(Ken Cen出品)從零開始學Machine Learning第一部 - 線型回歸，分類與聚類

• 課程介紹

• 課程禮物

• 編寫第一段python代碼

• JupyterNoteBook介紹

• Variable變量

• 變量類型

• 接受用戶輸入數據

• 類型轉換

• 第二個Python程序_貓咪年齡換算器

• String字符串

• 如何處理String字符串

• 輸出格式

• 輸出格式的另一種方式

• Indexing和Slicing

• List​列表​

• List的count與index_method

• List中的List

• Zip function

• Tuple元組

• List與Tuple的區別

• Dictionary字典

• get和setdefault method

• 字典中的字典

• set集合

• Boolean運算符號

• If語句

• 邏輯運算符號

• 比較運算符號

• 第三個Python App-體重換算

• For 循環

• Enumerate function

• 嵌套For Loops

• While 循環

• 第四個Python App-猜數字遊戲

• 第五個Python App-開車遊戲

• 循環簡化

• 循環簡化處理字典

• Function

• Function參數

• Function Return

• 第六個Python App-自動表情轉換

• Except運用

• Class

• 構造函數

• 繼承

• 多參數與關鍵字參數

• Lambda表達式

• 如何使用Lambda來排序

• 全局變量&局部變量

• Modules And Package

• 創建自己第一個module

• Python內部module

• 第七個Python App-搖骰子遊戲

• 如何使用Python內部module查找文件

• 如何安裝packages

• 第八個Python App-用openpyxl添加數據及圖表(1)

• 第八個Python App-用openpyxl添加數據及圖表(2)

• 為什麼要使用Numpy

• Numpy Array的維度與形狀

• Numpy Array的一些特性

• 向量Vector和矩陣Matrix

• Random隨機數

• Array Indexing & Slicing

• Slicing小練習1

• Slicing小練習2

• Fancy Indexing

• Bitwise operators

• 2D Fancy Indexing

• 多維度Array

• Array的運算

• Array運算與Shape

• Axis的運用

• 安裝OpenCV

• 如何使用Numpy去處理圖片

• 安裝Matplotlib

• 如何使用plot和subplot

• Figure和Axes

• 如何設定圖形的格式

• Label與Legend

• 如何製作柱狀圖

• 如何製作Histogram

• 如何製作餅狀圖

• 如何保存圖表

• 為什麼要使用Pandas

• 如何使用Pandas讀取Dataframe

• 在Dataframe如何按條件篩選數據

• Dataframe Index

• 如何使用Pandas讀寫CSV文檔

• 如何使用Pandas讀寫Excel文檔

• 如何處理空值-fillna

• 如何處理空值-interpolate, dropna

• 如何處理無效值

• Pandas處理分組數據

• Pandas如何合併數據表

• Merge

• Pivot table

• Melt

• Stack和Unstack

• Crosstab

• Machine Learning介紹

• Machine Learning三大組成部分

• Linear Regression原理1

• Linear Regression原理2

• Linear Regression原理3

• Linear Regression實踐-使用Python導入數據

• Linear Regression實踐-使用sklearn預測數據

• Linear Regression實踐-驗證預測數據

• Multple Linear Regression原理

• Multple Linear Regression如何在Python中實現

• F-statistic

• 在Python中計算F

• Feature Selection

• 如何在Python中選擇合適特徵(1)

• 如何在Python中選擇合適特徵(2)

• 製作TV&Radio3D圖表(1)

• 製作TV&Radio3D圖表(2)

• Polynomial Linear Regression

• Polynomial Regression實際操作(1)

• Polynomial Regression實際操作(2)

• 如何尋找最佳Degree(1)

• 如何尋找最佳Degree(2)

• 什麼是Overfit

• Ridge Regression原理

• Lambda與Slope的關係

• Lasso Regression原理

• 為什麼Lasso的Slope會等於零Ridge不會

• Cross Validatioin

• Linear Regression Cross Validation Python實作

• Ridge & Lasso Python實作

• Regresion與Classification

• Logistic Regression簡介

• 發生比Odds與概率Probability

• 邏輯回歸為什麼沒有R square(1)

• 邏輯回歸為什麼沒有R square(2)

• 樣本或然率(1)

• 樣本或然率(2)

• 最大可能性

• 羅輯回歸R Square(1)

• 羅輯回歸R Square(2)

• Matplotlib VS Seaborn(1)

• Matplotlib VS Seaborn(2)

• Seaborn 分布圖(1)

• Seaborn 分布圖(2)

• Seaborn與分類圖(1)

• Seaborn與分類圖(2)

• Seaborn與陣列圖

• 邏輯回歸實作-泰坦尼克號預測(1)

• 邏輯回歸實作-泰坦尼克號數據分析(2)

• 邏輯回歸實作-泰坦尼克號處理NaN值(3)

• 邏輯回歸實作-泰坦尼克號處理NaN值(4)

• 邏輯回歸實作-泰坦尼克號轉化Dummy變量

• 邏輯回歸實作-泰坦尼克號轉化訓練和測試模型

• 實作二-SUV轎車購買預測(1)

• 實作二-SUV轎車購買預測(2)

• Decision Tree 決策樹介紹(1)

• Decision Tree 決策樹介紹(2)

• Decision Tree 決策樹樹根選擇(1)

• Decision Tree 決策樹樹根選擇(2)

• Decision Tree 決策樹左葉計算(1)

• Decision Tree 決策樹左葉計算(2)

• Decision Tree 決策樹右葉計算

• Decision Tree 數字型與等級型決策樹計算

• 決策樹實作(1)_定義提問Function(1)

• 決策樹實作(1)_定義提問Function(2)

