【Udemy中英字幕】Mastery in Advanced Machine Learning & Applied AI™

精通高级机器学习和应用人工智能™

利用尖端机器学习技术和实际应用解锁新一代人工智能解决方案

讲师：Dr. Noble Arya

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 介绍机器学习的基础概念。
• 了解强化学习及其在决策中的应用。
• 监督学习简介及其在预测模型中的作用。
• 有效训练和评估机器学习模型的技术。
• 深入探索线性回归及其在预测任务中的应用。
• 评估机器学习模型的适合度以提高准确性。
• 在现实世界的数据场景中应用监督学习技术。
• 多元线性回归简介，用于对多个变量进行建模。
• 评估多元线性回归模型的性能。
• 多元线性回归在解决业务问题中的实际应用。
• 掌握逻辑回归及其在分类任务中的应用。
• 特征工程技术来改进逻辑回归模型。
• 逻辑回归在分类和预测中的应用。
• 了解决策树及其在机器学习中的应用。
• 评估决策树的最佳预测性能。
• 将决策树应用于各个行业的实际问题。
• 掌握随机森林及其在预测任务中的优势。
• 超参数调整技术可优化机器学习模型。
• 结合决策树和随机森林来增强预测能力。
• 掌握用于分类任务的支持向量机（SVM）。
• 了解 SVM 中的核函数来处理非线性数据。
• 支持向量机在分类问题中的实际应用。
• 实现监督学习的 K-最近邻 (KNN) 算法。
• KNN算法在分类和预测中的实际应用。
• 了解梯度提升算法及其在预测任务中的作用。
• 掌握超参数调整以改进梯度提升模型。
• 梯度提升在各种机器学习问题中的应用。
• 掌握评估指标来评估机器学习模型的性能。
• 理解和使用ROC曲线和AUC进行模型性能评估。
• 介绍无监督学习概念，重点关注聚类和降维。
• 掌握异常检测技术，识别数据中的异常值。
• 用于无监督学习任务的 K-Means 聚类的高级技术。
• 迭代K-Means算法来改善聚类结果。
• K-Means 聚类在现实场景中的实际应用。
• 掌握数据分割的层次聚类技术。
• 使用树状图可视化层次聚类以获得清晰的见解。
• 在实际问题中应用PCA来降低数据维度。
• 了解线性判别分析 (LDA) 及其在无监督学习中的作用。
• 比较 PCA 和 LDA 的降维技术。
• 在机器学习中应用LDA进行降维和分类。
• 掌握 t-SNE 以实现高级降维和可视化。
• 了解 t-SNE 的工作原理并使用它来可视化高维数据。
• 理解和应用降维评估指标。
• 用于优化无监督学习模型的超参数调整技术。
• 使用贝叶斯优化来提高无监督模型的性能。
• 关联规则挖掘简介，用于从数据中提取模式。
• 了解关联规则挖掘中的信心和支持度，以获得可操作的见解。
• 在关联规则挖掘中使用 Apriori 算法进行市场篮子分析。
• 逐步解释和应用 Apriori 算法进行实际分析。

探索相关主题

• 机器学习
• 其他 IT 和软件
• 信息技术与软件

要求

• 任何人都可以轻松地从头到尾学习这门课程

描述

该综合课程旨在将学习者转变为高级机器学习和应用人工智能的专家，涵盖监督和无监督学习技术。该课程侧重于尖端方法和算法的实际应用，使学习者能够解决各个领域的复杂现实问题。

