前言
1.机器学习概述
1.1 人工智能概述
1.2 人工智能发展历程
1.3 人工智能主要分支
1.4 机器学习工作流程
1.5 机器学习算法分类
1.6 模型评估
1.7 Azure机器学习模型搭建实验
1.8 深度学习简介
2.环境安装与使用
2.1 库的安装
2.2 Jupyter Notebook使用
3.Matplotlib
3.1 Matplotlib之HelloWorld
3.2 基础绘图功能
3.3 常见图形绘制
4.Numpy
4.1 Numpy优势
4.2 N维数组-ndarray
4.3 基本操作
4.4 ndarray运算
4.5 数组间运算
4.6 数学：矩阵
5.Pandas
5.10 高级处理-交叉表与透视表
5.11 高级处理-分组与聚合
5.1Pandas介绍
5.2 Pandas数据类型
5.3 基本数据操作
5.4 DataFrame运算
5.5 Pandas画图
5.6 文件读取与存储
5.7 高级处理-缺失值处理
5.8 高级处理-数据离散化
5.9 高级处理-合并
6.扩展阅读
6.1 完整机器学习项目的流程（拓展阅读）
6.2 独立同分布IID
6.3 下一阶段引言
7.Seaborn
5.1 Seaborn----绘制统计图形
5.2 用分类数据绘图
5.3 案例：NBA球员数据分析
8.综合案例
8.1 数据分析实战----北京租房数据统计分析
8.2 下一阶段引言
9.K近临算法
9.1 K-近邻算法简介
9.10 交叉验证，网格搜索
9.11 案例2：预测facebook签到位置
9.2 k近邻算法api初步使用
9.3 距离度量
9.4 k值的选择
9.5 kd树
9.6 案例：鸢尾花种类预测--数据集介绍
9.7 特征工程-特征预处理
9.8 案例：鸢尾花种类预测—流程实现
9.9 KNN算法总结
10.线性回归
10.1 线性回归简介
10.10 线性回归的改进-岭回归
10.11 模型的保存和加载
10.2 线性回归api初步使用
10.3 数学求导
10.4 线性回归的损失和优化
10.5 梯度下降方法介绍
10.6 线性回归api再介绍
10.7 案例：波士顿房价预测Untitled
10.8 欠拟合和过拟合
10.9 正则化线性模型
11.逻辑回归
11.1 逻辑回归介绍
11.2 逻辑回归api介绍
11.3 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测
11.4 分类评估方法
11.5 ROC曲线的绘制
12.决策树
12.1 决策树算法简介
12.2 决策树分类原理
12.3 cart剪枝
12.4 特征工程-特征提取
12.5 决策树算法api
12.6 案例：泰坦尼克号乘客生存预测
12.7 回归决策树
13.集成学习
13.1 集成学习算法简介
13.2 Bagging和随机森林
13.3 otto案例
13.4 Boosting
13.5 GBDT介绍
14.聚类算法
14.1 聚类算法简介
14.2 聚类算法api初步使用
14.3 聚类算法实现流程
14.4 模型评估
14.5 算法优化
14.6 特征降维
14.7 案例：探究用户对物品类别的喜好细分
15.第三阶段拓展
15.1 其他距离公式
15.2 再议数据分割
15.3 正规方程的另一种推导方式
15.4 梯度下降法算法比较和进一步优化
15.5 多项式回归
15.6 维灾难
15.7 分类中解决类别不平衡问题
15.8 向量与矩阵的范数
15.9 无偏估计
16.朴素贝叶斯
16.1 朴素贝叶斯算法简介
16.2 概率基础复习
16.3 案例：商品评论情感分析
16.4 朴素贝叶斯算法总结
17.支持向量机
17.1 SVM算法简介
17.2 SVM算法api初步使用
17.3 SVM算法原理
17.4 SVM的损失函数
17.5 SVM的核方法
17.6 SVM回归
17.7 SVM算法api再介绍
17.8 案例：数字识别器
17.9 SVM总结
18.EM算法
18.1 初识EM算法
18.2 EM算法介绍
18.3 EM算法实例
19.HMM模型
19.1 马尔科夫链
19.2 HMM简介
19.3 HMM模型基础
19.4 前向后向算法评估观察序列概率
19.5 维特比算法解码隐藏状态序列
19.6 鲍姆-韦尔奇算法简介
19.7 HMM模型API介绍
20.集成学习进阶
20.1 xgboost算法原理
20.2 xgboost算法api介绍
20.3 xgboost案例介绍
20.4 xgboost-otto案例介绍
20.5 xgboost-lightGBM
20.6 lightGBM算法api介绍
20.7 lightGBM案例介绍
20.8 《绝地求生》玩家排名预测
21.扩展知识
21.1 向量与矩阵的范数
21.2 朗格朗日乘子法
21.3 极大似然函数取对数的原因
Published with GitBook
18.EM算法
1.
EM算法
1.1.
学习目标
1. EM算法
1.1. 学习目标
了解什么是EM算法
知道极大似然估计
知道EM算法实现流程
results matching "
"
No results matching "
"