Machine-Learning-with-Python

内容摘自'中国大学MOOC':Python机器学习应用

人工智能（AI）如何建立呢？通过逻辑推理，还是通过学习模仿？近年来的发展看，机器学习似乎略胜一筹，机器学习建立智能，应用人工智能去解决问题吧！ 本课程面向各类编程学习者，讲解当下流行的机器学习相关的技术和方法，帮助学习者利用Python语言掌握机器学习算法解决一般问题的基本能力，一窥前沿机器学习算法的奥秘。 本课程介绍Python计算生态中广受欢迎的机器学习算法库scikit-learn，这些算法在工程、信息、管理、经济等学科领域具有极其广泛的应用潜力，被全世界各大科研院所和国际知名公司广泛采用，包括必修内容和选修内容两部分。

必修内容包括：

• 理解机器学习，通过介绍机器学习的基本问题（分类、聚类、回归、降维）介绍经典算法；
• Python第三方库sklearn（scikit-learn），讲解应用机器学习算法快速解决实际问题的方法。

选修内容包括：

• 讲解AlphaGo背后的机器学习原理（强化学习）；
• 游戏对战实例展示，通过实例展示自主学习的强大魅力。

该课程希望传递“理解和运用计算生态，培养集成创新思维”的理念，重点培养学习者运用当代最优秀第三方专业资源，快速分析和解决问题的能力。 “人生苦短，不要刀耕火种”，嵩老师教你直面问题和需求，用最好的工具解决它！ 2017年度全新上线的Python语言系列专题课，带给你不一样的学习体验！

Python 网络爬虫与信息提取 http://www.icourse163.org/course/BIT-1001870001

Python 数据分析与展示 http://www.icourse163.org/course/BIT-1001870002

Python 机器学习应用 http://www.icourse163.org/course/BIT-1001872001

Python 科学计算三维可视化 http://www.icourse163.org/course/BIT-1001871001

Python 游戏开发入门 http://www.icourse163.org/course/BIT-1001873001

Python 云端系统开发入门 http://www.icourse163.org/course/BIT-1001871002

预备知识

本课程需要学习者具备Python语言编程的基本知识和初步技能，建议Python零基础学习者先修嵩老师的“Python语言程序设计”课程。具体地，学习者需要预先掌握Python的数字类型、字符串类型、分支、循环、函数、列表类型、字典类型、文件和第三方库使用等概念和编程方法。 本课程需要学习者掌握NumPy、Matplotlib库的基本使用，建议先修嵩老师的“Python数据分析与展示”专题课程。

授课大纲

根据第三方库内容特点，课程共分6个内容模块和2个实战模块：

• 模块1：机器学习基本思想与原理 vs. sklearn库
• 模块2：无监督学习之聚类、算法与用例（sklearn中的K-means、DBSCAN）
• 模块3：无监督学习之降维、算法与用例(sklearn中的PCA、NMF)
• 模块4：监督学习之分类、算法与用例（sklearn中KNN、朴素贝叶斯、决策树）
• 模块5：监督学习之回归、算法与用例（sklearn中线性回归、非线性回顾
• 模块6（实战）：监督学习实现手写识别实例编写，算法对比与分析
• 模块7（选修）：强化学习方法、深度学习
• 模块8（选修、实战）：实战项目：Flappy Bird游戏智能对战

参考资料

Python集成开发环境(IDE)

• Anaconda: https://www.continuum.io/ （推荐）
• IDLE: Python解释器默认工具
• PyCharm: http://www.jetbrains.com/pycharm/

参考教程

• Python零基础入门教程：《Python语言程序设计基础(第2版)》，嵩天、礼欣、黄天羽著，高等教育出版社，2016.12
• 专题参考资料：《机器学习实战》，Peter Harrington著，人民邮电出版社。

参考网站

• Python Scikit-learn: http://scikit-learn.org
• Python Matplotlib: http://matplotlib.org/