人工精选机器学习-线性回归&K近邻
先弄清楚:这门课解决什么工作场景 很多上班族想转行做数据分析或机器学习,结果一上来就被复杂的数学推导和深度学习框架劝退。这门关于线性回归与K近邻的资料,切入点非常克制,它不教你搞大模型,而是解决最日常的业务预测问题:比如根据历史投放费用预估下个月销量、根据用户特征判断某笔交易是否异常、或者给商品做简
会员 · 按档位
游客按标价购买,不享受上表折扣。
支付成功后自动发放网盘链接,链接失效可找客服免费补
先弄清楚:这门课解决什么工作场景
很多上班族想转行做数据分析或机器学习,结果一上来就被复杂的数学推导和深度学习框架劝退。这门关于线性回归与K近邻的资料,切入点非常克制,它不教你搞大模型,而是解决最日常的业务预测问题:比如根据历史投放费用预估下个月销量、根据用户特征判断某笔交易是否异常、或者给商品做简单的价格区间归类。线性回归用来做连续数值的预测,K近邻用来做分类判断,这两者构成了传统机器学习里最基础也最常用的两块砖。如果你日常工作里经常面对 Excel 表格,想用代码自动跑出预测结论,而不是靠拍脑袋估算,这门课就是把业务问题翻译成算法模型的第一步。
适合什么基础,建议先看哪几块
这套资料适合有基础 Python 语法能力、但没怎么碰过科学计算库的转行者。如果你连写循环都费劲,建议先补基础再来;如果你已经能熟练调包,这部分内容可能偏浅。编辑建议的观看顺序是:先别急着看回归算法原理,而是把第一章的数据预处理部分吃透。资料里提到的缺省值处理、异常值剔除、相关性可视化,这些才是实际工作中占用百分之八十时间的脏活累活。很多人模型跑不准,不是算法选得差,而是数据没洗干净。看完预处理,再去啃第二章的机器学习七步骤和回归原理,最后落到极简案例上,这样脑子里的链条是完整的,不会一上来就陷入公式推导。
学完能独立做什么,资料怎么配合练习
把这套资料消化完,你能独立完成一个标准的回归建模小项目:从拿到的原始 CSV 文件开始,自己写代码清洗数据、画相关性热力图、切分训练集和测试集、调用线性回归模型拟合,最后用均方根误差和 R2 指标评估模型好坏。这套流程跑通了,哪怕以后遇到更复杂的算法,底层的工程框架也是通用的。练习方法上,不要光跟着视频敲一遍代码就完事,建议自己找一个真实的业务数据集,比如某电商平台的公开销售记录,把视频里的每一步替换成你自己的数据跑一遍。遇到模型评估指标不理想时,回头去查是数据预处理没做好,还是特征相关性太弱。这种带着自己数据去试错的练习,比单纯复刻视频案例有效得多。
课程目录
课程目录22 集
- 1-1 [统计学&概率入门] 课程介绍与资源下载 (06:48).mp4
- 1-2 [统计学&概率入门] 数据挖掘 VS 人工智能 (12:57).mp4
- 1-3 [统计学&概率入门] 数据预处理八大策略 (11:01).mp4
- 1-4 [统计学&概率入门] 缺省、异常、重复值处理 (20:13).mp4
- 1-5 [统计学&概率入门] 抽样 VS 全量数据 (17:54).mp4
- 1-6 [统计学&概率入门] 相关性实现与可视化 (16:02).mp4
- 1-7 [统计学&概率入门] 时间序列的离散化 (15:13).mp4
- 2-1 [回归原理与极简案例] 机器学习7步骤详解 (15:00).mp4
- 2-2 [回归原理与极简案例] 回归算法原理分析 (20:34).mp4
- 2-3 [回归原理与极简案例] 极简案例实现 (20:30).mp4
- 2-4 [回归原理与极简案例] R2、标准差与均方根误差 (20:15).mp4
- 2-5 [回归原理与极简案例] 模拟数据与多项式回归 (19:05).mp4
- 3-1 [多项式回归案例实战] 数据加载与特征工程 (14:24).mp4
- 3-2 [多项式回归案例实战] 归一化与标准化 (18:45).mp4
- 3-3 [多项式回归案例实战] 欠拟合与过拟合 (21:17).mp4
- 3-4 [多项式回归案例实战] Pipeline构建机器学习工作流 (17:25).mp4
- 3-5 [多项式回归案例实战] 可视化、模型保存与加载 (20:33).mp4
- 4-1 [K近邻分类算法实战] K近邻原理与代码实现 (17:43).mp4
- 4-2 [K近邻分类算法实战] 手写KNN算法 (18:18).mp4
- 4-3 [K近邻分类算法实战] KNN实现糖尿病患者分类 (16:55).mp4
- 4-4 [K近邻分类算法实战] 交叉验证与网格搜索 (15:41).mp4
- 4-5 [K近邻分类算法实战] 课程总复习和下季剧透 (09:09).mp4





