课程大纲：

scikit-learn 机器学习入门

课程作为机器学习入门课程，将详细介绍 scikit-learn 的使用。

课程包括了线性回归与感知机分类、

支持向量机分类、K-Means 聚类算法、

PCA 主成分分析、随机森林分类与回归、

高斯混合模型等常用的机器学习算法。

1 scikit-learn 介绍和使用

2 SVM 支持向量机算法

3 PCA 主成分分析方法

4 高斯混合模型应用

5 线性回归与感知机

6 K-Means 聚类算法

7 随机森林分类与回归

8 模型验证与模型选择

1
机器学习和 scikit-learn 介绍

1.监督学习概念

2.无监督学习概念

3.机器学习算法

4.scikitlearn工具

2
线性回归与感知机分类

1.线性回归模型

2.感知机分类模型

3.糖尿病数据的拟合

3
支持向量机分类预测

1.理论基础

2.线性分类

3.非线性分类

4
随机森林分类与回归

1.决策树

2.随机森林分类

3.随机森林回归

5
监督学习算法对比评估

1.K近邻算法

2.其他常用监督学习方法

3.常用算法对比评估

6
K-Means 聚类算法应用

1.KMeans聚类

2.KMeans聚类应用

3.K值选择

7
PCA 主成分分析应用

1.主成分分析

2.PCA应用

3.其他降维方法

8
高斯混合模型

1.GMM用于聚类

2.GMM用于密度估计

3.GMM用于异常值检测

9
聚类学习算法对比评估

1.常用聚类算法的概念

2.常用聚类算法的实现

3.常用聚类算法的对比

10
模型验证和模型选择

1.模型验证

2.交叉验证

3.验证曲线

4.学习曲线