- SciPyCon 2018 sklearn 教程
- 一、Python 机器学习简介
- 二、Python 中的科学计算工具
- 三、数据表示和可视化
- 四、训练和测试数据
- 五、监督学习第一部分:分类
- 六、监督学习第二部分:回归分析
- 七、无监督学习第一部分:变换
- 八、无监督学习第二部分:聚类
- 九、sklearn 估计器接口回顾
- 十、案例学习:泰坦尼克幸存者
- 十一、文本特征提取
- 十二、案例学习:用于 SMS 垃圾检测的文本分类
- 十三、交叉验证和得分方法
- 十四、参数选择、验证和测试
- 十五、估计器流水线
- 十六、模型评估、得分指标和处理不平衡类别
- 十七、深入:线性模型
- 十八、深入:决策树与森林
- 十九、自动特征选择
- 二十、无监督学习:层次和基于密度的聚类算法
- 二十一、无监督学习:非线性降维
- 二十二、无监督学习:异常检测
- 二十三、核外学习 - 用于语义分析的大规模文本分类