1.3人工智能主要分支学习目标了解人工智能的主要分支1 主要分支介绍－　　通讯、感知与行动是现代人工智能的三个关键能力，在这里我们将根据这些能力/应用对这三个技术领域进行介绍：计算机视觉（CV）、自然语言处理（NLP）　 - 在NLP领域中，将覆盖文本挖掘/分类、机器翻译和语音识别。机器人1.1　分支一：计算机视觉－　　计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、

文章目录5.2 Bagging学习目标1 Bagging集成原理2 随机森林构造过程3 随机森林api介绍4 随机森林预测案例5 bagging集成优点6 小结5.2 Bagging学习目标知道Bagging集成原理知道随机森林构造过程知道RandomForestClassifier的使用了解baggind集成的优点1 Bagging集成原理目标：把下面的圈和方块进行分类实现过程：1.采样不同数据

文章目录聚类算法学习目标6.1 聚类算法简介学习目标1 认识聚类算法1.1 聚类算法在现实中的应用1.2 聚类算法的概念1.3 聚类算法与分类算法最大的区别2 小结聚类算法学习目标掌握聚类算法实现过程知道K-means算法原理知道聚类算法中的评估模型说明K-means的优缺点了解聚类中的算法优化方式知道特征降维的实现过程应用Kmeans实现聚类任务6.1 聚类算法简介学习目标知道聚类算法的概念了解

文章目录线性回归学习目标2.1 线性回归简介学习目标1 线性回归应用场景2 什么是线性回归2.1 定义与公式2.2 线性回归的特征与目标的关系分析3 小结线性回归学习目标掌握线性回归的实现过程应用LinearRegression或SGDRegressor实现回归预测知道回归算法的评估标准及其公式知道过拟合与欠拟合的原因以及解决方法知道岭回归的原理及与线性回归的不同之处应用Ridge实现回归预测应用

文章目录6.3 聚类算法实现流程学习目标1 k-means聚类步骤2 案例练习3 小结6.3 聚类算法实现流程学习目标掌握K-means聚类的实现步骤k-means其实包含两层内容：​ K : 初始中心点个数（计划聚类数）​ means：求中心点到其他数据点距离的平均值1 k-means聚类步骤1、随机设置K个特征空间内的点作为初始的聚类中心2、对于其他每个点计算到K个中心的距离，未知的点选择最近

1.5机器学习算法分类学习目标了解机器学习常用算法的分类根据数据集组成不同，可以把机器学习算法分为：监督学习其无监督学习半监督学习强化学习1 监督学习定义：输入数据是由输入特征值和目标值所组成。- 函数的输出可以是一个连续的值（称为回归）-或是输出是有限个离散值（称作分类）1.1 回归问题例如：预测房价，根据样本集拟合出一条连续曲线。1.2分类问题例如：根据肿瘤特征判断良性还是恶性，得到的是结果是

文章目录6.7 案例：探究用户对物品类别的喜好细分学习目标1 需求2 分析3 完整代码2.1 合并表格6.7 案例：探究用户对物品类别的喜好细分学习目标应用pca和K-means实现用户对物品类别的喜好细分划分数据如下：order_products__prior.csv：订单与商品信息字段：order_id, product_id, add_to_cart_order, reorderedprod

文章目录K-近邻算法学习目标1.1 K-近邻算法简介学习目标1 什么是K-近邻算法1.1 K-近邻算法(KNN)概念1.2 电影类型分析1.3 KNN算法流程总结2 小结K-近邻算法学习目标掌握K-近邻算法实现过程知道K-近邻算法的距离公式知道K-近邻算法的超参数K值以及取值问题知道kd树实现搜索的过程应用KNeighborsClassifier实现分类知道K-近邻算法的优缺点知道交叉验证实现过程

文章目录4.3 cart剪枝学习目标1 为什么要剪枝2 常用的减枝方法**2.1 预剪枝****2.2** 后剪枝：3 小结4.3 cart剪枝学习目标了解为什么要进行cart剪枝知道常用的cart剪枝方法1 为什么要剪枝图形描述横轴表示在决策树创建过程中树的结点总数，纵轴表示决策树的预测精度。实线显示的是决策树在训练集上的精度，虚线显示的则是在一个独立的测试集上测量出来的精度。随着树的增长，在训

1.6模型评估学习目标了解机器学习中模型评估的方法知道过拟合、欠拟合发生情况－　　模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。　　按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。1 分类模型评估准确率预测正确的数占样本总数的比例。其他评价指标：精确率、召回率、F1-score、AUC指标等2 回归模型评估均方根误差（Ro