Python机器学习预测模型开发实战

📚 共计 30 章节

机器学习概述

什么是机器学习 · 与AI/深度学习关系 · 监督/非监督 · 强化学习简介

开发环境搭建

Anaconda · Jupyter Notebook · Scikit-learn · Pandas/NumPy

Python数据科学基础

NumPy数组 · Pandas Series/DataFrame · 数据读写

数据预处理 (上)

缺失值处理 · 异常值检测 · 标准化与归一化

数据预处理 (下)

类别编码 · 特征选择 · train_test_split

回归问题与线性回归

回归定义 · 简单线性回归 · 最小二乘法 · sklearn实现

多元线性回归与评估

多元回归 · R²/Adjusted R² · MSE/RMSE · 模型诊断

多项式回归与正则化

多项式特征 · 过/欠拟合 · 岭回归 · Lasso

正则化非线性

分类问题与逻辑回归

分类定义 · Sigmoid · 决策边界 · 多分类

分类模型评估

混淆矩阵 · 准确率/召回率 · F1 · ROC/AUC

K近邻算法 (KNN)

KNN原理 · 距离度量 · K值选择 · 回归与分类

信息增益/基尼 · 可视化 · 剪枝 · 回归树

树模型可解释

集成学习与随机森林

Bagging/Boosting · 随机森林 · 特征重要性 · OOB

集成随机森林

梯度提升机 (GBDT/XGBoost)

GBDT原理 · XGBoost优势 · LightGBM · 调参

支持向量机 (SVM)

最大间隔 · 核技巧 · 线性/RBF核 · 参数调优

朴素贝叶斯

贝叶斯定理 · 朴素假设 · 高斯NB · 文本分类

聚类算法 (K-Means)

K-Means原理 · 肘部/轮廓系数 · K-Means++

聚类无监督

层次聚类与DBSCAN

凝聚/分裂 · 树状图 · DBSCAN密度聚类 · 参数

降维算法 (PCA/t-SNE)

PCA方差最大化 · 主成分 · t-SNE · 可视化

降维可视化

特征工程进阶

特征交叉 · 分箱 · 时间特征 · TF-IDF

模型选择与交叉验证

K折 · 留一法 · GridSearchCV · 随机搜索

模型保存与部署

Pickle · Joblib · Flask API · Docker简介

时间序列预测基础

分解 · 平稳性(ADF) · 自相关/偏自相关

AR/I/MA · ACF/PACF定阶 · SARIMA

Prophet与LSTM时间序列

Facebook Prophet · LSTM · 实战对比

深度学习时序

推荐系统基础

协同过滤 · 矩阵分解(SVD) · 基于内容 · RMSE

自然语言处理入门

分词/去停用词 · 词袋 · Word2Vec · 情感分析

深度学习框架入门 (PyTorch)

张量 · 自动求导 · 简单神经网络 · 训练循环

完整项目实战 (上)

房价预测 · 数据探索 · 特征工程 · 集成调优

完整项目实战 (下)

客户流失预测 · 不平衡处理 · 评估 · 业务解读