老孟 
你将学会
- 理解基于密度生长出簇、自动识别噪声的原理
- 明确其无需预设簇数、可处理任意形状数据
- 能与质心类算法对比，按数据形态选聚类方法
- 掌握邻域半径与最少邻点数的经验选取方法
本课程通过距离矩阵演算讲解DBSCAN核心点边界点与簇扩展，及eps/min_samples设定，帮助学习者应对不规则数据聚类。
指出常用质心聚类需要预先给定簇数、对噪声敏感且难以识别非球形簇等局限，进而介绍一种完全基于疏密程度的聚类思路：把密集相连的点归为一簇，把孤立稀疏点当作噪声。文章区分核心点、边界点与噪声点三类角色，配合算例演示如何由密度扩张成簇。读者读完可掌握它自动确定簇数、识别任意形状并剔除异常点的原理与适用条件。
42 分钟
本课程通过引用计数、循环引用与分代回收，讲解 Python 自动 GC 机制，解决对象回收与内存泄漏，帮助学习者掌握 GC 调优。
1 小时 56 分钟
本课程通过贝叶斯公式推导与垃圾邮件算例讲解朴素贝叶斯，解决文本自动分类问题，帮助学习者掌握分词、平滑与概率计算完整流程。
10 分钟
本课程从最大间隔思想出发，经软间隔、对偶与核技巧讲解SVM超平面求解，解决线性不可分与噪声敏感，帮助理解C与核函数选择。
冀公网安备13050302001966号