- 课程目录
- 课程介绍
-
在线阅读：开篇词｜开发者为什么要从实战出发学机器学习？
如果你是要使用机器学习的技术，那我觉得对你来说，最简单的学习方法就是“做中学”。
-
01｜打好基础：到底什么是机器学习？
到底什么是机器学习？
-
02｜工具准备：安装并使用Jupyter Notebook
怎么快速安装一个时候新手的机器学习环境呢？
-
03｜实战5步（上）：怎么定义问题和预处理数据？
在机器学习实战中，怎么定义问题和预处理数据？
-
04｜ 实战5步（下）：怎么建立估计10万+软文点击率的模型？
机器学习是怎么建立模型的？
-
05 | 数据探索：怎样从数据中找到用户的RFM值？
怎么才能用机器学习给用户精准画像，求出用户的RFM值呢？
-
06 | 聚类分析：如何用RFM给电商用户做价值分组画像？
怎么用聚类分析给电商用户做价值分组画像？
-
07｜回归分析：怎样用模型预测用户的生命周期价值？
怎样用聚类分析预测用户的生命周期价值？
-
08 | 模型优化（上）：怎么用特征工程提高模型效率？
3类你必须掌握的特征工程
-
09｜模型优化（中）：防止过拟合，模型也不能太精细
为什么模型在训练集上得了满分1.0，而在验证集上的得分却如此低呢？
-
10｜模型优化（下）：交叉验证，同时寻找最优的参数
怎么利用较小的数据集，从而达到较大数据集的效果呢？
-
11｜深度学习（上）：用CNN带你认识深度学习
要构建出能够实现图像分类的CNN，我们通常需要把“卷积+池化”的组合重复搭建几次，形成深度卷积网络。
-
12｜深度学习（中）：如何用RNN预测激活率走势？
RNN和其它类型的神经网络相比，它的特点是建立了自身的记忆机制，善于根据历史信息预测后续走势。
-
13｜深度学习（下）：3招提升神经网络预测准确率
深度学习的性能优化和其它普通的机器学习模型类似，我们也可以从数据处理、网络模型本身，以及如何对神经网络进行参数调优这三个主要方面去考虑。
-
14｜留存分析：哪些因素会影响用户的留存率？
用户的留存和流失，是阴和阳的两极，此消彼长。收集和分析用户行为数据，有助于我们摸清用户是“留”还是“失”之间的微妙门道。
-
15｜二元分类：怎么预测用户是否流失？从逻辑回归到深度学习
逻辑回归是解决二元分类问题最简单的方法，它的实现也比较简单，就是从sklearn中导入、创建并拟合逻辑回归模型，方法与我们在前面几关中的步骤完全相同。
-
16｜性能评估：不平衡数据集应该使用何种评估指标？
评估分类模型要比评估回归模型的难度大很多，评估的方法也更为多样化，尤其是对于各类别中样本数量并不平衡的数据集来说，我们绝对不能单用准确率这一个方面作为考量的标准。
-
17｜集成学习：机器学习模型如何“博采众长”?
