CDA数据科学研究院
CDA考试中心
CDA网校
企业服务
CDA社区
CDA竞赛
CDA技术答疑
CDA俱乐部
CDA论坛
关于CDA
App下载
登录
注册
登录
注册
首页
课程中心
数据科学
人工智能
学术量化
全部课程
>>>上线日志
>>>课程分类
公开课
直播课
就业课试听
国外公开课
行业公开课
数据圈子
CDA数字化能力提升计划
CDA考试专区
CDA会员专区
CDAS峰会
SQL答疑专区
会员专区
会员中心
会员课程
线下面授
CDA数据分析脱产就业班（试听）
CDA LEVEL | 数据分析周末班（试听）
CDA LEVEL || 商业分析周末班（试听）
CDA LEVEL ||| 机器学习周末班（试听）
全部班级课
CDA认证
CDA介绍
CDA大纲
CDA题库
CDA教材
CDA专访
CDA考试专区
CDA备考攻略
登录
注册
全部课程
数据科学
新职位
数据科学家
数据分析师
业务数据分析师
大数据工程师
机器学习工程师
商业数据分析师
微专业
案例微课
人力资源
工具安装
Excel基础
SQL数据库
R语言
Python
Python爬虫
Python自动化
统计学
业务分析
数据思维
可视化
BI 商业智能
数据运营
用户画像
互联网运营
Linux
Hadoop
Hive
ETL工具
PySpark
数学基础
数据挖掘/机器学习
空间地理数据处理
数据治理
数字化转型
区块链
金融商业数据分析
数据要素
新职位
微专业
人工智能
微专业
深度学习基础
NLP自然语言处理
CV计算机视觉
SR语音识别
TensorFlow
PyTorch
微专业
学术量化
学术
Python
金融
Stata
SSCI/SCI
DSGE
SPSS
DID专题
内生性
社会网络分析
量化投资
量化
量化投资分析师
学术
量化
公开课
行业公开课
新零售行业
医疗行业
数据中台
金融行业
汽车行业
电商行业
自动驾驶
国外公开课
公开课
CDAS峰会视频
CDA大咖汇
CDA体验课
CDA直播课
CDA大课试听
行业公开课
公开课
认证考试
CDA认证
CDA 认证考试模拟题
CDA 持证人专访
CDA 会员活动
CDA认证
首页
课程中心
数据科学
人工智能
学术量化
全部课程
>>>上线日志
>>>课程分类
公开课
直播课
就业课试听
国外公开课
行业公开课
数据圈子
CDA数字化能力提升计划
CDA考试专区
CDA会员专区
CDAS峰会
SQL答疑专区
会员专区
会员中心
会员课程
线下面授
CDA数据分析脱产就业班（试听）
CDA LEVEL | 数据分析周末班（试听）
CDA LEVEL || 商业分析周末班（试听）
CDA LEVEL ||| 机器学习周末班（试听）
全部班级课
CDA认证
CDA介绍
CDA大纲
CDA题库
CDA教材
CDA专访
CDA考试专区
CDA备考攻略
菊安酱的机器学习实战
简介
课程标签：
Python
机器学习
查看课程
任务列表
第1任务: 1.K-近邻课件
第2任务: 1.1 机器学习概述
第3任务: 1.2 k-近邻算法原理
第4任务: 1.3 K近邻算法的Python实现
第5任务: 1.4 K近邻算法函数封装
第6任务: 1.5 了解约会网站数据
第7任务: 1.6 约会数据集归一化并划分训练集
第8任务: 1.7 手写数字识别了解并划分数据集
第9任务: 1.8 手写数字识别 构建分类器
第10任务: 2.决策树课件
第11任务: 2.2 决策树中的香农熵及计算函数
第12任务: 2.3 决策树数据集最佳切分函数
第13任务: 2.4 构建决策树
第14任务: 2.5 决策树的存储
第15任务: 2.6 利用SKlearn绘制决策树
第16任务: 2.7 绘制决策树节点
第17任务: 2.8 绘制决策树
第18任务: 2.9 预测隐形眼镜数据集切分测试集
第19任务: 2.10 预测隐形眼镜数据集构建并绘制分类树
第20任务: 2.11 决策树算法总结
第21任务: 3.朴素贝叶斯课件
第22任务: 3.1 朴素贝叶斯算法原理
第23任务: 3.2 朴素贝叶斯种类
第24任务: 3.3 朴素贝叶斯之鸢尾花数据实验
第25任务: 3.4 朴素贝叶斯构建词汇表
第26任务: 3.5 训练并测试朴素贝叶斯分类器
第27任务: 3.6 朴素贝叶斯之垃圾邮件过滤
第28任务: 3.7 Kaggle比赛之“旧金山犯罪分类预测”
第29任务: 3.8 算法总结
第30任务: 4.Logistics回归课件
第31任务: 4.1 Logistic原理概述
第32任务: 4.2 损失函数正则化
第33任务: 4.3 梯度下降的直观解释
第34任务: 4.4 梯度下降法的代数方式描述
第35任务: 4.5 梯度下降法的矩阵方式描述
第36任务: 4.6 梯度下降种类解析
第37任务: 4.7 标准化函数
第38任务: 4.8 使用BGD求解逻辑回归
第39任务: 4.9 使用SGD求解逻辑回归
第40任务: 4.10 病马案例
第41任务: 4.11 葡萄牙银行营销数据集导入
第42任务: 4.12 葡萄牙银行营销数据集预处理并构建构建逻辑回归
第43任务: 4.13 分类算法大比拼
第44任务: 4.14 算法总结
第45任务: 5.SVM（支持向量机）课件
第46任务: 5.1 支持向量机概述
第47任务: 5.2 线性SVM约束条件
