机器学习 免费实验

监督学习。如果你是第一次听到或读到这个术语，可能完全不明白它的含义。别担心。在这个实验中，你将全面了解监督学习；并且，在实验的下一章节中，你将学习使用监督学习来完成数据预测。

线性回归是一种相对简单但重要的机器学习方法。掌握线性原理及其求解方法是处理线性回归的基本要求之一。此外，线性回归也是监督学习回归的基石。我们希望你能通过这个实验掌握机器学习的一些重要思想。

在线性回归章节中，我们以波士顿房价为例详细讨论了代码实现。在这个挑战中，你需要运用从线性回归中学到的相关知识来预测北京的房价。

逻辑回归（Logistic Regression）是机器学习中一种非常基础的分类方法。由于其简单性和高效性，该算法在实际场景中得到了广泛应用。在本课程中，我们将探讨逻辑回归的原理及其算法实现，并使用 scikit-learn 构建一个逻辑回归分类预测模型。

在分类预测中，基于概率论的算法并不多，朴素贝叶斯（Naive Bayes）就是其中之一。朴素贝叶斯算法实现简单，预测分类的效率非常高，是一种十分常见的算法。本章主要从贝叶斯定理（Bayes' theorem）和参数估计的角度阐述朴素贝叶斯算法的原理，并结合数据进行实现，最后给出一个实际应用案例。

我们已经使用三种方法实现了线性回归。这个挑战要求你使用 TensorFlow 完成多项式回归拟合，并绘制拟合曲线。

线性回归是机器学习中最简单的问题。同时，线性回归与人工神经网络密切相关。在本实验课程中，我们将使用 TensorFlow 2 提供的 API 实现线性回归。

我们以线性回归为例，展示了 TensorFlow 2 的新变化和新特性。实际上，像 TensorFlow 这样的深度学习框架更重要的作用是构建人工神经网络。因此，本实验将使用 TensorFlow 2 构建一个简单的前馈神经网络。

深度学习的整个过程包括四个步骤：模型训练、模型评估、模型保存和模型部署。实际上，我们之前提到的所有内容都集中在前两个步骤。在本实验课程中，我们将学习如何在 TensorFlow 2 中保存和恢复模型。

在课程的前两周，我们学习了什么是监督学习以及不同的监督学习方法。接下来的一周，你将全面了解无监督学习，并学会使用无监督学习进行数据聚类。

我们已经介绍了 TensorFlow 的使用方法。你应该已经熟悉张量（tensor）、会话（session）和计算图（computational graphs）的概念。在这个挑战中，我们将尝试使用 TensorFlow 构建一个多层神经网络结构。别担心，这里不涉及深度神经网络，重点是让你熟悉 TensorFlow 的使用。

你已经熟悉了监督学习中回归和分类常用的算法。接下来，我们将带你学习无监督学习：聚类。在这个实验中，我们首先会讲解最常用的基于质心的聚类方法，然后详细介绍最具代表性的 K-Means 算法及其家族中的其他成员。

我们已经学习了如何使用 TensorFlow 构建神经网络，并演示了如何使用底层 API 和 TensorFlow 的 Keras。本挑战课程要求你独立完成一个浅层神经网络的构建。

你已经学习了如何使用 TensorFlow 实现线性回归和构建浅层神经网络。在本次实验课程中，我们将专注于更深层次的神经网络构建，以经典的卷积神经网络结构 VGG 为例，完成 Fashion-MNIST 分类任务。此外，本课程还将教授你如何使用预训练模型进行迁移学习。

从本章开始，我们将开启深度学习之旅。深度学习的关键在于构建深度神经网络。如果你要从零开始构建自己的深度神经网络，过程会非常复杂。因此，为了更方便地实现深度学习模型，我们需要学习一些常用框架的使用方法。目前在深度学习领域，比较流行的框架有 TensorFlow、Keras、PyTorch 等，它们各有独特的特点。得益于 Google 的支持以及庞大开发者社区的活跃，TensorFlow 是一个可靠的平台，并且更新相当频繁。学习 TensorFlow 的使用方法将有助于你方便地构建深度学习模型。