| 第一章 欢迎来到 Python3 玩转机器学习 | 章节文件夹 | - |
|---|---|---|
| 1-1 什么是机器学习 | - | - |
| 1-2 课程涵盖的内容和理念 | - | - |
| 1-3 课程所使用的主要技术栈 | - | - |
| 第二章 机器学习基础 | 章节文件夹 | - |
| 2-1 机器学习世界的数据 | - | - |
| 2-2 机器学习的主要任务 | - | - |
| 2-3 监督学习，非监督学习，半监督学习和增强学习 | - | - |
| 2-4 批量学习，在线学习，参数学习和非参数学习 | - | - |
| 2-5 和机器学习相关的“哲学”思考 | - | - |
| 2-6 课程使用环境搭建 | notebook | script |
| 第三章 Jupyter Notebook, Numpy和Matplotlib | 章节文件夹 | - |
| 3-1 Jupyter Notebook基础 | notebook | - |
| 3-2 Jupyter Notebook中的魔法命令 | notebook | script |
| 3-3 Numpy数据基础 | notebook | - |
| 3-4 创建Numpy数组(和矩阵) | notebook | - |
| 3-5 Numpy数组(和矩阵)的基本操作 | notebook | - |
| 3-6 Numpy数组(和矩阵)的合并与分割 | notebook | - |
| 3-7 Numpy中的矩阵运算 | notebook | - |
| 3-8 Numpy中的聚合运算 | notebook | - |
| 3-9 Numpy中的arg运算 | notebook | - |
| 3-10 Numpy中的比较和Fancy Indexing | notebook | - |
| 3-11 Matplotlib数据可视化基础 | notebook | - |
| 3-12 数据加载和简单的数据探索 | notebook | - |
| 补充代码1: 更多Numpy的操作 | notebook | - |
| 补充代码2: Numpy中的结构数组 | notebook | - |
| 补充代码3: 简单的MNIST数据集数据探索 | notebook | - |
| 第四章 最基础的分类算法-k近邻算法 kNN | 章节文件夹 | - |
| 4-1 k近邻算法基础 | notebook | - |
| 4-2 scikit-learn中的机器学习算法封装 | notebook | script |
| 4-3 训练数据集，测试数据集 | notebook | playML |
| 4-4 分类准确度 | notebook | playML |
| 4-5 超参数 | notebook | - |
| 4-6 网格搜索与k近邻算法中更多超参数 | notebook | - |
| 4-7 数据归一化 | notebook | - |
| 4-8 scikit-learn中的Scaler | notebook | playML |
| 4-9 更多有关k近邻算法的思考 | - | - |
| 补充代码1: scikit-learn中的其他scaler | [整理中] | [敬请期待] |
| 补充代码2: 网格搜索kNN中的不同距离定义 | [整理中] | [敬请期待] |
| 补充代码3: 使用kNN算法处理MNIST手写识别数据集 | [整理中] | [敬请期待] |
| 第五章 线性回归法 | 章节文件夹 | |
| 5-1 简单线性回归 | - | - |
| 5-2 最小二乘法 | - | - |
| 5-3 简单线性回归的实现 | notebook | playML |
| 5-4 向量化 | notebook | playML |
| 5-5 衡量线性回归法的指标：MSE，RMSE和MAE | notebook | playML |
| 5-6 最好的衡量线性回归法的指标：R Squared | notebook | playML |
| 5-7 多元线性回归和正规方程解 | - | - |
| 5-8 实现多元线性回归 | notebook | playML |
| 5-9 使用scikit-learn解决回归问题 | notebook | playML |
| 5-10 线性回归的可解释性和更多思考 | notebook | - |
| 补充代码1: 分类变量的处理 | [整理中] | [敬请期待] |
| 补充代码2: scikit-learn中同时处理数字变量和分类变量 | [整理中] | [敬请期待] |
| 补充代码3: FeatureUnion的使用 | [整理中] | [敬请期待] |
| 第六章 梯度下降法 | 章节文件夹 | - |
| 6-1 什么是梯度下降法 | - | - |
| 6-2 模拟实现梯度下降法 | notebook | - |
