IBM机器学习教程

学习路径：机器学习入门

级别	主题	类型
100	机器学习简介	文章
101	使用 Python 和 scikit-learn 构建并测试您的第一个机器学习模型	教程
201	使用 Python 和 scikit-learn 学习回归算法	教程
202	使用 Python 和 scikit-learn 学习分类算法	教程
203	使用 Python 和 scikit-learn 学习聚类算法	教程

此学习路径是为想要快速熟悉机器学习的所有人而设计的。此学习路径包括若干含实践操作演示的分步教程，您将会构建模型并在应用中使用这些模型。

首先，单击以下卡片，或者参阅上表以获取所涵盖主题的完整列表。

1. 机器学习简介

   了解相关信息：

   • 机器学习是什么？
   • 有监督学习与无监督学习的比较
   • 机器学习管道
   • 术语和概念
2. 使用 Python 和 scikit-learn 构建并测试您的第一个机器学习模型

   了解相关信息：

   • 执行数据探索
   • 执行数据预处理
   • 拆分数据以用于训练和测试
   • 准备一个分类模型
   • 训练模型
   • 对模型运行预测
   • 评估模型性能并使之可视化
3. 使用 Python 和 scikit-learn 学习回归算法

   了解相关信息：

   • 线性回归
   • 拆分、训练和验证
   • 过拟合和欠拟合
   • 模型评估
   • 逻辑回归
   • 朴素贝叶斯
   • 集成学习
4. 使用 Python 和 scikit-learn 学习分类算法

   了解相关信息：

   • 聚类
   • 主成份分析
   • 降维
5. 使用 Python 和 scikit-learn 学习聚类算法

   了解相关信息：

   • K 均值聚类
   • 均值偏移
   • DBSCAN
   • 层次聚类
   • 凝聚聚类
   • 用例

参考资源

• 机器学习，深度学习 101
• 机器学习代码实战：使用逻辑回归帮助诊断心脏病
• 韩笑琳：机器学习之手把手实现
• 将机器学习洞察应用于生产

本博客翻译自：Learning path: Get started with machine learning（2019-12-04）。