学习路径描述

监督机器学习在 Python 中

掌握监督机器学习的基础，并了解如何使用带标签的数据进行预测。立即加入机器学习革命！如果你刚接触机器学习，或者想专攻监督式机器学习，这里是理想的起点。你将首先学习并实现核心监督学习模型，例如 K-Nearest Neighbors (KNN)、Logistic Regression、Linear Regression、Support Vector Machines (SVMs) 以及使用流行的 scikit-learn 库的基于树的模型。你还将了解如何使用像 XGBoost 这样的先进算法，高效提升表格数据集上的建模性能。为了充分发挥模型的最大效用，你将学习不同的超参数调优技术，以及如何根据你的使用场景决定采用哪种技术。你将通过将这些多样化模型的知识融会贯通，学习集成学习，即将不同模型组合起来以提升性能并解决更复杂的问题，从而完成该学习路径。完成后，你将掌握监督机器学习的核心概念，并能够在 Python 中加以应用。

先决条件

此学习路径无先决条件

Course
1
使用 scikit-learn 的监督学习
用 Python 中的 scikit-learn 提升你的机器学习技能。在这门互动课程中使用真实世界数据集，学习如何做出强大的预测！
Project
额外
Predictive Modeling for Agriculture
Dive into agriculture using supervised machine learning and feature selection to aid farmers in crop cultivation and solve real-world problems.
Course
3
Python 中的线性分类器
在本课程中，你将学习逻辑回归和 SVM 等线性分类器的细节。
Course
4
Python 树模型机器学习
在本课程中，你将学习如何使用 scikit-learn 中的基于树的模型和集成方法进行回归和分类。
Project
额外
Predicting Movie Rental Durations
Build a regression model for a DVD rental firm to predict rental duration. Evaluate models to recommend the best one.
Course
6
使用 XGBoost 的极端梯度提升
学习梯度提升基础，并使用 XGBoost 构建最先进的机器学习模型，解决分类和回归问题。
Course
7
Python 中的超参数调优
学习 Python 中的自动超参数调优技巧，包括网格搜索、随机搜索和智能搜索。
Course
8
Python 中的集成方法
学习如何使用 bagging、boosting 和 stacking 等集成技术，在 Python 中构建高级且高效的机器学习模型。