首页 > 我的课程 > 用Python进行机器学习开发技术课程方案

“用Python进行机器学习开发课程方案”

课程名称:

用Python进行机器学习开发

课程适合人群:

机器学习开发工程师、机器学习测试工程师

本课程重点解答&解决:

  • 介绍数据分析
  • 介绍线性模型(Linear)、K邻近算法(K-Neighbors)、朴素贝叶斯、支持向量机、决策树(Decision Tree)、集成学习、聚类、降维、神经网络(MLP)算法
  • 介绍数据处理和优化

本课程亮点+核心价值介绍:

  • 系统介绍软件测试新技术,这个业内涉及面还比较少

课程大纲:

课长4天

1数据分析

1.1基本库

Numpy

Pandas

Matplotlib

Scipy

1.2数据分析

数据加载

cvs文件

Excel文件

数据库

数据清洗和准备

数据概览和类型转换

处理丢失数据

处理重复数据

数据转换

数据替换

数据离散化

数据拆分

过滤异常值

字符串处理

数据规整

层次化索引

合并数据集

重塑和轴向旋转

可视化

折线

柱状图

直方图和密度图

散点图

分组聚合

分组

聚合

基本聚合

桶分析

2 机器学习算法

原理

线性模型(Linear)

线性模型原理

线性回归(LinearRegression)

StatsModels的线性回归

逻辑回归算法(Logistical Regression)

岭回归算法(Ridge Regression)

套索回归算法(Lasso Regression)

弹性网络(Elastic Net)

K邻近算法(KNeighbors)

K邻近算法原理

K邻近分类算法(KNeighborsClassifier)

K邻近回归算法(KNeighborsRegressor)

朴素贝叶斯

朴素贝叶斯原理(NB)

贝努利贝叶斯(BernoulliNB)

高斯贝叶斯(GaussianNB)

多项式贝叶斯(MultinomialNB)

支持向量机(SVM)

支持向量机原理

支持向量机分类算法(SVC)

支持向量机线性分类算法(LinearSVC)

支持向量机回归算法(SVR)

支持向量机线性回归算法(LinearSVR)

决策树(DecisionTree)

决策树原理

决策树分类算法(DecisionTreeClassifier)

决策树回归算法(DecisionTreeRegressor)

集成学习

集成学习原理

随机森林算法(RandomForest)

随机森林分类算法(RandomForestClassifier)

随机森林回归算法(RandomForestRegressor)

AdaBost(Adaptive Boosting)

装袋算法(Bagging)

投票分类(Voting Classifier)

堆垛分类(Stacking Classifier)

聚类

聚类原理

K均值聚类(k-means)

凝聚聚类(agglomerative)

DBSCAN

降维

降维原理

主生成分析(PCA)

非负矩阵分解(NMF)

线性判别分析(LDA)

神经网络(MLP)

神经网络原理

神经网络分类算法(MLPClassifier)

神经网络分类算法(MLPRegressor)

3 数据处理和优化

数据处理

数据表达与特征工程

模型评估

管道模型


软件测试咨询

  

   

投稿关闭窗口打印