慕课：Python3入门机器学习经典算法与应用

第10章 评价分类结果 [578.63M]

说明

10-1 准确度的陷阱和混淆矩阵.mp4 [38.30M]

10-2 精准率和召回率.mp4 [29.54M]

10-3.mp4 [103.77M]

10-4.mp4 [69.37M]

10-5.mp4 [91.68M]

10-6.mp4 [84.97M]

10-7.mp4 [65.70M]

10-8.mp4 [95.30M]

第11章 支撑向量机 svm [591.88M]

说明

更多【集智小屋】 11-1.mp4 [38.28M]

更多【集智小屋】 11-2.mp4 [51.14M]

更多【集智小屋】 11-3.mp4 [39.69M]

更多【集智小屋】 11-4.mp4 [117.94M]

更多【集智小屋】 11-5.mp4 [84.85M]

更多【集智小屋】 11-6.mp4 [40.05M]

更多【集智小屋】 11-7.mp4 [51.95M]

更多【集智小屋】 11-8.mp4 [76.38M]

更多【集智小屋】 11-9.mp4 [91.60M]

第12章 决策树 [441.51M]

说明

更多【集智小屋】 12-1.mp4 [57.42M]

更多【集智小屋】 12-2 信息熵.mp4 [48.50M]

更多【集智小屋】 12-3 使用信息熵寻找最优划分.mp4 [137.06M]

更多【集智小屋】 12-4 基尼系数.mp4 [66.53M]

更多【集智小屋】 12-5 cart与决策树中的超参数.mp4 [61.13M]

更多【集智小屋】 12-6.mp4 [38.03M]

更多【集智小屋】 12-7.mp4 [32.84M]

第13章 集成学习和随机森林 [213.28M]

说明

13-1什么是集成学习.mp4 [53.46M]

13-2 softvoting classifier.mp4 [28.36M]

13-3 bagging和pasting.mp4 [33.44M]

13-4 oob（out-of-bag）和关于bagging的更多讨论.mp4 [31.85M]

13-5 随机森林和extra-trees.mp4 [25.99M]

13-6 ada boosting和gradient boosting.mp4 [28.67M]

13-7 stacking.mp4 [11.50M]

第14章 更多机器学习算法 [66.49M]

14-1 学习scikit-learn文档.mp4 [66.49M]

第1章 欢迎来到 python3 玩转机器学习 [218.09M]

更多【集智小屋】 1-1导学.mp4 [68.13M]

更多【集智小屋】 1-2 课程涵盖的内容和理念.mp4 [90.20M]

更多【集智小屋】 1-3 课程所使用的主要技术栈.mp4 [59.76M]

第2章 机器学习基础 [374.59M]

说明

【qq：】 2-1 机器学习世界的数据.mp4 [84.28M]

【qq：】 2-3 监督学习，非监督学习，半监督学习和增强学习.mp4 [93.55M]

【qq：】 2-5 和机器学习相关的哲学思考.mp4 [36.78M]

2-2 机器学习的主要任务.mp4 [126.54M]

2-4 批量学习，在线学习，参数学习和非参数学习.mp4 [33.44M]

第3章 jupyter notebook, numpy和m [1.72G]

说明

3-1 jupyter notebook基础.mp4 [169.23M]

3-10 numpy中的比较和fancyindexing.mp4 [190.65M]

3-11 matplotlib数据可视化基础.mp4 [153.48M]

3-12 数据加载和简单的数据探索.mp4 [112.89M]

3-2 jupyter notebook中的魔法命令.mp4 [189.47M]

3-3 numpy数据基础.mp4 [68.20M]

3-4 创建numpy数组和矩阵.mp4 [188.08M]

3-5 numpy数组的基本操作.mp4 [119.05M]

3-6 numpy数组的合并与分割.mp4 [156.53M]

3-7 numpy中的矩阵运算.mp4 [205.96M]

3-8 numpy中的聚合运算.mp4 [107.92M]

3-9 numpy中的arg运算.mp4 [95.42M]