• 決策樹實作(2)_定義分類Function

• 決策樹實作(3)_定義比對Function

• 決策樹實作(4)_定義種類統計

• 決策樹實作(5)_計算Gini不純度

• 決策樹實作(6)_找到最佳分支(1)

• 決策樹實作(6)_找到最佳分支(2)

• 決策樹實作(7)_創建樹結構(1)

• 決策樹實作(7)_創建樹結構(2)

• 決策樹實作(8)_顯示樹結構

• Random Forest隨機森林算法簡介

• 如何使用隨機森林

• 如何改進隨機森林模型

• 在隨機森林模型如何填充缺失值(1)

• 在隨機森林模型如何填充缺失值(2)

• 在隨機森林模型如何填充缺失值(3)

• 在隨機森林模型如何填充缺失值(4)

• Random Forest Demo_處理數據

• Random Forest Demo_訓練決策樹模型

• Random Forest Demo_訓練隨機森林模型

• K-nearest neighbors(KNN)_鄰近算法簡介

• KNN鄰近算法實作(1)

• KNN鄰近算法實作(2)

• KNN鄰近算法實作(3)

• SVM（Support Vector Machine）簡介

• SVM術語

• SVM_Linear實作(1)

• SVM_Linear實作(2)

• SVM_Linear實作(3)-作圖生成刻度

• SVM_Linear實作(4)-作圖生成坐標

• SVM_Linear實作(5)-理解C參數的作用

• SVM_Polynomail Kernel(1)

• SVM_Polynomail Kernel(2)

• SVM_Radial Basis Function

• SVM_RBF&Polynomial Kerner實作(1)_檢查數據表

• SVM_RBF&Polynomial Kerner實作(2)_生成新數據表

• SVM_RBF&Polynomial Kerner實作(3)_數據預處理

• SVM_RBF&Polynomial Kerner實作(4)_RBF訓練模型

• SVM_RBF&Polynomial Kerner實作(5)_Polynomial Kernel訓練模型

• SVM_RBF&Polynomial Kerner實作(6)_找出最佳參數

• Naive Bayes原理(1)

• Naive Bayes原理(2)

• Naive Bayes實作(1)_數據預處理

• Naive Bayes實作(2)_3種模型

• K-means運作原理

• 如何選擇最佳K值

• K-means二維或多維操作原理

• 人類活動記錄 - K-means_數據預處理(1)

• 人類活動記錄 - K-means_數據預處理(2)

• 人類活動記錄 - 找最佳K值(3)

• 人類活動記錄 - 製作聚類數據表(1)

• 人類活動記錄 - 製作聚類數據表(2)

• 人類活動記錄 - 修改crosstab數據表

• Silhouette Coefficient輪廓係數

• 如何在Python計算輪廓係數(1)

• 如何在Python計算輪廓係數(2)

• 如何用圖形顯示Silhouette係數(1)

• 如何用圖形顯示Silhouette係數(2)

• 如何用圖形顯示Silhouette係數(3)

• 如何使用yellowbrick

• 什麼是降維

• Vector projection 向量投影

• 特徵向量(Eigenvector) 及特徵值(Eigenvalue)

• 如何計算特徵向量和特徵值

• PCA與Eigendecomposition

• PCA實例計算

• SVD是幹甚麼的

• 奇異值分解在多維度的作用

• PCA如何實現奇異值分解(1)

• PCA如何實現奇異值分解(2)

• PCA實作-繪圖選擇K值

• SVD與圖片壓縮的原理

• Python實作SVD圖片壓縮 - Matplotlib處理圖片

• Python實作SVD圖片壓縮 - 黑白圖片壓縮

• Python實作SVD圖片壓縮 - 彩色圖片壓縮(1)

• Python實作SVD圖片壓縮 - 彩色圖片壓縮(2)

• Mean-Shift原理

• Normal Distribution正態分佈

• StandardScaler, MinMaxScaler, RobustScaler, Nomalizer的區別(1)

• StandardScaler, MinMaxScaler, RobustScaler, Nomalizer的區別(2)

• StandardScaler, MinMaxScaler, RobustScaler, Nomalizer的區別(3)

• 實作：Mean-Shift紅酒品質鑑定_標準化數據(1)

• 實作：Mean-Shift紅酒品質鑑定_標準化數據(2)

• 實作： Mean-Shift紅酒品質鑑定_標準化數據(3)

• 實作： Mean-Shift紅酒品質鑑定_訓練模型(4)

• 實作： Mean-Shift紅酒品質鑑定_如何找到最佳Q值(5)

• 實作：Mean-Shift紅酒品質鑑定_如何找到最佳Q值(6)

• 實作：Mean-Shift紅酒品質鑑定_如何找到最佳Q值(7)

• Hierarchical階層式分群法的Agglomerative和Divisive

• Agglomerative-Single Linkage(1)

• Agglomerative-Single Linkage(2)

• Agglomerative-Complete Linkage

• Agglomerative-Average Linkage

• Agglomerative-Ward方程式

• Agglomerative-Wards method計算(1)

• Agglomerative-Wards method計算(2)

• 階層式分群法_紅酒品質實作(1)

• 階層式分群法_紅酒品質實作(2)

• 階層式分群法_紅酒品質實作(3)

• 階層式分群法_紅酒品質實作(4)

• 階層式分群法_紅酒品質實作(5)

• 階層式分群法_紅酒品質實作(6)

• DBSCAN演算法原理

• 如何判斷CorePoint,BoundaryPoint和NoisePoint

• DBSCAN女性消費分析實作(1)

• DBSCAN女性消費分析實作(2)

• DBSCAN女性消費分析實作(3)

• DBSCAN女性消費分析實作(4)

• DBSCAN女性消費分析實作(5)

• 全課程Jupyter notebook源代碼