這個課程是關於整合方法 (Ensemble Methods)。
已經學習了一些經典的機器學習模型，如 k-nearest neighbor 和決策樹。 也研究了他們的局限和缺點。
但是，如果可以結合這些模型來消除這些限制，並產生更強大的分類器或迴歸器呢？
在本課程中，你將學習如何將決策樹和邏輯迴歸等模型相結合，以建立可以達到比基礎模型更高的精度的模型。
具體來說，課程將詳細研究隨機森林和 AdaBoost 演算法。
為了激勵討論，課程將學習統計學習中一個重要的話題 – 偏差 – 變異權衡 ( bias-variance trade-off )。然後，我們將研究 bootstrap 技術和 bagging 作為同時減少偏差和變異的方法。
將會做大量的實驗，並在真實的資料集上使用這些演算法，這樣你就可以親眼看到它們是多麼的強大。
由於深度學習如此受歡迎，課程也會研究隨機森林、AdaBoost 和深度學習神經網路之間的一些有趣的共同點。
這個課程的材料都是免費的。你可以使用 Windows、Linux 或 Mac 上的簡單命令下載並安裝 Python、Numpy 和 Scipy。
https://softnshare.com/…/ensemble-machine-learning-python-…/
Search