机器学习完全指南
共 12 篇 · 按顺序阅读- 1
机器学习概述与发展历程
机器学习的定义、发展历史、主要分类与应用领域全面介绍。
- 2
Python 数据科学环境搭建
从零搭建 Python 机器学习开发环境,包括 Anaconda、Jupyter、常用库配置。
- 3
数据预处理与特征工程
机器学习数据预处理全流程:清洗、转换、特征选择与特征构造。
- 4
监督学习 - 回归算法详解
线性回归、多项式回归、岭回归、Lasso 回归等回归算法原理与实战。
- 5
监督学习 - 分类算法详解
逻辑回归、决策树、SVM、KNN 等分类算法的原理、实现与应用。
- 6
无监督学习 - 聚类与降维
K-Means、DBSCAN、层次聚类与 PCA、t-SNE 降维技术详解。
- 7
集成学习:Random Forest 与 XGBoost
深入理解集成学习方法,掌握 Bagging、Boosting 原理,实战 Random Forest、XGBoost 和 LightGBM 算法
- 8
模型评估与调优
全面掌握机器学习模型评估指标、交叉验证方法、超参数调优技术,避免过拟合与欠拟合
- 9
Scikit-learn 实战项目
从数据加载到模型部署的完整机器学习项目实战,掌握 Pipeline、特征工程、模型训练与评估全流程
- 10
时间序列分析与预测
掌握时间序列数据处理、ARIMA 模型、Prophet 预测以及 LSTM 深度学习方法进行时序预测
- 11
AutoML 与自动化机器学习
探索自动化机器学习工具,包括 Auto-sklearn、TPOT、H2O AutoML,实现高效的模型自动选择与调优
- 12
机器学习模型部署与 MLOps
全面掌握机器学习模型部署方法,包括 Flask/FastAPI API 服务、Docker 容器化、MLflow 实验管理和 CI/CD 自动化