| 6-3 线性回归中的梯度下降法 | - | - |
| 6-4 实现线性回归中的梯度下降法 | notebook | playML |
| 6-5 梯度下降法的向量化和数据标准化 | notebook | playML |
| 6-6 随机梯度下降法 | notebook | - |
| 6-7 scikit-learn中的随机梯度下降法 | notebook | playML |
| 6-8 如何确定梯度计算的准确性？调试梯度下降法 | notebook | - |
| 6-9 有关梯度下降法的更多深入讨论 | - | - |
| 补充代码1: 实现小批量梯度下降法 | [整理中] | [敬请期待] |
| 补充代码2: 三种梯度下降法的可视化比较 | [整理中] | [敬请期待] |
| 第七章 PCA与梯度上升法 | 章节文件夹 | - |
| 7-1 什么是PCA | - | - |
| 7-2 使用梯度上升法求解PCA问题 | - | - |
| 7-3 求数据的主成分 | notebook | - |
| 7-4 求数据的前n个主成分 | notebook | - |
| 7-5 高维数据映射为低维数据 | notebook | playML |
| 7-6 scikit-learn中的PCA | notebook | - |
| 7-7 试手MNIST数据集 | notebook | - |
| 7-8 使用PCA对数据进行降噪 | notebook | - |
| 7-9 人脸识别与特征脸 | notebook | - |
| 补充代码1: 可视化三维数据的PCA过程 | notebook | - |
| 补充代码2: IPCA | [整理中] | [敬请期待] |
| 补充代码3: 随机化PCA | [整理中] | [敬请期待] |
| 补充代码4: Kernel PCA | [整理中] | [敬请期待] |
| 补充代码5: LLE | [整理中] | [敬请期待] |
| 补充代码6: 更多降维方法 | [整理中] | [敬请期待] |
| 第八章 多项式回归与模型泛化 | 章节文件夹 | - |
| 8-1 什么是多项式回归 | notebook | - |
| 8-2 scikit-learn中的多项式回归与Pipeline | notebook | - |
| 8-3 过拟合与欠拟合 | notebook | - |
| 8-4 为什么要有训练数据集与测试数据集 | notebook | - |
| 8-5 学习曲线 | notebook | - |
| 8-6 验证数据集与交叉验证 | notebook | - |
| 8-7 偏差方差平衡 | - | - |
| 8-8 模型泛化与岭回归 | notebook | - |
| 8-9 LASSO | notebook | - |
| 8-10 L1, L2和弹性网络 | - | - |
| 补充代码1: scikit-learn中的学习曲线 | [整理中] | [敬请期待] |
| 补充代码2: 更多scikit-learn中的交叉验证 | [整理中] | [敬请期待] |
| 补充代码3: scikit-learn中的Elastic Net | [整理中] | [敬请期待] |
| 第九章 逻辑回归 | 章节文件夹 | - |
| 9-1 什么是逻辑回归 | notebook | - |
| 9-2 逻辑回归的损失函数 | - | - |
| 9-3 逻辑回归损失函数的梯度 | - | - |
| 9-4 实现逻辑回归算法 | notebook | playML |
| 9-5 决策边界 | notebook | playML |
| 9-6 在逻辑回归中使用多项式特征 | notebook | playML |
| 9-7 scikit-learn中的逻辑回归 | notebook | - |
| 9-8 OvR与OvO | notebook | - |
| 补充代码1: kNN的决策边界 | notebook | - |
| 补充代码2: scikit-learn中的LogisticRegressionCV | notebook | - |
| 补充代码3: scikit-learn中随机梯度下降法训练逻辑回归 | [整理中] | [敬请期待] |
| 第十章 分类算法的评价 | 章节文件夹 | - |
| 10-1 准确度的陷阱和混淆矩阵 | - | - |
| 10-2 精准率和召回率 | - | - |
| 10-3 实现混淆矩阵，精准率和召回率 | notebook | - |
| 10-4 F1 Score | notebook | - |
| 10-5 精准率和召回率的平衡 | notebook | - |
| 10-6 精准率-召回率曲线 | notebook | - |
| 10-7 ROC曲线 | notebook | playML |
| 10-8 多分类问题中的混淆矩阵 | notebook | - |
