监督学习:分类

中级

在本课程中,我们将继续学习监督学习中的另一个重要应用——解决分类问题。在接下来的课程中,你将接触到:逻辑回归、K近邻算法、朴素贝叶斯、支持向量机、感知器和人工神经网络、决策树和随机森林,以及Bagging和Boosting方法。课程将从每种方法的原理开始讲解。你需要充分理解这些方法的实现。

scikit-learnMachine Learning

💡 本教程由 AI 辅助翻译自英文原版。如需查看原文,您可以 切换至英文原版

介绍

在本课程中,你将学习如何使用各种监督学习算法解决分类问题。

🎯 任务

在本课程中,你将学习:

  • 如何实现逻辑回归(logistic regression)、K近邻算法(K-nearest neighbor algorithm)、朴素贝叶斯(naive Bayes)、支持向量机(support vector machine)、感知器和人工神经网络(perceptron and artificial neural network)、决策树和随机森林(decision tree and random forest),以及Bagging和Boosting方法。
  • 如何理解这些分类算法背后的原理。
  • 如何实现并应用这些算法来解决现实世界中的分类问题,例如手写数字识别。

🏆 成就

完成本课程后,你将能够:

  • 理解不同分类算法的优缺点,并选择适合你问题的算法。
  • 实现并应用这些算法来解决各个领域的分类问题。
  • 使用交叉验证(cross-validation)技术评估这些算法的性能。

教师

labby

Labby

Labby is the LabEx teacher.