Py学习  »  机器学习算法

AI大模型必学系列:机器学习宝典,来了!

黑马程序员 • 7 月前 • 190 次点击  

大家好,我是播妞。

突击检查,

黑马程序员最近上线的AI大模型系列教程

你学到哪里了?


目前已上线的有:

《Python+AI大模型开发入门》
《大模型Python语言进阶》

《8天速成Python数据分析》


学习不停,上新不止!

今天,是系列教程的第四弹:

《AI大模型必学:机器学习宝典

旨在培养你的AI模型训练和模型优化技术能力!

通过这一套教程,

帮你搞定90%数据挖掘实战场景!


本课程通过简洁、高效、通俗易懂案例教学来讲解人工智能领域核心机器学习技术,系统性讲解了机器学习核心概念、监督学习及无监督学习算法,以解决实际需求为导向,培养学生可以选择不同算法构建模型,从而解决实际问题。课程案例极其丰富,并兼具有趣性和实战。


课程亮点

案例原理结合,掌握算法本质:通过课程系统化、体系化的学习机器学习核心算法,每个算法先案例、再原理、后进阶算法推导演示,不仅知其然,还让学生知其所以然。


破除入门难题,轻松进入AI:解决学生学习机器学习入门难、公式多、理论难等核心问题,掰开了揉碎了带着大家入门AI,学完本套课程即可轻松那些机器学习,为我们轻松打开AI之门。


构建建模流程,解决实际问题:通过高效讲解机器学习常用术语、算法分类、建模流程等抽象概念内容,让学生构建机器学习建模完整流程,能够应对实际工作中数据决策问题。


企业沙箱环境,无缝对接实战:课程采用Anaconda的Conda方式创建沙箱环境,构建机器学习开发环境,无缝对接企业实际开发环境及项目需求。


真实电网案例,精准负荷预测:课程综合案例引入了南方电网真实业务场景,从项目环境搭建、数据预处理、定义电力负荷模型、查看数据整体和各小时负荷分布、特征工程、模型训练及模型预测,最后呈现模型预测效果,很好解决电力负荷预测的实际问题。


胜任企业级数据挖掘任务:通过课程学习,足以支撑完成企业级数据挖掘预测任务。


适合人群

①刚毕业处于迷茫期的同学:处于该阶段同学没有工作经验,期待学习有前景的AI大模型技术。


②零基础、想转行的同学:有想法致力于通过AI大模型解决实际问题。


③想晋升加薪人群:具备Java、前端、大数据、运维、嵌入式等开发经验,面临职场瓶颈期,期待自我提升。


PS,学习此套教程需要一定基础,包括:Python基础语法、大模型Python语言进阶、数据处理与统计分析。


你将收获

1.掌握机器学习算法基本原理;

2.掌握机器学习算法的分类;

3.掌握使用机器学习模型训练的基本流程;

4.掌握 Sklearn 等常用机器学习相关开源库的使用;

5.熟练使用机器学习相关算法进行预测分析;

6.能够基于实际场景匹配合适的机器学习算法解决实际业务问题;

7.本课程从机器学习核心概念、KNN算法、线性回归算法、逻辑回归算法、决策树算法、集成学习算法、Kmeans聚类算法、数据挖掘综合案例-南方电网电力负荷预测。


课程内容

机器学习课程导学

第一章:机器学习概述

01.机器学习_大纲介绍

02.机器学习_相关概述目录介绍

03.机器学习_AI_ML_DL介绍

04.机器学习_基于规则和模型的介绍

05.机器学习_应用领域和发展史介绍

06.机器学习_名词介绍

07.机器学习_算法分类

08.机器学习_建模流程

09.机器学习_特征工程介绍

10.上午内容回顾

11.机器学习_模型拟合问题

12.机器学习_环境搭建

13.KNN算法_简介

14.KNN算法_思路分析

15.KNN算法_分类思想代码实现

16.KNN算法_回归思想代码实现


第二章:KNN算法

01.常用的距离度量方式

02.特征预处理_归一化

03.特征预处理_标准化

04.鸢尾花案例_查看数据集

05.鸢尾花案例_数据集可视化

06.鸢尾花案例_切分训练集和测试集

07.鸢尾花案例_模型的评估和预测

08.交叉验证和网格搜索_介绍

09.交叉验证和网格搜索_代码实现

10.手写数字识别_数据集介绍

11.手写数字识别_绘制数字

12.手写数字识别_训练和保存模型

13.手写数字识别_加载和使用模型

14.解决预测错误的Bug


第三章:线性回归

01.今日内容大纲介绍

02.线性回归简介

03.线性回归API_入门

04.损失函数介绍

05.导数_复习

06.偏导数_复习

07.上午内容回顾

08.矩阵_复习

09.一元线性回归_正规方程法

10.多元线性回归_正规方程法(上)