集成学习在机器学习中是很特别的一类方法，能够处理回归和分类问题，而且它对于避免模型中的过拟合问题，具有天然的优势。
-
18 | 增长模型：用XGBoost评估裂变海报的最佳受众群体
增长模型常用于评估营销活动、推广海报对用户的订单增量的影响，国外的一些大厂也在使用它提升促销转化率。
-
19 | 胸有成竹：如何快速定位合适的机器学习算法？
在定位合适的机器学习算法时，有一个最基本的原则是，从简单的模型开始构建基准模型，然后尝试更复杂的方法。
-
20 | 模型部署：怎么发布训练好的机器学习模型？
通常，我们会把机器学习模型部署到生产系统中投入使用。部署机器学习模型有多种方式，比如开发人员重新编写模型、通过Web应用把模型部署到Web服务器、通过Tensorflow Lite等工具部署到移动端等。
-
21｜持续精进：如何在机器学习领域中找准前进的方向？
一旦你踏进了机器学习领域，就等同于踏进了“终身学习”之旅。
-
一套习题，测出你对机器学习的掌握程度
这套测试题共有 3 道单选题和 17 道多选题，满分 100，快来挑战吧！
-
结束语 | 可以不完美，但重要的是马上开始
我们每个人的一生中，都会出现几个非常棒的想法，这些是属于你自己的机遇。当机遇来临时，抓住它最好的方式就是马上开始。如果你瞻前顾后，无限放大那些阻碍因素，那你永远也不可能达成你的目标。
课程介绍
你将获得 轻松入门机器学习的路线图 真实电商业务场景五阶段实战 9 大实用的机器学习算法 揭秘机器学习应用的底层逻辑 讲师介绍 课程介绍...你将获得
- 轻松入门机器学习的路线图
- 真实电商业务场景五阶段实战
- 9 大实用的机器学习算法
- 揭秘机器学习应用的底层逻辑
讲师介绍
课程介绍
机器学习堪称是从数据中挖掘价值的万金油，它的算法库已经非常成熟了，按理说机器学习应该是人人都能用得上的技术，可事实上很多人在入门机器学习时，总面临着这样的问题：
- 听到机器学习就觉得它的算法很难，望而却步。
- 想去学机器学习，可市面上的学习资料里都是大量算法的推导解析，看都看不懂，怎么学？
- 在一些机器学习资料中，虽然理论和实践内容搭配很合理，但案例离自己真实的应用场景比较远，学了遇到实际问题了还是不会做。
其实，如果你定位自己是机器学习的应用者，而不是机器学习算法的研究者的话，那么你根本就没有必要去死磕算法的推导细节，你只需要从做中学就行了，也就是从做实际项目开始，在项目中去理解算法的原理，学会把算法模型灵活地运用到一个一个的具体场景之中。
为此，我们特意邀请到了黄佳老师，他根据自己从业多年后半路出家机器学习的丰富经验，梳理出了一套小白快速入门机器的方法论，帮助你零基础搞懂机器学习。同时，他还会手把手带你完成一个运营场景下的机器学习闯关，让你在真实的业务场景下，真正理解机器学习算法应用的诀窍，学会用机器学习的技术去解决你的业务问题，真正把机器学习用起来。
课程模块设计
课程按照准备、业务场景闯关、持续赋能分为三大部分。
准备篇
主要讲解机器学习究竟是什么，黄佳老师手把手带你部署机器学习项目的开发环境，通过一次简单的机器学习线性回归实战，来教你机器学习实战的5个步骤。
业务场景闯关篇
结合电商“易速鲜花”的运营场景，黄佳老师专门为你设置了五大关卡，在实战中引导你如何去理解机器学习基础知识，利用算法解决实际问题。这五大关卡分别是：
获客关：主要包括如何用机器学习了解你的用户，如何计算他们的RFM值，如何用聚类分析给他们做价值分组画像等。
变现关：主要是讲如何预测App用户的生命周期价值，以及如何提升LTV预测准确率。这里你将学到回归算法、决策树算法和随机森林算法，以及一些特征工程和模型性能优化的知识。
激活关：通过给鲜花图片分类的例子，讲解什么是深度学习。然后教你如何用深度学习预测激活率、提高预测准确率。通过这一关，你可以学会使用深度学习中的CNN和RNN算法。
留存关：在这一关，黄佳老师将带你一步步找出影响用户留存的因子，找出高流失风险的用户，并预测他们是否会流失。这里你将学到逻辑回归和深度学习在分类问题中的实战应用。
裂变关：最后一关，和黄佳老师一起通过XGBoost选择最佳的裂变方案，让你的用户变身为你的推销员！
持续赋能篇
机器学习的发展日新月异，所以黄佳老师会教你如何定位最合适的机器学习算法，如何把机器学习部署到生产中。此外，还会不定期地更新一些最新的算法，持续为你赋能。
课程目录
【每天 1.3 元，解锁极客时间超级会员】
特别放送
免费领取福利
限时活动推荐