| 补充代码1: Precision-Recall曲线的面积 | [整理中] | [敬请期待] |
| 补充代码2: 多分类问题下的各项指标 | [整理中] | [敬请期待] |
| 第十一章 支撑向量机SVM | 章节文件夹 | - |
| 11-1 什么是SVM | - | - |
| 11-2 SVM背后的最优化问题 | - | - |
| 11-3 Soft Margin SVM | - | - |
| 11-4 scikit-learn中的SVM | notebook | - |
| 11-5 SVM中使用多项式特征和核函数 | notebook | - |
| 11-6 到底什么是核函数 | - | - |
| 11-7 什么是RBF核 | notebook | - |
| 11-8 scikit-learn中使用RBF核 | notebook | - |
| 11-9 SVM**解决回归问题 | notebook | - |
| 补充代码1: SVR调参解决波士顿房价问题 | [整理中] | [敬请期待] |
| 补充代码2: 更多SVM核函数 | [整理中] | [敬请期待] |
| 补充代码3: 手撕LinearSVC | [整理中] | [敬请期待] |
| 补充代码4: 在PCA中使用Kernel——Kernel PCA | [整理中] | [敬请期待] |
| 第十二章 决策树 | 章节文件夹 | - |
| 12-1 什么是决策树 | notebook | - |
| 12-2 信息熵 | notebook | - |
| 12-3 使用信息熵寻找最优划分 | notebook | - |
| 12-4 基尼系数 | notebook | - |
| 12-5 CART与决策树中的超参数 | notebook | - |
| 12-6 决策树解决回归问题 | notebook | - |
| 12-7 决策树的局限性 | notebook | - |
| 补充代码1: 决策树看学习曲线 | notebook | - |
| 补充代码2: 决策树看复杂度曲线 | notebook | - |
| 补充代码3: 决策树调参解决波士顿房价问题 | [整理中] | [敬请期待] |
| 补充代码4: 手撕决策树 | [整理中] | [敬请期待] |
| 第十三章 集成学习和随机森林 | 章节文件夹 | - |
| 13-1 什么是集成学习 | notebook | - |
| 13-2 Soft Voting Classifier | notebook | - |
| 13-3 Bagging 和 Pasting | notebook | - |
| 13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论 | notebook | - |
| 13-5 随机森林和 Extra-Trees | notebook | - |
| 13-6 Ada Boosting 和 Gradient Boosting | notebook | - |
| 13-7 Stacking | - | - |
| 补充代码1: 使用随机森林判断特征重要程度 | [整理中] | [敬请期待] |
| 补充代码2: 调参使用Bagging | [整理中] | [敬请期待] |
| 补充代码3: 调参使用RandomForests | [整理中] | [敬请期待] |
| 补充代码4: 调参使用Extra-Trees | [整理中] | [敬请期待] |
| 补充代码5: 调参使用AdaBoost | [整理中] | [敬请期待] |
| 补充代码6: 调参使用Gradient Boosting | [整理中] | [敬请期待] |
| 补充代码7: 手撕Stacking | [整理中] | [敬请期待] |
| 第十四章 结语，大家加油！ | - | - |
| 14-1 学习scikit-learn文档, 大家加油！ | - | - |
除了上面课程目录中每个章节相应有一些课程的补充代码以外，这个课程在我最初设计的时候，比现在所呈现的样子要多一些（其实是很多...）内容。由于慕课网上的课程时间限制，所以不能完全以视频课程的形式展现出来。另外砍掉这部分内容，还有一个原因，是这部分内容，大多可以在慕课网上的其他课程上找到。不过，在这里，为了保持我的这个课程的完整性，我将这些内容以notebook的形式放在这个代码仓中，供感兴趣的同学参考：）
| 补充章节一 Pandas | 章节文件夹 | - |
|---|---|---|
| 补充章节二 Matplotlib | [整理中] | [敬请期待] |
| 补充章节三 朴素的贝叶斯算法 | [整理中] | [敬请期待] |
| 补充章节四 神经网络 | [整理中] | [敬请期待] |
| 补充章节五 Kaggle案例 | [整理中] | [敬请期待] |
大家加油！：）