瞿煒老師精講完結版120節【機器學習必修課經典算法與Python實戰】視頻課程無課件資源簡介

課程目錄

01-1-1課程內容和理念.mp4

02-1-2-1本章總覽.mp4

02-1-2初識機器學習.mp4

02-2-2-2數據長什么樣常見數據集、典型實例、如何使用.mp4

02-3-2-3研究哪些問題分類、回歸等.mp4

02-4-2-4如何分門別類監督、無監督、強化學習等.mp4

02-5-2-5機器學習的七大常見誤區和局限.mp4

03-1-3-1本章總覽相互關系與學習路線.mp4

03-1-3課程使用的技術棧.mp4

03-10-3-10Numpy數組矩陣運算一元運算、二元運算與矩陣運算.mp4

03-11-3-11Numpy數組統計運算常用的都在這兒了.mp4

03-12-3-12Numpy數組arg運算和排序.mp4

03-13-3-13Numpy數組神奇索引和布爾索引.mp4

03-14-3-14Matplotlib數據可視化基礎繪制與設置.mp4

03-2-3-2Anaconda圖形化操作.mp4

03-3-3-3Anaconda命令行操作.mp4

03-4-3-4JupyterNotebook基礎使用.mp4

03-5-3-5JupyterNotebook高級使用常用魔法命令.mp4

03-6-3-6Numpy基礎安裝與性能對比.mp4

03-7-3-7Numpy數組創建特定數組、等差數組、隨機數組.mp4

03-8-3-8Numpy數組基礎索引索引和切片.mp4

03-9-3-9Numpy非常重要的數組合并與拆分操作.mp4

04-1-4-1本章總覽.mp4

04-2-4-2KNN算法核心思想和原理.mp4

04-3-4-3KNN分類任務代碼實現.mp4

04-4-4-4數據集劃分訓練集與預測集.mp4

04-5-4-5模型評價.mp4

04-6-4-6超參數.mp4

04-7-4-7特征歸一化.mp4

04-8-4-8KNN回歸任務代碼實現.mp4

04-9-4-9KNN優缺點和適用條件.mp4

05-1-5-1本章總覽.mp4

05-10-5-10復雜邏輯回歸及代碼實現.mp4

05-11-5-11線性算法優缺點和適用條件.mp4

05-2-5-2線性回歸核心思想和原理.mp4

05-3-5-3邏輯回歸核心思想和原理.mp4

05-4-5-4線性回歸代碼實現.mp4

05-5-5-5模型評價MSE、RMSE、MAE和R方.mp4

05-6-5-6多項式回歸代碼實現.mp4

05-7-5-7邏輯回歸算法.mp4

05-8-5-8線性邏輯回歸代碼實現.mp4

05-9-5-9多分類策略.mp4

06-1-6-1本章總覽.mp4

06-10-6-10LASSO和嶺回歸代碼實現.mp4

06-11-6-11模型泛化.mp4

06-12-6-12評價指標混淆矩陣、精準率和召回率.mp4

06-13-6-13評價指標ROC曲線.mp4

06-2-6-2損失函數.mp4

06-3-6-3梯度下降.mp4

06-4-6-4決策邊界.mp4

06-5-6-5過擬合與欠擬合.mp4

06-6-6-6學習曲線.mp4

06-7-6-7交叉驗證.mp4

06-8-6-8模型誤差.mp4

06-9-6-9正則化.mp4

07-1-7-1本章總覽.mp4

07-2-7-2決策樹核心思想和原理.mp4

07-3-7-3信息熵.mp4

07-4-7-4決策樹分類任務代碼實現.mp4

07-5-7-5基尼系數.mp4

07-6-7-6決策樹剪枝.mp4

07-7-7-7決策樹回歸任務代碼實現.mp4

07-8-7-8決策樹優缺點和適用條件.mp4

08-1-8-1本章總覽.mp4

08-2-8-2神經網絡核心思想和原理.mp4

08-3-8-3激活函數.mp4

08-4-8-4正向傳播與反向傳播.mp4

08-5-8-5梯度下降優化算法.mp4

08-6-8-6神經網絡簡單代碼實現.mp4

08-7-8-7梯度消失和梯度爆炸.mp4

08-8-8-8模型選擇.mp4

08-9-8-9神經網絡優缺點和適用條件.mp4

09-1-9-1本章總覽.mp4

09-10-9-10SVM優缺點和適用條件.mp4

09-2-9-2SVM核心思想和原理.mp4

09-3-9-3硬間隔SVM.mp4

09-4-9-4SVM軟間隔.mp4

09-5-9-5線性SVM分類任務代碼實現.mp4

09-6-9-6非線性SVM核技巧.mp4

09-7-9-7SVM核函數.mp4

09-8-9-8非線性SVM代碼實現.mp4

09-9-9-9SVM回歸任務代碼實現.mp4

10-1-10-1本章總覽.mp4

10-2-10-2貝葉斯方法核心思想和原理.mp4

10-3-10-3樸素貝葉斯分類.mp4

10-4-10-4樸素貝葉斯的代碼實現.mp4

10-5-10-5多項式樸素貝葉斯代碼實現.mp4

10-6-10-6貝葉斯方法優缺點和適用條件.mp4

11-1-11-1本章總覽.mp4

11-2-11-2集成學習核心思想和原理.mp4

11-3-11-3集成學習代碼實現.mp4

11-4-11-4并行策略Bagging、OOB等方法.mp4

11-5-11-5并行策略隨機森林.mp4

11-6-11-6串行策略Boosting.mp4

11-7-11-7結合策略Stacking方法.mp4

11-8-11-8集成學習優缺點和適用條件.mp4

12-1-12-1本章總覽.mp4

12-2-12-2聚類算法核心思想和原理.mp4

12-3-12-3k-means和分層聚類.mp4

12-4-12-4聚類算法代碼實現.mp4

12-5-12-5聚類評估代碼實現.mp4

12-6-12-6聚類算法優缺點和適用條件.mp4

13-1-13-1本章總覽.mp4

13-2-13-2PCA核心思想和原理.mp4

13-3-13-3PCA求解算法.mp4

13-4-13-4PCA算法代碼實現.mp4

13-5-13-5降維任務代碼實現.mp4

13-6-13-6PCA在數據降噪中的應用.mp4

13-7-13-7PCA在人臉識別中的應用.mp4

13-8-13-8主成分分析優缺點和適用條件.mp4

14-1-14-1本章總覽.mp4

14-2-14-2概率圖模型核心思想和原理.mp4

14-3-14-3EM算法參數估計.mp4

14-4-14-4隱馬爾可夫模型代碼實現.mp4

14-5-14-5概率圖模型優缺點和適用條件.mp4

15-1-15-1本章總覽.mp4

15-2-15-2泰坦尼克生還預測.mp4

15-3-15-3房價預測.mp4

15-4-15-4交易反欺詐代碼實現.mp4

15-5-15-5如何深入研究機器學習.mp4