Python数据分析与机器学习实战

1 AI时代人工智能入学指南 · 2 机器学习入门篇 · 3 机器学习提升篇 · 4 Python机器学习实训营（2020）

*   1 AI时代人工智能入学指南/

  *   1 AI时代首选Python.mp4

  *   2 Python我该怎么学.mp4

  *   3 人工智能的核心-机器学习.mp4

  *   4 机器学习怎么学？.mp4

  *   5 算法推导与案例.mp4

  *   6 系列课程环境配置.mp4

  *   7 Python快速入门.mp4

  *   8 变量类型.mp4

  *   9 LIST基础.mp4

  *   10 List索引.mp4

  *   11 循环结构.mp4

  *   12 判断结构.mp4

  *   13 字典.mp4

  *   14 文件处理.mp4

  *   15 函数基础.mp4

  *   16 Numpy数据结构.mp4

  *   17 Numpy基本操作.mp4

  *   18 Numpy矩阵属性.mp4

  *   19 Numpy矩阵操作.mp4

  *   20 Numpy常用函数.mp4

  *   21 Pandas数据读取.mp4

  *   22 Pandas数据预处理.mp4

  *   23 Pandas常用函数.mp4

  *   24 Pandas-Series结构.mp4

  *   25 Matplotlib-折线图.mp4

  *   26 Matplotlib-子图操作.mp4

  *   27 Matplotlib-条形图与散点图.mp4

  *   28 Matplotlib-柱形图与盒图.mp4

  *   29 Matplotlib-细节设置.mp4

  *   30 Seaborn可视化库课程简介.mp4

  *   31 整体布局风格设置.mp4

  *   32 风格细节设置.mp4

  *   33 调色板.mp4

  *   34 调色板颜色设置.mp4

  *   35 单变量分析绘图.mp4

  *   36 回归分析绘图.mp4

  *   37 多变量分析绘图.mp4

  *   38 分类属性绘图.mp4

  *   39 Facetgrid使用方法.mp4

  *   40 Facetgrid绘制多变量.mp4

  *   41 热度图绘制.mp4

*   2 机器学习入门篇/

  *   1 线性回归算法概述.mp4

  *   2 误差项分析.mp4

  *   3 似然函数求解.mp4

  *   4 目标函数推导.mp4

  *   5 线性回归求解.mp4

  *   6 梯度下降原理.mp4

  *   7 梯度下降方法对比.mp4

  *   8 学习率对结果的影响.mp4

  *   9 逻辑回归算法原理推导.mp4

  *   10 逻辑回归求解.mp4

  *   11 案例实战：Python实现逻辑回归任务概述.mp4

  *   12 案例实战：完成梯度下降模块.mp4

  *   13 案例实战：停止策略与梯度下降案例.mp4

  *   14 案例实战：实验对比效果.mp4

  *   15 科比数据集简介.mp4

  *   16 数据预处理.mp4

  *   17 建模.mp4

  *   18 案例背景和目标.mp4

  *   19 样本不均衡解决方案.mp4

  *   20 下采样策略.mp4

  *   21 交叉验证.mp4

  *   22 模型评估方法.mp4

  *   23 正则化惩罚.mp4

  *   24 逻辑回归模型.mp4

  *   25 混淆矩阵.mp4

  *   26 逻辑回归阈值对结果的影响.mp4

  *   27 SMOTE样本生成策略.mp4

  *   28 决策树原理概述.mp4

  *   29 衡量标准-熵.mp4

  *   30 决策树构造实例.mp4

  *   31 信息增益率.mp4

  *   32 决策树剪枝策略.mp4

  *   33 案例：决策树复习.mp4

  *   34 案例：决策树涉及参数.mp4

  *   35 案例：树可视化与sklearn库简介.mp4

  *   36 案例：sklearn参数选择.mp4

  *   37 集成算法-随机森林.mp4

  *   38 特征重要性衡量.mp4

  *   39 提升模型.mp4

  *   40 堆叠模型.mp4

  *   41 数据介绍.mp4

  *   42 回归模型.mp4

  *   43 随机森林模型.mp4

  *   44 特征选择.mp4

  *   45 贝叶斯算法概述.mp4

  *   46 贝叶斯推导实例.mp4

  *   47 贝叶斯拼写纠错实例.mp4

  *   48 垃圾邮件过滤实例.mp4

  *   49 贝叶斯实现拼写检查器.mp4

  *   50 文本分析与关键词提取.mp4

  *   51 相似度计算.mp4

  *   52 新闻数据与任务简介.mp4

  *   53 TF-IDF关键词提取.mp4

  *   54 LDA建模.mp4

  *   55 基于贝叶斯算法进行新闻分类.mp4

  *   56 KMEANS算法概述.mp4

  *   57 KMEANS工作流程.mp4

  *   58 KMEANS迭代可视化展示.mp4

