人工精选博士讲授人工智能之机器学习-对数几率回归-决策树模型教程
这门课解决什么问题 很多上班族和转行者想系统学人工智能,但翻开教材往往被满页公式劝退。这门课聚焦机器学习里最基础的两类分类模型:对数几率回归和决策树。它不贪大求全,只解决一个核心问题——让你真正搞懂分类算法的数学原理与代码实现,而不是只会复制几行脚本。对数几率回归处理二分类与多分类,决策树用树形规则
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
这门课解决什么问题
很多上班族和转行者想系统学人工智能,但翻开教材往往被满页公式劝退。这门课聚焦机器学习里最基础的两类分类模型:对数几率回归和决策树。它不贪大求全,只解决一个核心问题——让你真正搞懂分类算法的数学原理与代码实现,而不是只会复制几行脚本。对数几率回归处理二分类与多分类,决策树用树形规则做判断,两者都是金融风控、医疗诊断、用户分层等业务场景里最常用的解释性模型。课程没有把理论推导和工程实践割裂,而是先讲极大似然函数怎么推出对数几率回归公式,再讲信息熵和信息增益怎么决定决策树的分支,最后用 sklearn 把这两套理论跑通。这种讲法能帮你避开只会调包不懂原理的坑,面试时被问到模型细节也答得上来。
适合什么基础与建议先看哪几块
这套资料适合有基础 Python 语法能力、能看懂简单线性代数符号的学习者,不要求你写过机器学习项目,但完全没碰过编程的人会吃力。如果你边上班边学,建议按以下顺序推进:先看对数几率回归的概念与公式推导,重点理解极大似然函数为什么能估计参数;接着跳到模型评价部分,搞清楚分类问题里准确率、精确率、召回率等指标的实际含义,这块决定了你以后评估任何分类模型是否合格;然后进入决策树的信息熵与信息增益计算实例,自己拿笔跟着算一遍;最后把两段 sklearn 代码实战连起来看,对照肿瘤预测和多分类任务的写法。信息增益的计算分析是决策树的核心,ID3 的缺点分析则解释了后续 C4.5 算法为什么要改进,这两节不要跳过。
学完能独立做什么与资料怎么配合练习
学完后你应当能独立完成三件事:第一,拿到一份结构化业务数据,判断该用对数几率回归还是决策树,并说出理由;第二,用 sklearn 搭建二分类或多分类模型,跑通训练、预测与评价全流程;第三,面对模型效果不佳的情况,知道从数据预处理、特征选择还是模型参数调优入手排查。练习时建议这样配合资料:视频里讲公式推导的段落,暂停下来手写一遍对数几率回归的损失函数与梯度,确认自己理解每一步;代码实战部分不要只看演示,准备一份本地的表格数据,把视频里的调用逻辑照着写一遍,再替换成你自己的特征列跑一次;决策树的信息增益计算实例,找一个小数据集手动算一遍熵值变化,对比代码输出的结果是否一致。这套资料的价值在于把推导和实战压在一起,只要你不跳过手算和复写代码这两步,学完就能把基础分类模型真正落地到工作里。
课程目录
课程目录12 集
- 1-1 [对数几率回归] 1 对数几率回归基本概念 (24:51).mp4
- 1-2 [对数几率回归] 2 极大似然函数与对数几率回归公式详细推导 (27:31).mp4
- 1-3 [对数几率回归] 3 代码实战:用sklearn实现对数几率回归 (13:43).mp4
- 1-4 [对数几率回归] 4 分类问题的模型评价及代码实现 (34:21).mp4
- 1-5 [对数几率回归] 5 用sklearn实现多分类任务 (24:29).mp4
- 2-1 [决策树模型] 1 决策树基本概念 (18:09).mp4
- 2-2 [决策树模型] 2 信息量 信息熵 (25:21).mp4
- 2-3 [决策树模型] 3 信息增益及计算实例 (14:17).mp4
- 2-4 [决策树模型] 4 信息增益计算与分析 (14:38).mp4
- 2-5 [决策树模型] 5 代码实战:用sklearn实现决策树预测肿瘤 (37:07).mp4
- 2-6 [决策树模型] 6 ID3缺点分析、C4.5、CART决策树 (28:15).mp4
- 2-7 [决策树模型] 7 基尼指数计算实例、预剪枝与后剪枝 (22:21).mp4





