机器学习从入门到精通配套教材课件完整版电子教案.pptx

机器学习从入门到精通;第1章 机器学习概述;1.1 人工智能;1.2 机器学习;1.2.1 机器学习的发展;1.2.2 机器学习分类;1.2.3 机器学习经典算法;1.2.4 机器学习的入门;1.3 机器学习的工作流程;1.3.1 准备数据集;1.3.1 准备数据集;1.3.1 准备数据集;1.3.2 进行模型训练;1.3.2 进行模型训练;1.3.2 进行模型训练;1.3.2 进行模型训练;1.3.3 模型评估;1.3.3 模型评估;1.4 发展历程;1.5 应用现状;第2章 Tensorflow;2.1 认识TensorFlow;2.1.2 系统的特性;2.2 Tensorflow的安装与工作原理;2.2.2 工作原理;2.2.3 编程特点;2.3 常量、变量和占位符;2.3.1 Tensorflow基础概念（续）;2.3.1 Tensorflow基础概念（续）;2.3.2 基本操作;2.4 操作矩阵;2.4.2 矩阵的运算;2.4.3 矩阵的分解和特征值;2.5 使用激活函数;2.6 读取数据源;第3章 数据分析的基础;3.1 认识Numpy和Pandas;3.2 Numpy的基本使用;3.2 Numpy的基本使用;类型;3.2 Numpy的基本使用;3.2 Numpy的基本使用;3.2 Numpy的基本使用;3.3 Pandas的基本使用;3.3 Pandas的基本使用;3.3 Pandas的基本使用;3.3 Pandas的基本使用;3.3 Pandas的基本使用;第4章 模型的评价与评估;4.1 损失函数;4.1 损失函数;4.2 经验误差与拟合;4.3 数据集划分;4.4 调参与最终模型;4.5 模型性能度量 ;4.5 模型性能度量 ;4.5 模型性能度量 ;4.5 模型性能度量 ;4.6 比较检验 ;4.7 偏差与方差 ;4.8 不同学习模型下的模型评价与评估 ;第5章 数据准备;5.1 数据探索;5.1 数据探索;5.1 数据探索;5.1 数据探索;5.1 数据探索;5.2 数据预处理;5.2 数据预处理;5.2 数据预处理;5.2 数据预处理;第6章 回归;6.1 回归分析算法的基础知识;6.1.2 汽车油耗数据集;6.1.2 汽车油耗数据集;6.1.3 在Excel中预测;6.1.3 在Excel中预测;6.1.3 在Excel中预测;6.2 线性回归;6.2.1 线性回归的基本原理;6.2.2 线性回归之最小二乘法;6.2.2 线性回归之最小二乘法;6.2.2 线性回归之最小二乘法;6.2.3 线性回归之梯度下降法;6.2.3 线性回归之梯度下降法;6.2.3 线性回归之梯度下降法;6.2.4 油耗???测中的线性回归;6.2.4 油耗预测中的线性回归;6.2.4 油耗预测中的线性回归;6.2.4 油耗预测中的线性回归;6.2.4 油耗预测中的线性回归;6.2.4 油耗预测中的线性回归;6.2.4 油耗预测中的线性回归;6.2.4 油耗预测中的线性回归;6.3 逻辑回归;6.3.1 逻辑回归的基本原理;6.3.1 逻辑回归的基本原理;6.3.2 逻辑回归 vs 线性回归;6.3.2 逻辑回归的损失函数;6.3.2 逻辑回归的损失函数;6.3.3 逻辑回归的代码实现;6.4 戴明回归;6.4.1 戴明回归基本原理;6.4.2 戴明回归代码实现;6.5 回归模型的评估;第7章 分类算法;7.1 分类算法的基础知识;7.1 分类算法的基础知识;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.2 决策树分类器;7.3 朴素贝叶斯分类器;7.3 朴素贝叶斯分类器;7.3 朴素贝叶斯分类器;7.3 朴素贝叶斯分类器;7.3 朴素贝叶斯分类器;7.3 朴素贝叶斯分类器;7.4 分类模型的评估;7.4 分类模型的评估;7.4 分类模型的评估;7.4 分类模型的评估;第8章 聚类算法;8.1聚类分析的基础知识;8.1聚类分析的基础知识;8.1聚类分析的基础知识;8.2K-means算法;8.2K-means算法;8.2K-means算法;8.2K-means算法;8.2K-means算法;8.3 层次聚类;8.3 层次聚类;8.4 密度聚类;8.4 密度聚类;8.5 聚类分析模型评估;8.5 聚类分析模型评估;8.