第4章 最基础的分类算法-k近邻算法 knn [1.40G]

4-1 k近邻算法基础.mp4 [136.81M]

4-2 scikit-learn中的机器学习算法封装.mp4 [206.27M]

4-3 训练数据集，测试数据集.mp4 [213.34M]

4-4 分类准确度.mp4 [174.77M]

4-5 超参数.mp4 [207.20M]

4-6 网格搜索与k近邻算法中更多超参数.mp4 [168.06M]

4-7 数据归一化.mp4 [105.87M]

4-8 scikit-learn中的scaler.mp4 [185.31M]

4-9 更多有关k近邻算法的思考.mp4 [32.96M]

第5章 线性回归法 [993.97M]

5-1 简单线性回归.mp4 [63.86M]

5-10 线性回归的可解性和更多思考.mp4 [86.80M]

5-2 最小二乘法.mp4 [33.46M]

5-3 简单线性回归的实现.mp4 [130.36M]

5-4 向量化.mp4 [105.40M]

5-5 衡量线性回归法的指标 mse,rms,mae.mp4 [183.31M]

5-6 最好的衡量线性回归法的指标 r squared.mp4 [109.94M]

5-7 多元线性回归和正规方程解.mp4 [44.04M]

5-8 实现多元线性回归.mp4 [118.66M]

5-9 使用scikit-learn解决回归问题.mp4 [118.16M]

第6章 梯度下降法 [1.05G]

说明

6-1 什么是梯度下降法.mp4 [44.18M]

6-2 模拟实现梯度下降法.mp4 [185.39M]

6-3 线性回归中的梯度下降法.mp4 [70.44M]

6-4 实现线性回归中的梯度下降法.mp4 [136.93M]

6-5 梯度下降的向量化和数据标准化.mp4 [203.32M]

6-6 随机梯度下降法.mp4 [160.20M]

6-7 scikit-learn中的随机梯度下降法.mp4 [132.43M]

6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4 [113.13M]

6-9 有关梯度下降法的更多深入讨论.mp4 [24.82M]

第7章 pca与梯度上升法 [1.04G]

说明

7-1 什么是pca.mp4 [51.14M]

7-2 使用梯度上升法求解pca问题.mp4 [27.38M]

7-3 求数据的主成分pca.mp4 [178.62M]

7-4 求数据的前n个主成分.mp4 [125.31M]

7-5 高维数据映射为低维数据.mp4 [168.63M]

7-6 scikit-learn中的pca.mp4 [172.37M]

7-7 试手mnist数据集.mp4 [112.91M]

7-8 使用pca对数据进行降噪.mp4 [99.19M]

7-9 人脸识别与特征脸.mp4 [131.88M]

第8章 多项式回归与模型泛化 [1.21G]

说明

8-1 什么是多项式回归.mp4 [75.14M]

8-10 l1,l2和弹性网络.mp4 [34.17M]

8-2 scikit-learn中的多项式回归于pipeline.mp4 [146.46M]

8-3 过拟合与前拟合.mp4 [131.73M]

8-4 为什么要训练数据集与测试数据集.mp4 [144.40M]

8-5 学习曲线.mp4 [134.28M]

8-6 验证数据集与交叉验证.mp4 [222.57M]

8-7 偏差方差平衡.mp4 [57.76M]

8-8 模型泛化与岭回归.mp4 [180.28M]

8-9 lasso.mp4 [115.12M]

第9章 逻辑回归 [940.59M]

9-1 什么是逻辑回归.mp4 [58.04M]

9-2 逻辑回归的损失函数.mp4 [55.92M]

9-3 逻辑回归损失函数的梯度.mp4 [80.28M]

9-4 实现逻辑回归算法.mp4 [123.35M]

9-5 决策边界.mp4 [193.53M]

9-6 在逻辑回归中使用多项式特征.mp4 [137.41M]

9-7 scikit-learn中的逻辑回归.mp4 [167.15M]

9-8 ovr与ovo.mp4 [124.92M]

说明

project (1).zip [5.55K]

project0.zip [4.73M]