單元1 機器學(xué)習(xí)導(dǎo)引 1
任務(wù)1.1 使用機器學(xué)習(xí)方法實現(xiàn)紙幣真假分類 2
任務(wù)1.2 開發(fā)環(huán)境的搭建及本地模型的訓(xùn)練、評估 25
測試習(xí)題 49
單元2 樸素貝葉斯算法 52
任務(wù)2.1 垃圾短信數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 52
任務(wù)2.2 訓(xùn)練貝葉斯分類器 56
任務(wù)2.3 模型評估 63
測試習(xí)題 72
單元3 決策樹 75
任務(wù)3.1 天氣數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 76
任務(wù)3.2 訓(xùn)練決策樹模型 83
任務(wù)3.3 模型評估 97
測試習(xí)題 100
單元4 k-NN算法 102
任務(wù)4.1 Seeds數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 102
任務(wù)4.2 訓(xùn)練k-NN模型 106
任務(wù)4.3 模型評估 111
測試習(xí)題 116
單元5 聚類 119
任務(wù)5.1 鳶尾花數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 119
任務(wù)5.2 訓(xùn)練k-Means模型 124
任務(wù)5.3 模型評估 134
測試習(xí)題 142
?
單元6 線性回歸 145
任務(wù)6.1 房價數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 145
任務(wù)6.2 訓(xùn)練線性回歸模型 151
任務(wù)6.3 模型評估 161
測試習(xí)題 166
單元7 SVM算法 170
任務(wù)7.1 蘑菇數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 170
任務(wù)7.2 訓(xùn)練SVM算法模型 174
任務(wù)7.3 模型評估 182
測試習(xí)題 187
單元8 神經(jīng)網(wǎng)絡(luò) 190
任務(wù)8.1 MNIST數(shù)據(jù)集導(dǎo)入與數(shù)據(jù)預(yù)處理 191
任務(wù)8.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 197
任務(wù)8.3 深度學(xué)習(xí) 213
測試習(xí)題 234