第一步:机器学习简介
- 什么是机器学习?
- 机器学习的历史
- 机器学习的特点
- 需要机器学习
- 机器学习的应用
- 机器学习的生命周期
- 用于 ML 的最佳 Python 库
- 人工智能与机器学习
- 深度学习与机器学习
步骤 2. 机器学习基础知识
机器学习的分类
- 监督学习
- 无监督学习
- 强化学习
机器学习数据集
均值、众数和中位数的知识
标准差
方差
过拟合
欠拟合
偏差和方差
权衡
坡度:
- 批
- 随机
因变量
自变量
步骤 3. 监督机器学习
什么是监督学习?
监督学习的应用
监督学习的类型:
1. 回归
2. 分类
什么是回归?
回归的应用
回归:
- 线性回归
- 回归树
- 非线性回归
- 贝叶斯线性回归
- 决策树回归
- 多项式回归
- 随机森林回归
- 岭回归
- 套索回归
什么是分类?
分类法的应用
分类算法:
- 随机森林
- 决策树
- 逻辑回归
- 支持向量机
- K-最近邻
- 核支持向量机
- 朴素贝叶斯
步骤 4. 无监督机器学习
什么是无监督学习?
无监督学习的应用
无监督学习的类型:
1. 聚类
2. 协会
什么是聚类?
聚类的应用
聚类算法:
- K-均值聚类算法
- K-NN(k 个最近邻)
- 分区聚类
- 基于密度的聚类
- 均值漂移聚类
- DBSCAN – 基于密度的聚类
- 模糊聚类
- 谱聚类
- 光学集群
- 层次聚类
- 基于分布模型的聚类
什么是协会?
协会申请
步骤 5. 强化机器学习
- 什么是强化学习?
- 强化学习的应用
- 汤普森采样简介
- 强化学习的遗传算法
- SARSA 强化学习
步骤 6. 机器学习的先进概念
线性判别分析 (LDA)
主成分分析(PCA)
学习矢量量化 (LVQ)
广义加性模型 (GAM)
多元自适应回归样条(MARS)
正则化方法:
- 岭
- 套索
核平滑方法
集成学习:
- 套袋
- 提升
- 堆叠
- 混合
普通最小二乘
偏最小二乘法
核密度估计
径向基函数
多重共线性
柴德
工商银行、工商银行
阿里玛
ID3
K折交叉验证
C4.5 和 C5.0
梯度提升
步骤 7。 自然语言处理
- 什么是自然语言处理?
- NLP的主要组成部分
- NLP 的现实应用
- 什么是词义消歧?
- 什么是代词解析?
- NLP API 基础
- 使用 NLP 进行机器翻译
- NLP 有哪些阶段?
- 什么是代币化?
- NLP 中的正则表达式
- 什么是词干提取?
- 什么是词形还原?
- 什么是 NLTK 词形还原?
- NLP 中使用 TextBlob 进行词形还原
步骤8.机器学习的评估指标
- 准确性
- ROC 曲线下面积 (AUC)
- 精确率-召回率曲线
- 特异性
- 对数/交叉熵损失
- 均方误差
- 平均绝对误差
步骤 9. 深度学习
- 什么是深度学习?
- 什么是神经网络?
- 深度玻尔兹曼机(DBM)
- 深度信念网络(DBN)
- 深度学习框架
- 深度学习算法
- 卷积神经网络
- 循环神经网络
- 贝叶斯神经网络
步骤10.机器学习项目
创建您自己的表情符号项目
使用 Python 预测房价
使用 Python 进行鸢尾花分类。
使用 Python 检测假新闻
手写字符识别项目
使用 Python 项目进行 Uber 数据分析。
在 ML 中使用 Python 进行情感分析
结论:
我们学习了面向初学者的机器学习完整路线图。机器学习完整教学大纲。机器学习章节。机器学习路线图是 ML 所有概念的概述。本文提供了机器学习概念的简单概述。适合初学者学习的机器学习路线图。机器学习。
感谢您阅读此博客。我祝愿您在学习和掌握机器学习的旅程中一切顺利。
关注我,获取更多实用内容:
Instagram |推特|领英 | YouTube
谢谢