Advertisement

【机器学习】新手sklearn课程(1-12全集).zip

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本资源为针对初学者设计的完整sklearn机器学习库教程系列（共12节），适合希望快速入门Python机器学习实践的学习者。 配套的相关资料非常有用。看了菜菜的课程就知道这是高质量的内容了。 01 决策树课件数据源码 02 随机森林 03 数据预处理和特征工程 04 主成分分析PCA与奇异值分解SVD 05 逻辑回归与评分卡 06 聚类算法Kmeans 07 支持向量机上 08 支持向量机下 09 回归大家族：线性回归，岭回归，Lasso与多项式回归 10 朴素贝叶斯 11 XGBoost

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 【机器学习】新手sklearn课程(1-12全集).zip
    优质
    这是一套专为机器学习初学者设计的完整教程，涵盖了使用Python库scikit-learn进行实践操作的知识点和案例分析，适合自学和进阶。 机器学习sklearn课程对应b站的菜菜课程。
     
  • 【机器学习】新手sklearn课程(1-12全集).zip
    优质
    本资源为针对初学者设计的完整sklearn机器学习库教程系列（共12节），适合希望快速入门Python机器学习实践的学习者。 配套的相关资料非常有用。看了菜菜的课程就知道这是高质量的内容了。 01 决策树课件数据源码 02 随机森林 03 数据预处理和特征工程 04 主成分分析PCA与奇异值分解SVD 05 逻辑回归与评分卡 06 聚类算法Kmeans 07 支持向量机上 08 支持向量机下 09 回归大家族：线性回归，岭回归，Lasso与多项式回归 10 朴素贝叶斯 11 XGBoost
     
  • 【机器学习】新手sklearn课程(1-12全集).rar
    优质
    本资源包含从入门到进阶的12个视频教程，全面讲解使用Python库Sklearn进行机器学习的方法和技巧，适合初学者系统学习。 【机器学习】菜菜的sklearn课堂（1-12全课）涵盖了以下内容： 1. 决策树 2. 随机森林 3. 数据预处理和特征工程 4. 主成分分析PCA 5. 逻辑回归与评分卡 6. 聚类算法 7. 支持向量机上 8. 支持向量机下 9. 回归大家族 10. 朴素贝叶斯 11. XGBoost 12. 神经网络（还在录课）
     
  • 【机器学习】新手sklearn课程(1-11全集).7z
    优质
    这是一套专为初学者设计的完整Sklearn机器学习工具包教程系列（共11节），帮助你从零开始掌握Python中的机器学习应用。 机器学习菜菜的sklearn课堂（1-11课件），PDF内容包含代码及讲解的课件。
     
  • Sklearn机器学习入门课程（1-12全集）含视频链接.zip
    优质
    本资料包包含Sklearn机器学习入门课程全套视频（共12节），附带详细教程和代码示例，适合初学者系统掌握Python机器学习库Sklearn。 机器学习-菜菜的sklearn课堂(1-12全课)
     
  • 【机器学习】新手指南：菜菜的sklearn课堂教程及代码
    优质
    本教程为机器学习初学者设计，通过实例教授如何使用Python中的sklearn库进行模型构建与训练。适合完全没有编程经验的新手跟随学习，并提供详细代码供实践参考。 B站课程《菜菜的机器学习sklearn》配有详细的教材和代码，老师讲解非常详细，十分推荐。课程链接可以在B站搜索BV1vJ41187hk查看。 去掉链接后： 《菜菜的机器学习sklearn》这门B站课程有配套的教材和代码支持，老师的讲解很详尽，强烈推荐大家去学习。
     
  • Python机器学习库sklearn——集成算法
    优质
    Scikit-learn（简称sklearn）是Python中强大的机器学习库，尤其擅长于提供多种集成学习算法，如随机森林和梯度提升机，助力数据科学家快速构建高效模型。 本段落将介绍如何在sklearn中使用集成学习，并且该模块支持树的并行构建以及预测结果的并行计算，希望对您的学习有所帮助。集成方法的目标是通过结合多个由给定学习算法构建的基本估计器的预测结果来提高泛化能力和鲁棒性。在scikit-learn中，bagging方法使用统一的BaggingClassifier元估计器（或 BaggingRegressor），输入参数和随机子集抽取策略可以由用户指定。max_samples 和 max_features 参数控制了子集大小（对于样本和特征）。bootstrap 和 bootstrap_features 控制着是否采用有放回的方式抽样样本和特征。
     
  • 菜菜的sklearn机器学习全套资料（课件、代码、ipynb）
    优质
    本套资料为菜菜的sklearn机器学习课程全套内容，包含详细的课件讲解、完整源代码及可直接运行的Jupyter Notebook文件。适合初学者系统学习机器学习知识。 菜菜的sklearn机器学习完整版包括课件、代码和ipynb文件： - 01 决策树：包含课件数据源码； - 02 随机森林； - 03 数据预处理与特征工程； - 04 主成分分析PCA与奇异值分解SVD； - 05 逻辑回归与评分卡； - 06 聚类算法Kmeans； - 07 支持向量机（上）和（下）两部分； - 09 回归大家族：线性回归、岭回归、Lasso及多项式回归； - 010 朴素贝叶斯； - 011 XGBoost。
     
  • 吴恩达机器学习笔记全集1
    优质
    本系列为吴恩达教授的机器学习课程笔记全集，涵盖线性回归、逻辑回归、神经网络等主题，适合初学者深入理解机器学习核心概念。 1.1 欢迎 1.2 机器学习是什么 1.3 监督学习 6 无监督学习 10 模型表示 15 代价函数 17 代价函数的直观
     
  • 机器学习课程设计合集ZIP包
    优质
    本资源为机器学习课程设计合集ZIP包，包含多个实践项目与案例研究，旨在帮助学生和开发者掌握机器学习的核心概念和技术应用。 我的机器学习作业集合涵盖了多个关键主题，包括贝叶斯决策、概率密度函数的估计、朴素贝叶斯分类器以及贝叶斯网络模型等。这些内容不仅涉及理论知识的应用，还包含实际操作技能。 首先，贝叶斯决策基于概率原理，并利用贝叶斯定理进行不确定性环境下的决策制定，在诸多领域中具有广泛应用价值。其次，对于概率密度函数的估计，则是通过直方图法、核密度估等方法来推断数据的概率分布情况。此外，朴素贝叶斯分类器是一种基于贝叶斯理论和特征独立性假设的算法，特别适用于文本分类等领域。 同时，作业还涉及到贝叶斯网络模型的应用——这是一种利用图形结构表示变量之间依赖关系的方法，在风险评估方面有着不可替代的作用。线性和非线性分类器则是通过不同的决策边界来对数据集进行划分；而非参数辨别方法如k近邻算法，则是一种无需预先设定模型复杂度的灵活策略。 此外，作业还包括特征提取与选择以及聚类分析两个重要环节：前者帮助优化数据表示形式，后者则致力于将相似的数据点聚集在一起形成簇。这些主题共同构成了机器学习领域中不可或缺的方法和技术体系。