Scikit-learn机器学习：分类/回归/聚类案例培训课程-曙海培训中心

Scikit-learn机器学习：分类/回归/聚类案例培训课程

•  

• 培训对象： 数据分析师、机器学习初学者、业务分析人员、需要应用机器学习解决业务问题的技术人员。

•  

• 培训目标：

  • 掌握Scikit-learn的API设计和机器学习流程。

  • 能够应用分类、回归、聚类算法解决实际问题。

  • 理解特征工程、模型选择和评估方法。

  • 具备构建完整机器学习pipeline的能力。

•  

• 培训内容介绍：

•  

  一、 Scikit-learn生态与工作流： 介绍Scikit-learn在机器学习生态中的位置，理解估计器、转换器和预测器的概念。

  二、 数据预处理与特征工程： 使用StandardScaler、MinMaxScaler进行标准化，处理缺失值和类别编码。

  三、 数据集划分与交叉验证： 使用train_test_split划分数据集，使用交叉验证（cross_val_score）评估模型稳定性。

  四、 分类算法-逻辑回归与KNN： 实现逻辑回归和K近邻分类，理解混淆矩阵和分类报告。

  五、 分类算法-决策树与随机森林： 构建决策树和随机森林模型，分析特征重要性，防止过拟合。

  六、 分类算法-SVM与朴素贝叶斯： 使用支持向量机处理线性不可分数据，应用朴素贝叶斯进行文本分类。

  七、 回归算法-线性回归与岭回归： 实现线性回归预测连续值，使用岭回归处理多重共线性。

  八、 回归算法-决策树回归与集成： 使用决策树回归和梯度提升回归（GBRT）处理非线性回归问题。

  九、 聚类算法-K-Means与层次聚类： 使用K-Means进行客户分群，使用轮廓系数评估聚类效果。

  十、 降维算法-PCA与t-SNE： 使用主成分分析（PCA）降维可视化高维数据，使用t-SNE进行复杂结构展示。

  十一、 模型选择与调参（GridSearchCV）： 使用网格搜索和随机搜索寻找最佳超参数，防止过拟合。

  十二、 实战项目：端到端机器学习流程： 从业务理解开始，经过数据预处理、模型选择、调优到部署，完成完整项目。