本周我们将在上周的基础上，学习更复杂的线性回归模型。本周之后，您将能够创建包含多个解释变量和分类变量的线性模型。从数学和语法上讲，多元线性回归模型是我们上周学习的较简单线性回归模型的自然延伸。本周我们必须牢记的一个区别是，我们的数据空间现在是三维的，而不是二维的。在考虑如何创建有意义的可视化时，三维和二维之间的差异会产生影响。了解如何解释系数至关重要。机器学习涉及对模型进行战略性迭代和改进。在本周的实验和同行评议中，您将找出线性回归模型的弱点，并对其进行战略性改进。希望随着您在本课程专业化方面的进步，您能在这一迭代过程中越做越好。

尽管逻辑回归的名字可能会让人联想到其他方面，但本周我们将把注意力从回归任务转移到分类任务上。逻辑回归是广义线性模型的一种特殊情况。与线性回归一样，逻辑回归是一种广泛使用的统计工具，也是数据科学工具包的基础工具之一。分类任务在现实世界中有很多应用，包括金融和生物医学领域。在本周的实验中，您将看到这一经典算法如何帮助您预测著名的威斯康星乳腺癌数据集中的活检切片显示的是良性还是恶性肿块。我们还建议您在本周开始第 7 周课程的期末项目。本周，请找到一个项目数据集，开始执行 EDA 并定义您的问题。使用项目评分标准作为指导，不要害怕查看几个数据集，直到找到适合项目的数据集为止。

本周我们将学习非参数模型。决策树是一种监督学习模型，可用于回归或分类任务。在模块 2 中，我们学习了偏差与方差的权衡，在课程学习过程中，我们一直将这一权衡牢记于心。高度灵活的树状模型的好处是可以捕捉复杂的非线性关系。但是，它们容易出现过度拟合。本周和下周，我们将探索剪枝等策略，以避免基于树的模型过度拟合。在本周的实验中，您将为著名的 MNIST 数据集制作一个 KNN 分类器，然后使用决策树模型建立一个垃圾邮件分类器。 本周我们将再次领略简单易懂的模型的威力。继续完成最终项目一旦你确定了数据集和 EDA，就开始为你的主要监督学习任务制定初步方法。回顾课程材料、阅读研究论文、查看 GitHub 存储库和 Medium 文章，以了解您的主题并规划您的方法。

上周，我们学习了树模型。尽管树模型有很多优点，但它们也有一些难以克服的弱点。本周我们将学习集合方法，以克服树模型的过拟合倾向。在许多机器学习竞赛中，优胜者都会使用集合方法，汇总多个树模型的预测结果。本周您将首先学习随机森林和袋集，这是一种用训练数据的不同子集样本来训练相同算法的技术。然后，您将学习提升法（boosting），这是一种模型顺序训练的集合方法。您将了解两种基本的提升算法：AdaBoost 和梯度提升。本周，进行期末项目的主要分析。迭代并改进您的模型。比较不同的模型。进行超参数优化。有时，机器学习项目的这一部分会让人感觉枯燥乏味，但希望看到你的成绩有所提高。

本周我们将探讨另一个高级课题--支持向量机。不要被这个名字吓到。本周，我们将了解这种强大的监督学习模型。希望你们能对一些基本概念有直观的理解，比如硬边际和软边际的区别、内核技巧和超参数调整。下周，你将提交最终项目的三个交付成果：报告、视频演示和 GitHub 存储库链接。假设您的目标是在本周完成模型迭代、超参数优化等工作。在这种情况下，您可以在下周润色您的报告，确保您的 GitHub 存储库已为同行评审做好准备，并对您的工作进行出色的演示。