在本模块中，您将继续我们在上一模块中开始的线性回归工作。您将进一步了解如何评估此类模型，以及如何选择重要特征并排除统计意义不显著的特征。您还将学习最大似然估计，这是一种估计模型的概率方法。

本模块特别向您介绍基函数和多项式展开，这将使您能够使用我们迄今为止学习的线性回归技术来建立非线性关系模型。然后，我们将学习偏差-方差权衡，这是机器学习中的一个关键关系。多项式展开等方法可以帮助你训练出能很好地捕捉训练数据中关系的模型，但这些模型在新数据上的表现可能会很糟糕。您将学习到不同的正则化方法，这些方法有助于平衡这种权衡，创建避免过度拟合的模型。

在本模块中，您将首先学习更多有关评估和调整模型的知识。我们将学习交叉验证技术，该技术将帮助您更准确地测量模型的性能，然后您将了解如何使用这些技术以及管道和 GridSearch 来调整模型。最后，我们将介绍第一种分类技术逻辑回归的理论和实践。

在本模块中，您还将学习另外两种分类技术：首先是支持向量机（SVM），然后是使用贝叶斯定理的快速、高度可解释的方法--奈维贝叶斯（Naive Bayes）。

在本模块中，您将首先学习使用决策树进行分类。我们将看到如何创建使用单个决策树的模型，以及使用许多决策树的集合模型，如袋式分类、提升分类和随机森林。然后，我们将进一步学习如何评估分类器的性能。

到目前为止，我们一直在关注有监督学习和训练模型，这些模型可以估计你指定的目标变量。在本模块中，我们将首次了解无监督学习，这是机器学习的一个领域，它使用各种技术来发现数据中的模式和关系，而无需定义目标变量。特别是，我们将学习各种聚类技术，首先是 K 均值聚类和层次聚类，然后是基于分布和密度的聚类。

本模块将介绍两种新技术。第一种是主成分分析，这是一种强大的降维技术，可以用来将高维特征投射到低维空间。这可以用于多种目的，包括特征选择、防止过拟合、在二维或三维空间中可视化高维数据等。然后，您将学习隐马尔可夫模型，这是一种可用于状态序列建模的技术，其中每个状态都取决于之前的状态。

本模块将向你介绍机器学习领域最热门的话题之一--使用前馈神经网络和卷积神经网络的深度学习。您将了解这些技术的工作原理，以及它们在哪些方面可能非常有效，哪些方面可能非常无效。我们将探索如何使用 Python 和 Keras 设计、实现和评估此类模型。