时43信息增益原理
课时44信息增益率的作用
课时45决策树剪枝策略
课时46随机森林模型
课时47决策树参数详解
章节7: 贝叶斯算法
课时48贝叶斯算法概述
课时49贝叶斯推导实例
课时50贝叶斯拼写纠错实例
课时51垃圾邮件过滤实例
课时52贝叶斯实现拼写检查器
章节8: 支持向量机
课时53支持向量机要解决的问题
课时54支持向量机目标函数
课时55支持向量机目标函数求解
课时56支持向量机求解实例
课时57支持向量机软间隔问题
课时58支持向量核变换
课时59SMO算法求解支持向量机
章节9: 神经网络
课时60初识神经网络
课时61计算机视觉所面临的挑战
课时62K近邻尝试图像分类
课时63超参数的作用
课时64线性分类原理
课时65神经网络-损失函数
课时66神经网络-正则化惩罚项
课时67神经网络-softmax分类器
课时68神经网络-最优化形象解读
课时69神经网络-梯度下降细节问题
课时70神经网络-反向传播
课时71神经网络架构
课时72神经网络实例演示
课时73神经网络过拟合解决方案
课时74感受神经网络的强大
章节10: Xgboost集成算法
课时75集成算法思想