机器学习入门 Scikit-learn实现经典小案例附代码讲义数据

课程介绍：

只要有Python基础，即可入门机器学习,为了让你快速入门，本课特意为你私人订制了学习路线,用具体案例通俗易懂的讲解机器学习,课程每章节前半部分讲述机器学习中的具体模型，后半部分配套具体应用案例

案例介绍:

预测房价案例

所用知识：回归模型

可应用在：股价预测、流量预测等方面中

情感分析案例

所用知识：词袋模型，逻辑回归，ROC

可应用在：各种评论文本的正负情感分类，

新闻的正负情感分类

维基百科文本分析案例

所用知识：TF-IDF，knn

可应用在：文章检索，新闻推荐

音乐推荐系统

所用知识：协同过滤

可应用在：电商推荐系统 ，其它各类

自动推荐系统

图像检索案例

所用知识：深度特征，迁移学习

可应用在：图像识别(图像分类，图像聚类 )

Scikit-learn

完整的机器学习流程框架

提供完整的特征工程工具

实现诸多经典机器学习算法

受众广、算法齐全、挑用简单、计算效率高

Jupyter Notebook

一次运行, 多次阅读,保存运行结果

交互式编程, 边看边写

可以添加各种元素

课程目录：

第1章 机器学习概述

本章讲述了机器学习的基本概念，本门课的内容，以及在本门课中使用的一些工具安装方法和基本使用方法。

第2章 回归模型—理论

本章讲述了回归模型的基本原理和算法，并结合回归介绍了交叉验证的方法。

第3章 回归模型—房价预测进阶案例

通过一个预测房价的实际例子来展示了如何实际的构建和应用回归模型。

第4章 分类模型—理论

本章讲述了分类模型的基本原理和算法，并介绍了一些评估分类器好坏的方法。

第5章 分类模型—情感分析进阶案例

通过一个情感分析的实际例子来展示了如何实际的构建和应用分类模型。

第6章 聚类和相似度模型—理论

本章讲述了聚类和基于相似度模型的基本原理和算法，并且介绍了文本分析中最重要的一种表示方式TF-IDF。

第7章 聚类和相似度模型—维基百科人物相似度案例

通过一个维基百科中的文本分析实际例子来展示了如何实际的构建和应用聚类和相似度模型。

第8章 推荐系统—理论

本章介绍了推荐系统的基本原理和方法，具体介绍常用的利用协同过滤和矩阵分解来构建推荐系统的方法，并且还介绍了如何来处理冷启动的情况。

第9章 推荐系统—构建推荐系统案例

通过一个小型的基于用户电影评分推荐系统的实践案例结束课程

第10章 深度学习—理论

本章主要对深度学习进行了一个入门的介绍，讲述了在图像检索中运用到的深度学习理论和算法，然后引申到利用深度特征的迁移学习。

第11章 神经网络—案例部分

利用神经网络来计算XOR

第12章 结尾章

本章是本门课程的最后一章，主要讲述了如何部署机器学习服务，和机器学习以后的发展方向，还有一些机遇和挑战。