人工智能实践项目案例分析与实战应用培训

01  线性回归

线性回归可能是统计学和机器学习中最知名和最易理解的算法之一。

02 逻辑回归

逻辑回归是机器学习从统计领域借鉴的另一种技术。这是二分类问题的专用方法（两个类值的问题）

03 线性判别分析

传统的逻辑回归仅限于二分类问题。如果你有两个以上的类，那么线性判别分析算法（Linear Discriminant Analysis，简称LDA）是首选的线性分类技术。

04 分类和回归树

决策树是机器学习的一种重要算法。

决策树模型可用二叉树表示。对，就是来自算法和数据结构的二叉树，没什么特别。每个节点代表单个输入变量（x）和该变量上的左右孩子（假定变量是数字）。

05 朴素贝叶斯

朴素贝叶斯是一种简单但极为强大的预测建模算法。

06 K近邻

KNN算法非常简单而且非常有效。KNN的模型用整个训练数据集表示。是不是特简单？\

07 学习矢量量化

K-近邻的缺点是你需要维持整个训练数据集。学习矢量量化算法（或简称LVQ）是一种人工神经网络算法，允许你挂起任意个训练实例并准确学习他们。

08 支持向量机

支持向量机也许是最受欢迎和讨论的机器学习算法之一。

09 bagging和随机森林

随机森林是最流行和最强大的机器学习算法之一。它是一种被称为Bootstrap Aggregation或Bagging的集成机器学习算法。

人工智能实践项目案例分析与实战应用培训

🔔课程天数4天

 ⏰6月杭州+直播(22-25日)

 ⏰11月北京+直播(20-23日)

详情咨询：赵老师15340198819

微信Danny58588

qq:3522146087