初级
提供者 : Gabriel Popoola
4 课时 · 15m
语言：阿拉伯语, 德语, 英语, 西班牙语, 法语, 葡萄牙语, 乌尔都语, 简体中文
课程描述
在本章中，您将了解监督学习的概念和技术。它将涵盖线性回归和逻辑回归。您将了解支持向量机及其用途。本章还介绍了决策树、随机森林、集成学习以及它们之间的关系。本章还讨论了神经网络。
学习目标：
- 了解各种监督机器学习技术
- 了解集成相对于单个基本分类器的优势
技能：
- 学习如何在Python中实现逻辑回归和线性回归
- 学习如何在Python中实现支持向量机
- 学习如何在Python中实现决策树和随机森林
- 学习如何在Python中实现神经网络
您将学到的内容
- 应用线性回归和逻辑回归作为监督学习技术
- 使用支持向量机并了解其应用场景
- 构建决策树和随机森林，并理解二者之间的关系
- 探索集成学习及集成方法相较于单一基础分类器的优势
- 理解监督机器学习中的神经网络
关键要点
- 本章介绍监督学习的概念与技术，包括线性回归和逻辑回归。
- 支持向量机及其应用场景与决策树、随机森林一同进行了讲解。
- 本章阐释了决策树、随机森林与集成学习的概念及三者之间的相互关系。
- 本章重点介绍了集成方法相较于单一基础分类器的优势。
- 神经网络也在监督机器学习的范畴内进行了讨论。
常见问题
本章涵盖哪些监督机器学习技术？
本章涵盖线性回归、逻辑回归、支持向量机、决策树、随机森林、集成学习以及神经网络。
在本课程中，我将学习哪些关于集成方法的内容？
您将学习集成学习的相关知识，了解集成方法相较于单一基础分类器的优势，以及决策树、随机森林与集成学习之间的关联。
本课程侧重于哪些技能？
本课程侧重于监督学习、机器学习算法与方法、数据挖掘方法以及决策树学习。
本章是否包含神经网络的内容？
是的，本章对神经网络进行了讨论。
