监督机器学习解释：前 5 个模型

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz，2 Ch
语言：英语 |时长：1小时49米

你将学到什么

• 通过了解特征、目标、数据集以及模型如何从数据中学习，解释监督式机器学习的工作原理。
• 构建核心监督学习模型，包括线性回归、逻辑回归、k 最近邻、决策树和随机森林。
• 使用回归和分类指标（例如训练/测试分割、混淆矩阵、精度、召回率和交叉验证）评估模型性能。
• 通过诊断过度拟合和欠拟合以及应用特征缩放和预处理来提高模型性能。
• 培养独立探索和继续建设所需的信心和概念基础。

机器学习可能会让人感到不知所措，因为它通常是作为公式、库和技巧的集合来教授的。本课程采用不同的方法。我们没有将模型视为黑匣子，而是专注于理解监督机器学习的实际工作原理 – 从第一原理开始一步一步。

在本课程中，您将了解模型如何从标记数据中学习、如何评估预测以及模型为何会以可预测的方式失败。我们从最简单的监督模型（线性回归）开始，并用它来构建学习过程的清晰心理模型：数据输入，预测出来，测量错误，然后调整模型。从那里，我们自然地进入使用逻辑回归、决策阈值和评估指标（如精度和召回率）进行分类。

然后，您将探索替代学习策略，包括使用 k 最近邻的基于相似性的学习和使用决策树的基于规则的学习。最后，您将看到随机森林等集成方法如何通过组合多个模型来提高可靠性。

整个课程的重点是直觉、推理和决策。最后，您将能够解释常见的监督学习模型如何工作，解释其输出，评估其性能，并充满信心地继续独立学习机器学习。

如果您想真正了解监督机器学习，无论您是准备进行更高级的学习、实际项目还是实际应用，本课程都是理想的选择。