课程大纲

1.机器学习简介

• 了解机器学习的基础知识及其类型：监督学习、无监督学习和强化学习。

2.机器学习-强化学习

• 深入研究强化学习，涵盖代理、环境和奖励等关键概念。

3.监督学习简介

• 了解监督学习的原理，包括分类和回归任务。

4.机器学习模型训练与评估

• 探索如何训练机器学习模型并使用准确度、精确度、召回率和 F1 分数等指标评估其性能。

5.机器学习线性回归

• 了解线性回归的概念及其在预测连续值中的应用。

6.机器学习-评估模型拟合度

• 评估模型与数据的拟合程度的技术，包括误差度量和残差分析。

7.机器学习的应用-监督学习

• 将监督学习技术实际应用于解决实际问题。

8.多元线性回归简介

• 探索多元线性回归及其在处理多个预测变量时的应用。

9.多元线性回归-评估模型性能

• 了解如何使用 R² 和调整 R² 等指标评估多元线性回归模型的性能。

10.机器学习应用-多元线性回归

• 将多元线性回归应用于复杂数据集的实践练习。

11.机器学习逻辑回归

• 研究二元分类任务的逻辑回归。

12.机器学习特征工程-逻辑回归

• 优化特征选择和转换的技术，以提高逻辑回归中的模型性能。

13.机器学习应用-逻辑回归

• 逻辑回归的实际应用是根据二元结果对数据进行分类。

14.机器学习决策树

• 了解决策树的基础知识以及如何将其用于分类和回归任务。

15.机器学习-评估决策树性能

• 使用基尼系数和信息增益等标准评估决策树的性能。

16.机器学习应用-决策树

• 将决策树算法应用于真实世界数据集以执行分类任务。

17.机器学习随机森林

• 了解通过随机森林进行集成学习及其相对于单一决策树的优势。

18. 掌握机器学习超参数调整

• 了解如何使用网格搜索和随机搜索等技术微调机器学习模型以获得最佳性能。

19. 机器学习决策树随机森林

• 将决策树和随机森林应用并比较现实世界的问题。

20.机器学习-支持向量机（SVM）

• 掌握SVM在分类任务中的理论和应用，包括超平面和支持向量的作用。

21.机器学习-支持向量机（SVM）中的核函数

• 了解如何使用核函数将非线性数据转换到更高维空间以便进行更好的分类。

22.机器学习应用-支持向量机（SVM）

• SVM 在分类任务中的实际应用。

23.机器学习 K 最近邻 (KNN) 算法

• 研究 KNN 算法，这是一种简单但功能强大的分类和回归任务方法。

24.机器学习应用-KNN算法

• 实施 KNN 进行真实世界的数据分析。

25.机器学习梯度提升算法

• 掌握梯度提升等高级集成方法，将弱模型结合起来以创建强模型。

26. 掌握机器学习中的超参数调整

• 学习优化模型参数以提高预测性能的高级技术。

27.梯度提升的机器学习应用

• 将梯度提升算法应用于复杂数据集的实践经验。

28.机器学习模型评估指标

• 研究不同类型的机器学习模型的各种评估指标，例如精确度、召回率、F1 分数和混淆矩阵。

29.机器学习 ROC 曲线和 AUC 解释

• 了解如何使用ROC曲线和AUC来评估分类模型的性能。

30. 无监督学习解释 | 聚类与降维

• 介绍聚类和降维等无监督学习技术。

31. 无监督学习解释 – 异常检测

• 研究异常检测技术以识别数据中的异常值和异常模式。

32.掌握无监督学习中的K均值聚类

• 了解K-Means算法及其在聚类数据中的应用。

33. 无监督学习中的迭代 K 均值聚类算法

• 了解如何改进和优化 K-Means 聚类以获得更好的结果。

34. K-Means聚类算法在无监督学习中的应用

• 将 K-Means 聚类应用于实际问题的实践经验。

35.掌握无监督学习中的层次聚类

• 了解层次聚类技术及其在无监督学习中的应用。

36. 无监督学习树状图可视化

• 使用树状图可视化层次聚类结果，以更好地理解数据结构。

37. 应用层次聚类解释 – 掌握无监督学习

• 应用层次聚类解决实际的无监督学习任务。

38. 高级聚类技术：使用 DBSCAN 进行无监督学习

• 研究 DBSCAN，一种处理噪声和非球形聚类的高级聚类算法。

39. 高级聚类技术 – 具有 DBSCAN 优势的无监督学习

• 了解 DBSCAN 相对于 K-Means 等传统聚类技术的优势。

40.主成分分析（PCA）简介

• 了解 PCA，一种简化高维数据的降维技术。

41. 选择主成分分析（PCA）

• 了解如何选择最重要的主成分以有效降低数据维数。

42.主成分分析中的主成分应用

• 实际应用 PCA 来降低维数并提高模型性能。

43. 使用线性判别分析（LDA）进行无监督学习

• 学习 LDA，一种常用于分类任务的降维技术。

44. PCA 与 LDA | 机器学习降维

• 比较 PCA 和 LDA 以了解它们的差异和适当的用例。

45. LDA 的应用 | 机器学习降维

• 在监督学习任务中应用LDA进行降维。

46. 使用 t-SNE 进行无监督学习

• 研究 t-SNE（t 分布随机邻域嵌入）用于非线性降维。

47. 无监督学习 – t-SNE 的工作原理 – 掌握降维

• 了解 t-SNE 的工作原理以及如何应用它来可视化高维数据。

48. t-SNE 的应用 – 掌握降维

• 应用 t-SNE 探索数据模式并在低维中可视化复杂数据集。

49. 无监督学习模型评估指标 – 完整指南

• 了解用于评估无监督学习模型性能的评估指标。

50. 降维评估指标

• 研究用于评估降维技术有效性的指标。

51. 无监督学习超参数

• 探索无监督学习中的超参数调整以优化模型性能。

52. 基于贝叶斯优化的无监督学习 – 完整指南

• 学习贝叶斯优化及其在提高无监督学习算法性能中的应用。

53.关联规则简介

• 了解关联规则挖掘及其在市场篮子分析中的应用。

54. 关联规则挖掘——置信度和支持度解释

• 深入研究用于评估关联规则的置信度和支持度指标。

55. Apriori 算法关联规则挖掘与市场篮子分析

• 研究 Apriori 算法及其在市场篮子分析中的应用，以揭示产品关系。

56. Apriori 算法分步解释

• 详细解释 Apriori 算法以及如何将其应用于实际数据。

本课程为学生提供在机器学习方面取得优异成绩的工具和知识，从基础概念到高级应用，非常适合那些希望掌握人工智能和机器学习领域的人士。

本课程适合哪些人：

• 任何想要学习未来技能并成为数据科学家、高级数据科学家、人工智能科学家、人工智能工程师、人工智能研究员和人工智能专家的人。