慕课：[慕课网]Python3入门机器学习_经典算法与应用

第01章 欢迎来到python3玩转机器学习 [168.96M]

说明

1-1 什么是机器学习.mp4 [65.58M]

1-2课程涵盖的内容和理念.mp4 [42.64M]

1-3课程所使用的技术栈.mp4 [56.89M]

课程补充.mp4 [3.84M]

第02章 机器学习基础 [296.82M]

2-1 机器学习的数据.mp4 [48.90M]

2-2 机器学习的主要任务.mp4 [58.97M]

2-3 监督学习、非监督学习….mp4 [47.35M]

2-4 批量、在线学习、参数、非参数学习.mp4 [24.84M]

2-5 哲学思考.mp4 [24.97M]

2-6 课程使用环境搭建.mp4 [91.78M]

第03章 jupyter notebook ,numpy [996.53M]

3-1 jupyter notebook基础.mp4 [82.05M]

3-10 numpy中的比较和fancy lindexing.mp4 [103.36M]

3-11 matplotlib数据可视化基础.mp4 [101.25M]

3-12 数据加载和简单的数据搜索.mp4 [73.13M]

3-2jupter notebook 中的魔法命令.mp4 [103.49M]

3-3 numpy 数据基础.mp4 [39.05M]

3-4 创建numpy 数据和矩阵.mp4 [103.14M]

3-5 numpy数组和矩阵的基本操作.mp4 [66.29M]

3-6 numpy 数据和矩阵的合并与分割.mp4 [81.22M]

3-7 numpy中的矩阵运算.mp4 [120.38M]

3-8 numpy 中的聚合运算.mp4 [72.34M]

3-9 numpy中的arg运算.mp4 [50.83M]

第04章 最基础的分类算法 [891.08M]

4-1 k近邻算法.mp4 [74.44M]

4-2 scikit-learn机器学习算法封装.mp4 [145.12M]

4-3 训练数据集.mp4 [122.47M]

4-4 分类准确度.mp4 [130.51M]

4-5 超参数.mp4 [92.30M]

4-6 网络搜索与k邻近算法中更多超参数.mp4 [131.02M]

4-7 数据归一化.mp4 [56.81M]

4-8 scikit-learn中的scaler.mp4 [115.75M]

4-9 更多有关k近邻算法的思考.mp4 [22.66M]

第05章 线性回归法 [603.19M]

说明

5-1 简单线性回归.mp4 [43.75M]

5-10 线性回归的可解释性.mp4 [61.85M]

5-2 最小乘法.mp4 [24.65M]

5-3 简单线性回归的实现.mp4 [75.69M]

5-4 衡量线性回归的指标.mp4 [56.59M]

5-5 r squared.mp4 [90.33M]

5-6 最好的衡量线性回归法的指标.mp4 [56.12M]

5-7多元线性回归和正规方程解.mp4 [33.28M]

5-8 实现多元线性回归.mp4 [78.59M]

5-9 使用scilit-learn解决回归问题.mp4 [82.34M]

第06章 梯度下降法 [656.04M]

说明

6-1 什么是梯度下降法.mp4 [33.49M]

6-2线性回归中的梯度下降法.mp4 [109.29M]

6-3实现线性回归中的梯度下降法.mp4 [35.27M]

6-4 实现线性回归中的梯度下降法.mp4 [84.18M]

6-5 梯度下降法的向量化.mp4 [108.59M]

6-6 随机梯度下降法.mp4 [77.40M]

6-7 scikit-learn中的梯度下降法.mp4 [130.65M]

6-8有关梯度下降法的更多深入讨论.mp4 [59.09M]

6-9 有关梯度下降法的更多讨论.mp4 [18.08M]

第07章 pca与梯度上升法 [630.22M]

说明

7-1 什么是pca.mp4 [37.78M]

7-2 求数据的主成分pca问题.mp4 [20.17M]

7-3 求数据的主成分.mp4 [96.85M]

7-4 高维数据映射为低维数据.mp4 [73.25M]

7-5 高纬数据映射为低纬数据.mp4 [92.26M]

7-6 scikit-learn中的pca.mp4 [111.24M]

7-7 试手mnist数据集.mp4 [61.85M]

7-8 使用pca对数据进行降噪.mp4 [67.71M]

7-9 人脸识别与特征脸.mp4 [69.10M]

第08章 多项式回归与模型泛化 [798.06M]

说明

8-1 什么是多项式回归.mp4 [53.41M]

8-10 l1，l2弹性网络.mp4 [26.47M]

8-2 scikit-learn 中的多项式回归.mp4 [80.46M]

8-3 过拟合与欠拟合.mp4 [109.96M]

8-4 为什么要训练数据集与测试数据集.mp4 [103.78M]

8-5 学习曲线.mp4 [79.53M]

8-6 验证数据集与交叉验证.mp4 [132.98M]

8-7 偏差方差平衡.mp4 [35.51M]

8-8 模型泛化与岭回归.mp4 [106.05M]

8-9 lasso.mp4 [69.89M]

第09章 逻辑回归 [586.87M]

说明

9-1 什么是逻辑回归.mp4 [37.33M]

9-2 逻辑回归的损失函数.mp4 [36.88M]

9-3 逻辑回归损失函数的梯度.mp4 [48.94M]

9-4 实现逻辑回归算法.mp4 [141.51M]

9-5 决策边界.mp4 [98.85M]

9-6 在逻辑回归中使用多项式特征.mp4 [72.41M]

9-7 scikt-learn中的逻辑回归.mp4 [85.09M]

9-8 ovr与ovo.mp4 [65.86M]

第10章 评价分类结果 [516.54M]

说明

10-1准确度的陷阱和混淆矩阵.mp4 [32.12M]

10-2 准确率和召回率.mp4 [27.28M]

10-3 现实混淆矩阵.mp4 [87.66M]

10-4 f1 score.mp4 [61.67M]

10-5 准确率和召回率的平衡.mp4 [79.09M]

10-6 准确率召回率曲线.mp4 [91.92M]

10-7 roc曲线.mp4 [58.24M]

10-8 多分类问题中的混淆矩阵.mp4 [78.56M]

第11章 支撑向量机svm [439.36M]

说明

11-1 什么是svm.mp4 [31.40M]

11-2 svm背后的最优化问题.mp4 [44.39M]

11-3 soft margin svm.mp4 [35.41M]

11-4 scikit-learn 中的svm.mp4 [89.58M]

11-5 svm中使用多项式特征和核函数.mp4 [61.53M]

11-6 什么是核函数.mp4 [36.60M]

11-7rbf核函数.mp4 [46.77M]

11-8 rbf核函数中的gamma.mp4 [57.67M]

11-9 svm思想解决回归问题.mp4 [36.03M]

第12章 决策树 [382.65M]

12-1 什么是决策树.mp4 [38.37M]

12-2 信息熵.mp4 [39.82M]

12-3 – 12-5.mp4 [252.76M]

12-6 – 12-7 .mp4 [51.70M]

第13章 集成学习和随机森林 [419.11M]

说明

13章.mp4 [419.11M]

第14章 更多机器学习算法 [160.37M]

说明

14章 学习scikit-learn文档，大家加油！.mp4 [160.37M]

github地址.txt [0.07K]

islr seventh printing.pdf [10.64M]

mastering feature engineering principles and techniques for data scientists (early release)-o’reilly (2016).pdf [3.57M]

project.zip [124.81K]