教程名称：
机器学习入门 Scikit-learn实现经典小案例 Python3 Python入门机器学习
教程内容：
Scikit-learn作为开源项目其中的代码质量和风格变化是非常大的，覆盖算法跨度也相当大。相比较于速度Scikit-learn更看重的是代码可读性以及易用性并且开发文档已经相当完善。先理论后实际，大家学习的时候稍微注意下，数据挖掘或者机器学习的开发步骤和传统的软件开发步骤是有区别的。教程通过5个案例通俗易懂的为你讲解机器学习。涉及到的知识点有以下几点：回归模型、词袋模型，逻辑回归，ROC、所用知识：TF-IDF，knn、所用知识：协同过滤、深度特征，迁移学习等。可应用在各种场景。并且选用了Scikit-learn+Jupyter Notebook使用起来较为便捷的开发工具。
教程目录：
1.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。
2.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。
3.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。
4.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。
5.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。
6.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。
7.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。
8.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。
9.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
10.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。
11.神经网络—案例部分
利用神经网络来计算XOR
12.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。
本文来自投稿，不代表亲测学习网立场，如若转载，请注明出处：https://www.qince.net/scikit-learn%e5%ae%9e%e7%8e%b0%e7%bb%8f%e5%85%b8%e5%b0%8f%e6%a1%88%e4%be%8b-python3-python%e5%85%a5%e9%97%a8%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e7%99%be%e5%ba%a6%e4%ba%91%e5%9c%b0%e5%9d%80.html
郑重声明：
本站所有内容均由互联网收集整理、网友上传，并且以计算机技术研究交流为目的，仅供大家参考、学习，不存在任何商业目的与商业用途。 若您需要商业运营或用于其他商业活动，请您购买正版授权并合法使用。
我们不承担任何技术及版权问题，且不对任何资源负法律责任。
如遇到资源无法下载，请点击这里失效报错。失效报错提交后记得查看你的留言信息，24小时之内反馈信息。
如有侵犯您的版权，请给我们私信，我们会尽快处理，并诚恳的向你道歉！