11.多元线性回归_正规方程法(下)

12.补充_为啥转换时是Xw

13.单变量_梯度下降法

14.多变量_梯度下降法


第四章:线性回归

01.银行信贷案例_梯度下降法

02.梯度下降算法分类

03.回归模型_评估方法

04.正规方程_线性回归对象API介绍

05.梯度下降_线性回归对象API介绍

06.代码演示_欠拟合

07.代码演示_正好拟合

08.代码演示_过拟合

09.L1和L2正则化解释


第五章:逻辑回归

01.今日内容大纲介绍

02.逻辑回归_简介

03.逻辑回归_概率相关知识回顾

04.逻辑回归_原理介绍

05.逻辑回归案例_癌症预测

06.混淆矩阵及精确率, 召回率, F1值介绍

07.混淆矩阵_精确率_召回率_F1值_代码演示

08.混淆矩阵_总结

09.ROC曲线和AUC指标介绍(了解)

10.ROC曲线_案例(了解)


第六章:决策树

01.逻辑回归_电信用户流失预测_数据预处理

02.逻辑回归_电信用户流失预测_数据可视化

03.逻辑回归_电信用户流失预测_模型训练预测评估

04.决策树_简介

05.决策树_信息熵简介

06.决策树_信息增益计算

07.ID3决策树_搭建

08.上午内容回顾

09.C4.5树_信息增益率

10.Cart树原理介绍

11.三种决策树总结

12.泰坦尼克号案例_数据集介绍

13.泰坦尼克号案例_代码演示

14.CART决策树_回归用法


第七章:集成学习

01.回归决策树和线性回归对比

02.决策树_剪枝介绍

03.集成学习_大纲介绍

04.集成学习_简介

05.集成学习_Bagging和Boosting思想介绍

06.Bagging思想_随机森林算法介绍

07.随机森林API_泰坦尼克号案例

08.Boosting思想_AdaBoost自适应提升树介绍

09.AdaBoost算法_推导过程

10.AdaBoost算法_葡萄酒案例

11.GBDT算法_梯度提升树介绍

12.GBDT算法_推导过程

13.GBDT算法_泰坦尼克号案例


第八章:KMeans算法

01.XGBoost极限梯度提升树_简介

02.XGBoost极限梯度提升树_推导

03.XGBoost API介绍

04.XGBoost案例_红酒品质分类_数据预处理

05.XGBoost案例_红酒品质分类_模型训练

06.XGBoost案例_红酒品质分类_模型评测

07.朴素贝叶斯_简介

08.商品评论情感分析_思路分析

09.商品评论情感分析_数据预处理

10.商品评论情感分析_模型训练和预测

11.聚类算法_简介

12.聚类算法_API初识

13.聚类算法_推导流程


第九章:数据挖掘实战项目

01.聚类算法评估指标_SSE介绍

02.聚类算法评估指标_SSE代码实现

03.聚类算法评估指标_sc, ch轮廓系数介绍

04.sc, ch轮廓系数_代码演示

05.用户分群_求解最优K值

06.用户分群_代码实现

07.时序数据介绍

08.时序数据分类介绍

09.时序预测_算法介绍

10.电力负荷预测案例_背景介绍

11.电力负荷预测案例_项目搭建

12.电力负荷预测案例_日志功能介绍

13.电力负荷预测案例_数据预处理

14.电力负荷预测案例_定义电力负荷模型类

15.电力负荷预测案例_查看数据整体和各小时负荷分布


配套资料

《AI大模型必学:机器学习宝典》

助你搞定90%数据挖掘实战场景

扫码,开学

👇👇👇

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/188359