【Udemy中英字幕】Master Simplified Supervised Machine Learning™

掌握简化监督机器学习™

初学者到高级深度大师班，包含实际项目应用

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

• 机器学习简介：了解机器学习的基础知识和核心概念。
• 机器学习——强化学习：了解代理如何通过与环境互动来做出决策。
• 监督学习简介：探索如何根据标记数据训练模型以做出预测。
• 机器学习模型训练和评估：学习训练模型和评估其性能的技术。
• 机器学习线性回归：掌握如何使用线性回归预测连续结果。
• 机器学习 – 评估模型拟合度：了解如何评估模型准确性和回归任务的拟合度。
• 机器学习的应用-监督学习：应用监督学习技术解决实际问题。
• 多元线性回归简介：了解多个预测变量如何影响回归模型的结果。
• 多元线性回归 – 评估模型性能：了解如何评估和优化多元线性回归模型。
• 机器学习应用 – 多元线性回归：将多元线性回归应用于真实世界的数据集。
• 机器学习逻辑回归：了解如何使用逻辑回归执行分类任务。
• 机器学习特征工程 – 逻辑回归：掌握使用特征工程改进逻辑回归的技术。
• 机器学习应用-逻辑回归：将逻辑回归应用于实际的分类问题。
• 机器学习决策树：了解决策树如何分割数据以做出预测决策。
• 机器学习 – 评估决策树性能：了解如何评估决策树的准确性和可靠性。
• 机器学习应用 – 决策树：将决策树算法应用于真实世界的数据集。
• 机器学习随机森林：了解随机森林如何结合多个决策树以实现稳健的预测。
• 掌握机器学习超参数调整：学习通过超参数调整优化模型性能的高级技术。
• 机器学习决策树随机森林：探索随机森林如何增强决策树的性能。
• 掌握机器学习 – 支持向量机 (SVM)：了解如何通过最大化边际分离使用 SVM 进行分类。
• 掌握机器学习 – 支持向量机（SVM）中的核函数：了解核函数如何改进非线性数据的 SVM 分类。
• 机器学习应用 – 支持向量机（SVM）：应用 SVM 算法对复杂数据集进行分类。
• 机器学习 K 最近邻 (KNN) 算法：了解 KNN 如何使用邻居对数据点进行分类。
• KNN 算法的机器学习预处理：掌握数据预处理技术，提高 KNN 性能。
• 机器学习应用-KNN算法：应用KNN算法解决分类问题。
• 机器学习梯度提升算法：了解梯度提升如何通过迭代训练提高预测准确性。
• 掌握机器学习中的超参数调整：学习微调模型超参数以获得最佳性能。
• 梯度提升的机器学习应用：在实际场景中应用梯度提升来提高模型准确性。
• 机器学习模型评估指标：了解评估机器学习模型的关键指标，如准确性和 F1 分数。
• 机器学习 ROC 曲线和 AUC 解释：学习解释 ROC 曲线和 AUC 以评估分类模型。

探索相关主题

• 监督机器学习
• 其他 IT 和软件
• 信息技术与软件

要求

• 任何人都可以学习这门课程，非常简单。

描述

监督式机器学习：掌握预测模型
本课程深入探讨监督式机器学习的基本概念和技术。您将学习如何构建、训练和评估预测模型来解决实际问题。

• 机器学习简介：探索机器学习的原理及其应用。

• 强化学习：了解强化学习的作用及其与监督学习的区别。

• 监督学习简介：深入了解如何使用标记数据训练模型。

• 模型训练与评估：了解模型训练的过程，包括性能评估技术。

回归模型和性能优化

• 线性回归：了解如何使用线性回归来模拟连续结果。

• 评估模型拟合度：掌握评估和改进回归模型以获得更好性能的技术。

• 多元线性回归：深入研究多变量建模，扩展线性回归能力。

• 逻辑回归：使用逻辑回归理解分类任务，重点关注特征工程和模型解释。

先进的决策算法

• 决策树：了解决策树如何为分类和回归任务创建直观的树状结构。

• 评估决策树性能：探索评估决策树的准确性和泛化能力的方法。

• 随机森林：了解通过随机森林进行集成学习以及它们如何提高模型鲁棒性。

高级技术和超参数调整

• 支持向量机 (SVM)：了解 SVM 如何优化分类任务，包括对非线性数据的核函数的使用。

• K 最近邻 (KNN) 算法：探索 KNN 算法及其预处理要求，以获得最佳性能。

• 梯度提升：掌握这种强大的集成技术，可以迭代地提高模型准确性。

• 超参数调整：发现调整超参数的高级策略，以提高模型性能。

模型评估和指标

• 模型评估指标：掌握模型评估的准确率、精确率、召回率、F1 分数等关键指标。

• ROC 曲线和 AUC 解释：了解如何使用 ROC 曲线和 AUC 分数来评估分类模型性能。

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、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。