  *   59 DBSCAN聚类算法.mp4

  *   60 DBSCAN工作流程.mp4

  *   61 DBSCAN可视化展示.mp4

  *   62 多种聚类算法概述.mp4

  *   63 聚类案例实战.mp4

  *   64 线性判别分析要解决的问题.mp4

  *   65 线性判别分析要优化的目标.mp4

  *   66 线性判别分析求解.mp4

  *   67 实现线性判别分析进行降维任务.mp4

  *   68 求解得出降维结果.mp4

  *   69 PCA降维概述.mp4

  *   70 PCA要优化的目标.mp4

  *   71 PCA求解.mp4

  *   72 PCA降维实例.mp4

  *   73 EM算法要解决的问题.mp4

  *   74 隐变量问题.mp4

  *   75 EM算法求解实例.mp4

  *   76 Jensen不等式.mp4

  *   77 GMM模型.mp4

  *   78 GMM实例.mp4

  *   79 GMM聚类.mp4

*   3 机器学习提升篇/

  *   1 推荐系统：开场.mp4

  *   2 推荐系统应用.mp4

  *   3 推荐系统要完成的任务.mp4

  *   4 相似度计算.mp4

  *   5 基于用户的协同过滤.mp4

  *   6 基于物品的协同过滤.mp4

  *   7 隐语义模型.mp4

  *   8 隐语义模型求解.mp4

  *   9 模型评估标准.mp4

  *   10 Surprise库与数据简介.mp4

  *   11 Surprise库使用方法.mp4

  *   12 得出推荐商品结果.mp4

  *   13 支持向量机要解决的问题.mp4

  *   14 距离与数据的定义.mp4

  *   15 目标函数.mp4

  *   16 目标函数求解.mp4

  *   17 SVM求解实例.mp4

  *   18 支持向量的作用.mp4

  *   19 sklearn求解支持向量机.mp4

  *   20 SVM参数选择.mp4

  *   21 软间隔问题.mp4

  *   22 SVM核变换.mp4

  *   23 数据平稳性与差分法.mp4

  *   24 ARIMA模型.mp4

  *   25 相关函数评估方法.mp4

  *   26 建立ARIMA模型.mp4

  *   27 参数选择.mp4

  *   28 Pandas生成时间序列.mp4

  *   29 Pandas数据重采样.mp4

  *   30 Pandas滑动窗口.mp4

  *   31 股票预测案例.mp4

  *   32 使用tsfresh库进行分类任务.mp4

  *   33 维基百科词条EDA.mp4

  *   34 Xgboost算法概述.mp4

  *   35 Xgboost模型构造.mp4

  *   36 Xgboost建模衡量标准.mp4

  *   37 深度学习概述.mp4

  *   38 挑战与常规套路.mp4

  *   39 用K近邻来进行分类.mp4

  *   40 超参数与交叉验证.mp4

  *   41 线性分类.mp4

  *   42 损失函数.mp4

  *   43 正则化惩罚项.mp4

  *   44 softmax分类器.mp4

  *   45 最优化形象解读.mp4

  *   46 最优化问题细节.mp4

  *   47 反向传播.mp4

  *   48 整体架构.mp4

  *   49 实例演示.mp4

  *   50 过拟合解决方案.mp4

  *   51 神经网络案例-cifar分类任务.mp4

  *   52 神经网络案例-分模块构造神经网络.mp4

  *   53 神经网络案例-训练神经网络完成分类任务.mp4

  *   54 神经网络架构-感受神经网络的强大.mp4

  *   55 Xgboost安装.mp4

  *   56 保险赔偿任务概述.mp4

  *   57 Xgboost参数定义.mp4

  *   58 基础模型定义.mp4

  *   59 树结构对结果的影响.mp4

  *   60 学习率与采样对结果的影响.mp4

*   4 Python机器学习实训营（2020）/

  *   1 课程简介.mp4

  *   2 回归问题概述.mp4

  *   3 误差项定义.mp4

  *   4 独立同分布的意义.mp4

  *   5 似然函数的作用.mp4

  *   6 参数求解.mp4

  *   7 梯度下降通俗解释.mp4

  *   8 参数更新方法.mp4

  *   9 优化参数设置.mp4

  *   10 线性回归整体模块概述.mp4

  *   11 初始化步骤.mp4

  *   12 实现梯度下降优化模块.mp4

  *   13 损失与预测模块.mp4

  *   14 数据与标签定义.mp4

  *   15 训练线性回归模型.mp4

  *   16 得到线性回归方程.mp4

  *   17 整体流程debug解读.mp4

  *   18 多特征回归模型.mp4

  *   19 非线性回归.mp4

  *   20 Sklearn工具包简介.mp4

  *   21 数据集切分.mp4

