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
Linear Classifiers in Python
In this course you will learn the details of linear classifiers like logistic regression and SVM.
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
Extreme Gradient Boosting with XGBoost
Learn the fundamentals of gradient boosting and build state-of-the-art machine learning models using XGBoost to solve classification and regression problems.
Course
7
Hyperparameter Tuning in Python
Learn techniques for automated hyperparameter tuning in Python, including Grid, Random, and Informed Search.
Course
8
Ensemble Methods in Python
Learn how to build advanced and effective machine learning models in Python using ensemble techniques such as bagging, boosting, and stacking.