来源：原始 Jupyter Notebook。内容已转换为网页阅读格式；下载原文件。
- 课程名称：Python3入门机器学习经典算法与应用
- 课程来源：https://coding.imooc.com/
- 课程地址：https://coding.imooc.com/class/chapter/169.html
- 讲师：liuyubobobo
第1章 欢迎来到 Python3 玩转机器学习#
1-1 什么是机器学习#
1-2 课程涵盖的内容和理念#
1-3 课程所使用的主要技术栈#
第2章 机器学习基础#
2-1 机器学习世界的数据#
2-2 机器学习的主要任务#
2-3 监督学习，非监督学习，半监督学习和增强学习#
2-4 批量学习，在线学习，参数学习和非参数学习#
2-5 和机器学习相关的“哲学”思考#
2-6 课程使用环境搭建#
第3章 Jupyter Notebook, numpy和matplotlib#
3-1 Jupyter Notebook基础#
3-2 Jupyter Notebook中的魔法命令#
3-3 Numpy数据基础#
3-4 创建Numpy数组(和矩阵)#
3-5 Numpy数组(和矩阵)的基本操作#
3-6 Numpy数组(和矩阵)的合并与分割#
3-7 Numpy中的矩阵运算#
3-8 Numpy中的聚合运算#
3-9 Numpy中的arg运算#
3-10 Numpy中的比较和Fancy Indexing#
3-11 Matplotlib数据可视化基础#
3-12 数据加载和简单的数据探索#
第4章 最基础的分类算法-k近邻算法 kNN#
4-1 k近邻算法基础#
4-2 scikit-learn中的机器学习算法封装#
4-3 训练数据集，测试数据集#
4-4 分类准确度#
4-5 超参数#
4-6 网格搜索与k近邻算法中更多超参数#
4-7 数据归一化#
4-8 scikit-learn中的Scaler#
4-9 更多有关k近邻算法的思考#
第5章 线性回归法#
5-1 简单线性回归#
5-2 最小二乘法#
5-3 简单线性回归的实现#
5-4 向量化#
5-5 衡量线性回归法的指标：MSE，RMSE和MAE#
5-6 最好的衡量线性回归法的指标：R Squared#
5-7 多元线性回归和正规方程解#
5-8 实现多元线性回归#
5-9 使用scikit-learn解决回归问题#
5-10 线性回归的可解释性和更多思考#
第6章 梯度下降法#
6-1 什么是梯度下降法#
6-2 模拟实现梯度下降法#
6-3 线性回归中的梯度下降法#
6-4 实现线性回归中的梯度下降法#
6-5 梯度下降法的向量化和数据标准化#
6-6 随机梯度下降法#
6-7 scikit-learn中的随机梯度下降法#
6-8 如何确定梯度计算的准确性？调试梯度下降法#
6-9 有关梯度下降法的更多深入讨论#
第7章 PCA与梯度上升法#
7-1 什么是PCA#
7-2 使用梯度上升法求解PCA问题#
7-3 求数据的主成分PCA#
7-4 求数据的前n个主成分#
7-5 高维数据映射为低维数据#
7-6 scikit-learn中的PCA#
7-7 试手MNIST数据集#
7-8 使用PCA对数据进行降噪#
7-9 人脸识别与特征脸#
第8章 多项式回归与模型泛化#
8-1 什么是多项式回归#
8-2 scikit-learn中的多项式回归与Pipeline#
8-3 过拟合与欠拟合#
8-4 为什么要有训练数据集与测试数据集#
8-5 学习曲线#
8-6 验证数据集与交叉验证#
8-7 偏差方差平衡#
8-8 模型泛化与岭回归#
8-9 LASSO#
8-10 L1, L2和弹性网络#
第9章 逻辑回归#
9-1 什么是逻辑回归#
9-2 逻辑回归的损失函数#
9-3 逻辑回归损失函数的梯度#
9-4 实现逻辑回归算法#
9-5 决策边界#
9-6 在逻辑回归中使用多项式特征#
9-7 scikit-learn中的逻辑回归#
9-8 OvR与OvO#
第10章 评价分类结果#
10-1 准确度的陷阱和混淆矩阵#
10-2 精准率和召回率#
10-3 实现混淆矩阵，精准率和召回率#
10-4 F1 Score#
10-5 精准率和召回率的平衡#
10-6 精准率-召回率曲线#
10-7 ROC曲线#
10-8 多分类问题中的混淆矩阵#
第11章 支撑向量机 SVM#
11-1 什么是SVM#
11-2 SVM背后的最优化问题#
11-3 Soft Margin SVM#
11-4 scikit-learn中的SVM#
11-5 SVM中使用多项式特征和核函数#
11-6 到底什么是核函数#
11-7 RBF核函数#
11-8 RBF核函数中的gamma#
11-9 SVM思想解决回归问题#
第12章 决策树#
12-1 什么是决策树#
12-2 信息熵#
12-3 使用信息熵寻找最优划分#
12-4 基尼系数#
12-5 CART与决策树中的超参数#
12-6 决策树解决回归问题#
12-7 决策树的局限性#
第13章 集成学习和随机森林#
13-1 什么是集成学习#
13-2 Soft Voting Classifier#
13-3 Bagging 和 Pasting#
13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论#
13-6 Ada Boosting 和 Gradient Boosting#
13-7 Stacking#
第14章 更多机器学习算法#
14-1 学习scikit-learn文档, 大家加油！#
14-2 学习完这个课程以后怎样继续深入机器学习的学习？#