目录

前言

一、课程主要内容

二、课程环境

三、课程所使用的数据集

---

 

前言

本文是机器学习初学系列的第一篇文章，是我边学边写的记录性的过程。

我将会持续在csdn上更新自己的学习记录。

 

一、课程主要内容

1.1 算法原理及相关内容

 

1. KNN
2. 线性回归
3. 多项式回归
4. 逻辑回归
5. 模型正则化
6. PCA降维
7. SVM支持向量机
8. 决策树
9. 随机森林
10. 集成学习
11. 模型选择
12. 模型调整

1.2 课程主要内容

• 深入理解算法的基本原理
• 实际使用算法解决真实场景的问题
• 对不同的算法进行对比实验
• 对同一算法的不同参数进行对比实验
• 对部分算法进行底层编写

1.3 其他重要任务

• 如何评价算法的好坏
• 如何解决过拟合和欠拟合
• 如何调节算法的参数
• 如何验证算法的正确性

 

 注：对于调库，这是一件正常的事情，我们不反对调库，但在调库的时候应该对调用API概念原理有所了解，深入了解算法可以更好帮助我们选择算法

         

本文希望兼顾 

1. 算法原理的学习

2. 部分算法底层的编写

3. sklearn机器学习库的使用

 

二、课程环境

语言：Python3

框架：scikit-learn

其他：numpy,matplotlib

IDE:Jupyter Notebook, Pycharm

数学：高等数学，线性代数，概率论

 

三、课程所使用的数据集

主要拿 scikit-learn上的toy datasets来练手

之所以称为toy，是因为这些数据过于简单，过于工整，这在现实中是不常见的。

标签：学习,toy,机器,scikit,导学,算法,课程,调库
来源： https://blog.csdn.net/weixin_42473356/article/details/115597169