2022.5月Python心脏病发作预测分析机器学习项目实战视频教程

欢迎购买学习《2022.5月Python心脏病发作预测分析机器学习项目实战视频教程》课程，你将学习数据科学和机器学习——通过真实的心脏病发作分析项目提高你的机器学习、统计技能。

发表于 05/2022
MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz，2 Ch
类型：eLearning | 语言：英语 + 英语字幕srt | 时长：53 节课（7h 23m）| 大小：2.2 GB

你会学到什么

• 机器学习描述了使用基于真实数据训练的模型进行预测的系统。
• 机器学习不仅对预测短信或智能手机语音识别有用。
• 数据科学使用算法来理解原始数据。数据科学与传统数据分析的主要区别在于其侧重于预测。
• 数据科学包括准备、分析和处理数据。它借鉴了许多科学领域，作为一门科学，它通过创造新的算法而进步
• 数据科学家使用机器学习来发现大量原始​​数据中的隐藏模式，以阐明实际问题。
• 项目的第一步
• 项目中使用的笔记本设计
• 检查项目主题
• 识别数据集中的变量
• 所需的 Python 库
• 加载数据集
• 对数据集的初步分析
• 检查缺失值
• 检查唯一值
• 分离变量（数值或分类）
• 检查变量的统计
• 数值变量（使用 Distplot 进行分析）
• 分类变量（饼图分析）
• 根据分析结果检查缺失数据
• 数值变量 – 目标变量（使用 FacetGrid 进行分析）
• 分类变量 – 目标变量（计数图分析）
• 检查自身之间的数值变量（配对图分析）
• 使用 Robust Scaler 方法进行特征缩放以实现新的可视化
• 使用 Melt() 函数创建一个新的 DataFrame
• 数值 – 分类变量（使用群图分析）
• 数值 – 分类变量（箱线图分析）
• 变量之间的关系（使用热图分析）
• 删除相关性较低的列
• 可视化异常值
• 处理异常值
• 确定数值变量的分布
• 非对称数据的转换操作
• 将一种热编码方法应用于分类变量
• 使用机器学习算法的鲁棒缩放器方法进行特征缩放
• 将数据分成测试集和训练集
• 逻辑回归
• 逻辑回归算法的交叉验证
• 逻辑回归算法的 Roc 曲线和曲线下面积 (AUC)
• 逻辑回归算法的超参数优化（使用 GridSearchCV）
• 决策树算法
• 支持向量机算法
• 随机森林算法
• 随机森林算法的超参数优化（使用 GridSearchCV）
• 项目总结与分享