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:

  • 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:

  • 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

人们还在阅读:-