回到课程
机器学习俯冲而下,人类失败——比如当有数百个(或成百上千)变量来跟踪和数百万(或数十亿,或数万亿美元)的数据处理。
本课程发展了深入理解分类和估计问题如何工作所需的数学基础。在本课程结束时,您将开发分析数据所需的技术,并将这些技术应用于实际问题。
做好基本的准备。
预测的基础是一个非常简单的模型:一条线。
深入研究线性回归背后的数学。
温习一下线性代数,这是机器学习的关键工具。
当需要使用两个以上变量进行回归时,会发生什么情况?超平面!
对定量和定性数据进行分类。
将这个巧妙的关系表示添加到您的工具箱中。
这种方法不是给出一个明确的“是”或“不是”,而是预测“是”或“不是”的概率。
探索这类正态分布的数据分离的有力工具。
"我的邻居是我的朋友"作为一种分类算法。
探索这个通用模型和相关思想,如装袋、随机森林和增强。
一个通用的工具,最好的应用在有很强的案件之间的区别。
通过树进行分类的基础知识。
树的主要优势是他们的可解释性。缺点是什么?
通过在许多树上平均来减少模型的方差!
用尽可能大的误差范围划分类。
支持向量机的墙:你要么加入,要么出局。
探索这个支持向量机,即使有些点最终出现在“墙的错误一侧”,它也能工作。
有时,最好的墙并不是一条直线。
了解如何组合多个分类器来处理包含多个类的数据集。
是时候升级点积。
了解这个工具的基本知识,它可以帮助度量向量的相似性。
通过将新数据与现有数据进行比较,使用内核对其进行分类。
了解为什么支持向量机是使用内核的最佳模型之一。
探索内核技巧的威力,以及使用内核的缺点和缺陷。
从日常任务到算法,让你的大脑围绕计算思维展开。
快速潜入前沿的计算学习方法。