本课程是关于Python机器学习开发技能训练视频教程+5个动手实战项目，将带您逐步进入机器学习的世界。机器学习是对使分析模型建立自动化的计算机算法的研究。它是人工智能的一个分支，其基础是系统可以从数据中学习，识别模式并在最少的人工干预下做出决策。
本课程将涵盖以下主题：
1.使用sklearn进行线性回归的理论和实际实现。
2.使用sklearn进行逻辑回归的理论和实际实现。
3.使用RFECV选择功能。
4.具有线性和逻辑回归的数据转换。
5.评估指标以分析模型的性能
6.线性和逻辑回归的行业相关性。
7. KNN，SVM和朴素贝叶斯算法背后的数学。
8.使用sklearn实现KNN，SVM和朴素贝叶斯。
9.属性选择方法-基尼系数和熵。
10.决策树和随机森林背后的数学。
11. Boosting算法：-Adaboost，Gradient Boosting和XgBoost。
12.不同的聚类算法
13.处理不平衡数据的不同方法。
14.相关过滤
15.方差过滤
16. PCA和LDA
17.基于内容和协作的过滤
18.奇异值分解
19.用于时间序列预测的不同算法。
20.案例研究
我们已经详细介绍了每个主题，还学习了将其应用于现实世界中的问题。
有很多练习可供您练习，还有一个5分奖金的顶峰项目“员工晋升预测”，“预测医疗保健费用”，“确定贷款申请人的身份”和“优化作物生产”。
在此“员工晋升预测”项目中，您将学习如何实施预测模型以识别合适的员工应得到晋升。还学习如何平衡不平衡数据集。
在此“预测医疗保健费用”项目中，您将学习如何实现回归分析预测模型，以使用线性回归，随机森林，梯度提升等方法来预测人们的未来医疗费用。
在此“确定贷款申请人的身份”项目中，您将学习如何实现用于确定是否应授予某人贷款的分类分析预测模型。
在此“优化作物生产”项目中，您将学习使用数据科学技术（例如聚类分析和分类分析）的精确农业。您将能够向农民推荐最好的农作物，以提高他们的生产力。
