2018年零基础机器学习从算法到项目实战高清视频教程 20课 附课件资料

长乐混混

课程介绍：

本教程系统的介绍了机器学习的目的和方法。并且针对每一种常用的方法进行了详细的解析，用实例来说明具体的实现，学生可以跟着一步步完成。

适合人群：初级

课时数量：39.5课时

用到技术：机器学习、Python、K-近邻算法、决策树、朴素贝叶斯、Logistic回归、支持向量机、Adaboost，线性回归、树回归、K均值聚类算法、Apriori、FP-Growth

涉及项目：手写数字识别；使用朴素贝叶斯模型过滤垃圾邮件；用决策树预测隐形眼镜类型；

机器学习作为人工智能的一部分，已经应用于很多领域，远超过人们的想象，垃圾邮件的过滤，在线广告的推荐系统，还有目前发展飞快的物体识别、人脸识别和语音识别的发展，都是机器学习的应用的成果。机器学习在改善商业决策、提高生产率、检测疾病、预测天气等方面都有非常大的应用前景。

编程语言：

1. 课程研发环境
本课程的代码实现是基于Python语言，用到Numpy库和MatplotLib.
开发工具:    Python win;

适合人群：

本课程针对想要了解和学习人工智能的同学，不管有没有编程基础均可。   

学习建议：

本课程共20讲，共40课时，不要贪快，要对每一讲的内容深刻了解在继续下一部分的内容。

1. 一定要先理解每一种算法的思路，了解其实现的步骤。这样才能知道代码实现的原理和过程。
2. 对于实现部分，通过自己重新敲一遍代码，是有助于理解实现过程的，但也不必拘泥于此，特别是对于有编程基础的学员来说。
3. 建议一般听视频，一般拿个纸和笔，做一些记录和笔记，这是一种非常好的学习习惯。
4. 机器学习的相关资料比较分散，可以以本视频为主线，参考多种资料，来加深理解。

内容简介：

本教程系统的介绍了机器学习的目的和方法。并且针对每一种常用的方法进行了详细的解析，用实例来说明具体的实现，学生可以跟着一步步完成。在面对现实的问题的时候，可以找到非常可靠的参照。本课程在最开始讲解了Python语言的基础知识，以保证后面的课程中可以顺利进行。更多的Python语言的知识，需要学员自己去找更多的资料进行学习。

本课程主要讲述了两大类机器学习的方法：有监督学习和无监督学习，其中有监督学习里面，又分为分类和预测数值型数据。这些算法都是基础的算法。这样可以降低学习的难度，容易理解机器学习思路和实现的过程。

学习目标：

目标一. 了解机器学习的目标

目标二. 了解机器学习的常用方法

目标三. 通过实战，学习机器学习的实现

目标四. 学习机器学习开发中的一些常用工具

课程亮点：

亮点一、详细解析机器学习的方法，有理论有实践，很容易理解和掌握.

亮点二、理论与实战相结合，由浅入深。不管有没有编程基础，都可以学习.

亮点三、课程大多数代码均是一行一行手工敲入，手把手一步步带领学员从入门到精通.     

亮点四、课程中的案例，有不少可以直接用在现实的任务中.

学习要求：

1. 由于机器学习的算法中，有大量的关于矩阵和向量的运算，所以如果没有学过线性代数和概率的同学，一定要先找相关的资料做好预备知识的准备工作。
2. 如果有Python基础，可以掠过2-3讲的内容，直接进入机器学习的章节，
3. 如果对机器学习有一定的了解，可不必按部就班进行，可以拿你感兴趣的部分去学习，但一定要注意实践，并学会举一反三 。

学习建议：

第一讲：机器学习的任务和方法
第二讲：Python语言基础
第三讲：Python语言基础2
第四讲：分类算法介绍
第五讲：k-临近算法
第六讲：决策树
第七讲：基于概率论的分类方法：朴素贝叶斯
第八讲：Logistic回归
第九讲：支持向量机
第十讲：利用AdaBoost元算法提高分类性能
第十一讲：利用回归预测数值型数据
第十二讲：树回归
第十三讲：无监督学习
第十四讲：利用K-均值聚类算法对未标注数据分组
第十五讲：使用Apriori算法进行关联分析
第十六讲：使用FP-growth算法来高效发现频分项集
第十七讲：利用PCA来简化数据
第十八讲：利用SVD简化数据
第十九讲：大数据与MapReduce
第二十讲：学习总结

游客，如果您要查看本帖隐藏内容请回复

冰语晨星

学习学习谢谢分享