Python机器学习应用

本课程面向各类编程学习者，讲解当下流行的机器学习相关的技术和方法，帮助学习者利用Python语言掌握机器学习算法解决一般问题的基本能力，一窥前沿机器学习算法的奥秘。
本课程介绍Python计算生态中广受欢迎的机器学习算法库scikit-learn，这些算法在工程、信息、管理、经济等学科领域具有极其广泛的应用潜力，被全世界各大科研院所和国际知名公司广泛采用，包括必修内容和选修内容两部分。

必修内容包括：
（1）理解机器学习，通过介绍机器学习的基本问题（分类、聚类、回归、降维）介绍经典算法；
（2）Python第三方库sklearn（scikit-learn），讲解应用机器学习算法快速解决实际问题的方法。
选修内容包括：
（1）讲解AlphaGo背后的机器学习原理（强化学习）；
（2）游戏对战实例展示，通过实例展示自主学习的强大魅力。

根据第三方库内容特点，课程共分6个内容模块和2个实战模块：

模块1：机器学习基本思想与原理 vs. sklearn库
模块2：无监督学习之聚类、算法与用例（sklearn中的K-means、DBSCAN）
模块3：无监督学习之降维、算法与用例(sklearn中的PCA、NMF)
模块4：监督学习之分类、算法与用例（sklearn中KNN、朴素贝叶斯、决策树）
模块5：监督学习之回归、算法与用例（sklearn中线性回归、非线性回顾）
模块6（实战）：监督学习实现手写识别实例编写，算法对比与分析
模块7（选修）：强化学习方法、深度学习
模块8（选修、实战）：实战项目：Flappy Bird游戏智能对战

• 课时1：机器学习课程内容导学 (6分46秒)

• 课时2：Sklearn库的安装 (4分43秒)

• 课时3：Sklearn库标准数据集及基本功能 (7分29秒)

• 课时4：无监督学习课程导学 (9分33秒)

• 课时5：聚类之K-Means+31省市居民家庭消费调查 (8分12秒)

• 课时6：聚类之Dbscan+学生月上网时间分布聚类实例 (9分17秒)

• 课时7：降维之NMF (7分16秒)

• 课时8：降维之PCA (6分37秒)

• 课时9：实例：基于聚类的整图分割 (5分17秒)

• 课时10：本周课程导学 (8分5秒)

• 课时11：“人体运动状态信息评级”实例分析 (6分26秒)

• 课时12：KNN+Nbayes+决策树 (11分14秒)

• 课时13：“人体运动状态信息评级”实例编写与对比 (7分48秒)

• 课时14：上证指数涨跌预测实例 (6分3秒)

• 课时15：线性回归+房价与房屋尺寸关系的线性拟合 (8分54秒)

• 课时16：多项式回归+房价与房屋尺寸的非线性拟合 (7分0秒)

• 课时17：岭回归 (7分46秒)

• 课时18：“手写识别”实例介绍 (4分55秒)

• 课时19：神经网络实现“手写识别”实例编写 (10分29秒)

• 课时20：KNN实现“手写识别”实例编写 (6分33秒)

• 课时21：强化学习基础 (10分38秒)

• 课时22：实例：自主学习Flappy Bird游戏 (2分34秒)

• 课时23：Flappy Bird自主学习程序基本框架 (10分8秒)

• 课时24：相关库的介绍及安装 (2分57秒)

• 课时25：项目实战 (13分13秒)

• 课时26：训练结果展示 (1分44秒)

• 课时27：课程总结 (6分15秒)