0.0 机器学习
1.0 sklearn与特征工程
1.1 数据的来源与类型
1.2 数据的特征抽取
1.3 数据的特征预处理
1.4 数据的特征选择
2.0 sklearn数据集与机器学习组成
2.1 Scikit-learn数据集
2.2 模型的选择
2.3 模型检验-交叉验证
2.4 sklearn的estimator
3.0 sklearn的分类器算法
3.1 分类算法之k-近邻
3.2 k-近邻算法案例分析
3.3 朴素贝叶斯
3.4 分类算法之逻辑回归
3.5 逻辑回归算法案例分析
3.6 分类器性能评估
3.7 分类算法之决策树、随机森林
4.0 回归算法
4.1 回归算法之线性回归
4.2 线性回归案例分析
4.3 回归性能评估与欠拟合、过拟合
4.4 回归算法之岭回归
4.5 岭回归案例分析
5.0 非监督学习
5.1 非监督学习之k-means
5.2 k-means案例分析
6.0 推荐系统
6.1 推荐系统评测
6.2 基于协同过滤的推荐系统
6.3 代码案例