  *   22 交叉验证的作用.mp4

  *   23 交叉验证实验分析.mp4

  *   24 混淆矩阵.mp4

  *   25 评估指标对比分析.mp4

  *   26 阈值对结果的影响.mp4

  *   27 ROC曲线.mp4

  *   28 实验目标分析.mp4

  *   29 参数直接求解方法.mp4

  *   30 预处理对结果的影响.mp4

  *   31 梯度下降模块.mp4

  *   32 学习率对结果的影响.mp4

  *   33 随机梯度下降得到的效果.mp4

  *   34 MiniBatch方法.mp4

  *   35 不同策略效果对比.mp4

  *   36 多项式回归.mp4

  *   37 模型复杂度.mp4

  *   38 样本数量对结果的影响.mp4

  *   39 正则化的作用.mp4

  *   40 岭回归与lasso.mp4

  *   41 实验总结.mp4

  *   42 逻辑回归算法原理.mp4

  *   43 化简与求解.mp4

  *   44 多分类逻辑回归整体思路.mp4

  *   45 训练模块功能.mp4

  *   46 完成预测模块.mp4

  *   47 优化目标定义.mp4

  *   48 迭代优化参数.mp4

  *   49 梯度计算.mp4

  *   50 得出最终结果.mp4

  *   51 鸢尾花数据集多分类任务.mp4

  *   52 训练多分类模型.mp4

  *   53 准备测试数据.mp4

  *   54 决策边界绘制.mp4

  *   55 非线性决策边界.mp4

  *   56 逻辑回归实验概述.mp4

  *   57 概率结果随特征数值的变化.mp4

  *   58 可视化展示.mp4

  *   59 坐标棋盘制作.mp4

  *   60 分类决策边界展示分析.mp4

  *   61 多分类.softmax.mp4

  *   62 KMEANS算法概述.mp4

  *   63 KMEANS工作流程.mp4

  *   64 KMEANS迭代可视化展示.mp4

  *   65 DBSCAN聚类算法.mp4

  *   66 DBSCAN工作流程.mp4

  *   67 DBSCAN可视化展示.mp4

  *   68 Kmeans算法模块概述.mp4

  *   69 计算得到簇中心点.mp4

  *   70 样本点归属划分.mp4

  *   71 算法迭代更新.mp4

  *   72 鸢尾花数据集聚类任务.mp4

  *   73 聚类效果展示.mp4

  *   74 Kmenas算法常用操作.mp4

  *   75 聚类结果展示.mp4

  *   76 建模流程解读.mp4

  *   77 不稳定结果.mp4

  *   78 评估指标.Inertia.mp4

  *   79 如何找到合适的K值.mp4

  *   80 轮廓系数的作用.mp4

  *   81 Kmenas算法存在的问题.mp4

  *   82 半监督学习.mp4

  *   83 DBSCAN算法.mp4

  *   84 决策树算法概述.mp4

  *   85 熵的作用.mp4

  *   86 信息增益原理.mp4

  *   87 决策树构造实例.mp4

  *   88 信息增益率与gini系数.mp4

  *   89 预剪枝方法.mp4

  *   90 后剪枝方法.mp4

  *   91 回归问题解决.mp4

  *   92 整体模块概述.mp4

  *   93 递归生成树节点.mp4

  *   94 整体框架逻辑.mp4

  *   95 熵值计算.mp4

  *   96 数据集切分.mp4

  *   97 完成树模型构建.mp4

  *   98 测试算法效果.mp4

  *   99 随机森林算法原理.mp4

  *   100 随机森林优势与特征重要性指标.mp4

  *   101 提升算法概述.mp4

  *   102 stacking堆叠模型.mp4

  *   103 构建实验数据集.mp4

  *   104 硬投票与软投票效果对比.mp4

  *   105 Bagging策略效果.mp4

  *   106 集成效果展示分析.mp4

  *   107 OOB袋外数据的作用.mp4

  *   108 特征重要性热度图展示.mp4

  *   109 Adaboost算法概述.mp4

  *   110 Adaboost决策边界效果.mp4

  *   111 GBDT提升算法流程.mp4

  *   112 集成参数对比分析.mp4

  *   113 模型提前停止策略.mp4

  *   114 停止方案实施.mp4

  *   115 堆叠模型.mp4

  *   116 支持向量机要解决的问题.mp4

  *   117 距离与数据定义.mp4

  *   118 目标函数推导.mp4

  *   119 拉格朗日乘子法求解.mp4

  *   120 化简最终目标函数.mp4

  *   121 求解决策方程.mp4

  *   122 软间隔优化.mp4

  *   123 核函数的作用.mp4

  *   124 知识点总结.mp4

  *   125 支持向量机所能带来的效果.mp4

