Python3入门机器学习经典算法与应用

第10章评价分类结果
10-1准确度的陷阱和混淆矩阵.mp438.30M
10-2精准率和召回率.mp429.54M
10-3.mp4103.77M
10-4.mp469.37M
10-5.mp491.68M
10-6.mp484.97M
10-7.mp465.70M
10-8.mp495.30M
第11章支撑向量机SVM
11-1.mp438.28M
11-2.mp451.14M
11-3.mp439.69M
11-4.mp4117.94M
11-5.mp484.85M
11-6.mp440.05M
11-7.mp451.95M
11-8.mp476.38M
11-9.mp491.60M
第12章决策树
12-1.mp457.42M
12-2信息熵.mp448.50M
12-3使用信息熵寻找最优划分.mp4137.06M
12-4基尼系数.mp466.53M
12-5CART与决策树中的超参数.mp461.13M
12-6.mp438.03M
12-7.mp432.84M
第13章集成学习和随机森林
13-1什么是集成学习.mp453.46M
13-2SoftVotingClassifier.mp428.36M
13-3Bagging和Pasting.mp433.44M
13-4oob（Out-of-Bag）和关于Bagging的更多讨论.mp431.85M
13-5随机森林和Extra-Trees.mp425.99M
13-6AdaBoosting和GradientBoosting.mp428.67M
13-7Stacking.mp411.50M
第14章更多机器学习算法
14-1学习scikit-learn文档.mp466.49M
第1章欢迎来到Python3玩转机器学习
1-1导学.mp468.13M
1-2课程涵盖的内容和理念.mp490.20M
1-3课程所使用的主要技术栈.mp459.76M
第2章机器学习基础
2-1机器学习世界的数据.mp424.19M
2-2机器学习的主要任务.mp421.89M
2-3监督学习，非监督学习，半监督学习和增强学习.mp423.74M
2-4批量学习，在线学习，参数学习和非参数学习.mp415.22M
2-5和机器学习相关的哲学思考.mp415.47M
第3章JupyterNotebook,numpy和m
3-1jupyternotebook基础.mp4169.23M
3-10Numpy中的比较和FancyIndexing.mp4190.65M
3-11Matplotlib数据可视化基础.mp4153.48M
3-12数据加载和简单的数据探索.mp4112.89M
3-2jupyternotebook中的魔法命令.mp4189.47M
3-3Numpy数据基础.mp468.20M
3-4创建numpy数组和矩阵.mp4188.08M
3-5Numpy数组的基本操作.mp4119.05M
3-6Numpy数组的合并与分割.mp4156.53M
3-7Numpy中的矩阵运算.mp4205.96M
3-8Numpy中的聚合运算.mp4107.92M
3-9Numpy中的arg运算.mp495.42M
第4章最基础的分类算法-k近邻算法kNN
4-1k近邻算法基础.mp4136.81M
4-2scikit-learn中的机器学习算法封装.mp4206.27M
4-3训练数据集，测试数据集.mp4213.34M
4-4分类准确度.mp4174.77M
4-5超参数.mp4207.20M
4-6网格搜索与k近邻算法中更多超参数.mp4168.06M
4-7数据归一化.mp4105.87M
4-8scikit-learn中的Scaler.mp4185.31M
4-9更多有关k近邻算法的思考.mp432.96M
第5章线性回归法
5-1简单线性回归.mp463.86M
5-10线性回归的可解性和更多思考.mp486.80M
5-2最小二乘法.mp433.46M
5-3简单线性回归的实现.mp4130.36M
5-4向量化.mp4105.40M
5-5衡量线性回归法的指标MSE,RMS,MAE.mp4183.31M
5-6最好的衡量线性回归法的指标RSquared.mp4109.94M
5-7多元线性回归和正规方程解.mp444.04M
5-8实现多元线性回归.mp4118.66M
5-9使用scikit-learn解决回归问题.mp4118.16M
第6章梯度下降法
6-1什么是梯度下降法.mp444.18M
6-2模拟实现梯度下降法.mp4185.39M
6-3线性回归中的梯度下降法.mp470.44M
6-4实现线性回归中的梯度下降法.mp4136.93M
6-5梯度下降的向量化和数据标准化.mp4203.32M
6-6随机梯度下降法.mp4160.20M
6-7scikit-learn中的随机梯度下降法.mp4132.43M
6-8如何确定梯度计算的准确性调试梯度下降法.mp4113.13M
6-9有关梯度下降法的更多深入讨论.mp424.82M
第7章PCA与梯度上升法
7-1什么是PCA.mp451.14M
7-2使用梯度上升法求解PCA问题.mp427.38M
7-3求数据的主成分PCA.mp4178.62M
7-4求数据的前n个主成分.mp4125.31M
7-5高维数据映射为低维数据.mp4168.63M
7-6scikit-learn中的PCA.mp4172.37M
7-7试手MNIST数据集.mp4112.91M
7-8使用PCA对数据进行降噪.mp499.19M
7-9人脸识别与特征脸.mp4131.88M
第8章多项式回归与模型泛化
8-1什么是多项式回归.mp475.14M
8-10L1,L2和弹性网络.mp434.17M
8-2scikit-learn中的多项式回归于pipeline.mp4146.46M
8-3过拟合与前拟合.mp4131.73M
8-4为什么要训练数据集与测试数据集.mp4144.40M
8-5学习曲线.mp4134.28M
8-6验证数据集与交叉验证.mp4222.57M
8-7偏差方差平衡.mp457.76M
8-8模型泛化与岭回归.mp4180.28M
8-9LASSO.mp4115.12M
第9章逻辑回归
9-1什么是逻辑回归.mp458.04M
9-2逻辑回归的损失函数.mp455.92M
9-3逻辑回归损失函数的梯度.mp480.28M
9-4实现逻辑回归算法.mp4123.35M
9-5决策边界.mp4193.53M
9-6在逻辑回归中使用多项式特征.mp4137.41M
9-7scikit-learn中的逻辑回归.mp4167.15M
9-8OvR与OvO.mp4124.92M
project(1).zip5.55kb
project0.zip4.73M