第48任务: 5.3 SVM最优化问题的求解
第49任务: 5.4 SVM中的拉格朗日函数
第50任务: 5.5 SMO算法流程
第51任务: 5.6 创建特征向量与特征标签函数
第52任务: 5.7 随机选择aloha对
第53任务: 5.8 简化版SMO算法讲解
第54任务: 5.9 支持向量可视化
第55任务: 5.10 完整版SMO算法构建辅助函数
第56任务: 5.11 构建完整版SMO算法
第57任务: 5.12 计算模型准确率
第58任务: 5.13 核函数
第59任务: 5.14 核转换函数的构建
第60任务: 5.15 更新辅助函数
第61任务: 5.16 testRBF函数的构建
第62任务: 5.17 手写数字识别数据集导入数据函数
第63任务: 5.18 手写数字的测试函数与不同核函数的参数运行结果
第64任务: 5.19 算法总结
第65任务: 6.AdaBoost课件
第66任务: 6.1 集成算法概念
第67任务: 6.2 AdaBoost算法步骤
第68任务: 6.3 构建弱分类器
第69任务: 6.4 AdaBoost完整版函数
第70任务: 6.5案例：AdaBoost在病马数据集上的应用
第71任务: 6.6 分类器的横岭指标：混淆矩阵
第72任务: 6.7 衡量分类器指标：ROC曲线与AUC曲线
第73任务: 6.8 样本不均衡问题
第74任务: 6.9 泰坦尼克号数据导入并进行预处理
第75任务: 6.10 泰坦尼克号数据集切分并建立AdaBoost分类模型
第76任务: 7.线性回归课件
第77任务: 7.1 线性回归概述
第78任务: 7.2 线性回归的损失函数
第79任务: 7.3 简单线性回归python实现
第80任务: 7.4 局部线性回归公式推导
第81任务: 7.5 局部加权线性回归函数的构建
第82任务: 7.6 预测鲍鱼年龄数据集导入并预处理
第83任务: 7.7 鲍鱼数据集构建辅助函数与加权线性模型
第84任务: 7.8 岭回归
第85任务: 7.9 lasso和向前逐步回归
第86任务: 7.10 爬虫获取乐高数据集（一）
第87任务: 7.11 爬虫获取乐高数据集（二）
第88任务: 7.12 乐高二手成交价预测
第89任务: 8.树回归课件
第90任务: 8.1 决策树回顾
第91任务: 8.2 CART算法概述
第92任务: 8.3 CART树构建之辅助函数的构建
第93任务: 8.4 CART树算法实现
第94任务: 8.5 回归树的SKlearn实现
第95任务: 8.6 预剪枝
第96任务: 8.7 后剪枝
第97任务: 8.8 模型树
第98任务: 8.9 构建预测函数的辅助函数
第99任务: 8.10 回归数的预测结果
第100任务: 8.11 模型树和标准线性回归预测结果
第101任务: 8.12 使用Tkinter创建GUI
第102任务: 8.13 导入包并创建画布
第103任务: 8.15 创建一个GUI
第104任务: 9.K-均值聚类课件
第105任务: 9.1 聚类分析概述
第106任务: 9.2 k均值算法原理
第107任务: 9.3 k均值算法的python实现（1）
第108任务: 9.4 k均值算法的Python实现（2）
第109任务: 9.6 算法验证
第110任务: 9.7 误差平方和SSE和学习曲线
第111任务: 9.8 模型收敛稳定性探讨
第112任务: 9.9 二分K均值法（1）
第113任务: 9.10 二分K均值法（2）
第114任务: 9.11 二分K均值法（3）
第115任务: 9.12 聚类模型评价指标
第116任务: 9.13 轮廓系数的Python实现（一）
第117任务: 9.14 轮廓系数的Python实现（二）
第118任务: 【附录1】距离类模型中距离的确定
第119任务: 【附录2】归一化处理
第120任务: 10Apriori算法课件
第121任务: 10.1 关联分析概述
第122任务: 10.2 频繁项集的评估标准：支持度&置信度
第123任务: 10.3 频繁项集的评估标准：提升度
第124任务: 10.4 关联规则的发现
第125任务: 10.5 Apriori原理
第126任务: 10.6 Apriori挖掘频繁项集（一）
第127任务: 10.7 Apriori挖掘频繁项集（二）
第128任务: 10.8 Apriori挖掘频繁项集（三）
第129任务: 10.9 Apriori挖掘频繁项集（四）
第130任务: 10.10 Apriori挖掘关联规则
第131任务: 10.11 Apriori挖掘关联规则（二）
第132任务: 10.12 Aprior挖掘关联规则（三）
第133任务: 10.13 Apriori挖掘关联规则（四）
第134任务: 10.14 发现美国国会投票中的模式（一）
第135任务: 10.15 发现美国国会投票中的模式（二）
第136任务: 10.16 发现毒蘑菇相似特征：导入数据集并做处理
第137任务: 10.17 进行频繁项集的挖掘
第138任务: 10.18 发现毒蘑菇的相似特征：编码并带入模型
第139任务: 10.19发现毒蘑菇的相似特征：将编好的数据带入模型
学
习
中
心
TOP
技术支持
CDA人工智能社区
工作时间：9:00-19:00
陈老师：13077998983
邮箱：
edu_cda_cn@foxmail.com