  *   126 决策边界可视化展示.mp4

  *   127 软间隔的作用.mp4

  *   128 非线性SVM.mp4

  *   129 核函数的作用与效果.mp4

  *   130 深度学习要解决的问题.mp4

  *   131 深度学习应用领域.mp4

  *   132 计算机视觉任务.mp4

  *   133 视觉任务中遇到的问题.mp4

  *   134 得分函数.mp4

  *   135 损失函数的作用.mp4

  *   136 前向传播整体流程.mp4

  *   137 返向传播计算方法.mp4

  *   138 神经网络整体架构.mp4

  *   139 神经网络架构细节.mp4

  *   140 神经元个数对结果的影响.mp4

  *   141 正则化与激活函数.mp4

  *   142 神经网络过拟合解决方法.mp4

  *   143 神经网络整体框架概述.mp4

  *   144 参数初始化操作.mp4

  *   145 矩阵向量转换.mp4

  *   146 向量反变换.mp4

  *   147 完成前向传播模块.mp4

  *   148 损失函数定义.mp4

  *   149 准备反向传播迭代.mp4

  *   150 差异项计算.mp4

  *   151 逐层计算.mp4

  *   152 完成全部迭代更新模块.mp4

  *   153 手写字体识别数据集.mp4

  *   154 算法代码错误修正.mp4

  *   155 模型优化结果展示.mp4

  *   156 测试效果可视化展示.mp4

  *   157 贝叶斯要解决的问题.mp4

  *   158 贝叶斯公式推导.mp4

  *   159 拼写纠错实例.mp4

  *   160 垃圾邮件过滤实例.mp4

  *   161 朴素贝叶斯算法整体框架.mp4

  *   162 邮件数据读取.mp4

  *   163 预料表与特征向量构建.mp4

  *   164 分类别统计词频.mp4

  *   165 贝叶斯公式对数变换.mp4

  *   166 完成预测模块.mp4

  *   167 关联规则概述.mp4

  *   168 支持度与置信度.mp4

  *   169 提升度的作用.mp4

  *   170 Python实战关联规则.mp4

  *   171 数据集制作.mp4

  *   172 电影数据集题材关联分析.mp4

  *   173 Apripri算法整体流程.mp4

  *   174 数据集demo.mp4

  *   175 扫描模块.mp4

  *   176 拼接模块.mp4

  *   177 挖掘频繁项集.mp4

  *   178 规则生成模块.mp4

  *   179 完成全部算法流程.mp4

  *   180 规则结果展示.mp4

  *   181 词向量模型通俗解释.mp4

  *   182 模型整体框架.mp4

  *   183 训练数据构建.mp4

  *   184 CBOW与Skip.gram模型.mp4

  *   185 负采样方案.mp4

  *   186 数据与任务流程.mp4

  *   187 数据清洗.mp4

  *   188 batch数据制作.mp4

  *   189 网络训练.mp4

  *   190 可视化展示.mp4

  *   191 推荐系统应用.mp4

  *   192 推荐系统要完成的任务.mp4

  *   193 相似度计算.mp4

  *   194 基于用户的协同过滤.mp4

  *   195 基于物品的协同过滤.mp4

  *   196 隐语义模型.mp4

  *   197 隐语义模型求解.mp4

  *   198 模型评估标准.mp4

  *   199 音乐推荐任务概述.mp4

  *   200 数据集整合.mp4

  *   201 基于物品的协同过滤.mp4

  *   202 物品相似度计算与推荐.mp4

  *   203 SVD矩阵分解.mp4

  *   204 基于矩阵分解的音乐推荐.mp4

  *   205 线性判别分析要解决的问题.mp4

  *   206 线性判别分析要优化的目标.mp4

  *   207 线性判别分析求解.mp4

  *   208 实现线性判别分析进行降维任务.mp4

  *   209 求解得出降维结果.mp4

  *   210 PCA基本概念.mp4

  *   211 PCA降维实例.mp4

  *   212 PCA结果推导.mp4

  *   213 方差与协方差.mp4

  *   214 马尔科夫模型.mp4

  *   215 隐马尔科夫模型基本出发点.mp4

  *   216 组成与要解决的问题.mp4

  *   217 暴力求解方法.mp4

  *   218 复杂度计算.mp4

  *   219 前向算法.mp4

  *   220 前向算法求解实例.mp4

  *   221 Baum.Welch算法.mp4

  *   222 参数求解.mp4

  *   223 维特比算法.mp4

  *   224 hmmlearn工具包.mp4

  *   225 工具包使用方法.mp4

  *   226 中文分词任务.mp4

  *   227 实现中文分词.mp4