📁 第1章 欢迎来到Python3玩转机器学习
📄 1-1 什么是机器学习.mp4 (55.7 MB)
📄 1-2课程涵盖的内容和理念.mp4 (42.6 MB)
📄 1-3课程所使用的技术栈.mp4 (56.9 MB)
📁 第2章 机器学习基础
📄 2-1 机器学习的数据.mp4 (48.3 MB)
📄 2-2 机器学习的主要任务.mp4 (59.0 MB)
📄 2-3 监督学习、非监督学习….mp4 (47.4 MB)
📄 2-4 批量、在线学习、参数、非参数学习.mp4 (24.8 MB)
📄 2-5 哲学思考.mp4 (25.0 MB)
📄 2-6 课程使用环境搭建.mp4 (91.8 MB)
📁 第3章 Jupyter Notebook ,numpy
📄 3-1 Jupyter Notebook基础.mp4 (88.5 MB)
📄 3-2Jupter Notebook 中的魔法命令.mp4 (103.5 MB)
📄 3-3 Numpy 数据基础.mp4 (39.0 MB)
📄 3-4 创建Numpy 数据和矩阵.mp4 (103.1 MB)
📄 3-5 Numpy数组和矩阵的基本操作.mp4 (66.3 MB)
📄 3-6 Numpy 数据和矩阵的合并与分割.mp4 (81.2 MB)
📄 3-7 Numpy中的矩阵运算.mp4 (120.4 MB)
📄 3-8 Numpy 中的聚合运算.mp4 (72.3 MB)
📄 3-9 Numpy中的arg运算.mp4 (50.8 MB)
📄 3-10 Numpy中的比较和Fancy lindexing.mp4 (103.4 MB)
📄 3-11 Matplotlib数据可视化基础.mp4 (101.2 MB)
📄 3-12 数据加载和简单的数据搜索.mp4 (73.1 MB)
📁 第4章 最基础的分类算法
📄 4-1 K近邻算法.mp4 (74.4 MB)
📄 4-2 scikit-learn机器学习算法封装.mp4 (145.1 MB)
📄 4-3 训练数据集.mp4 (122.5 MB)
📄 4-4 分类准确度.mp4 (130.5 MB)
📄 4-5 超参数.mp4 (92.3 MB)
📄 4-6 网络搜索与K邻近算法中更多超参数.mp4 (131.0 MB)
📄 4-7 数据归一化.mp4 (56.8 MB)
📄 4-8 Scikit-learn中的Scaler.mp4 (115.8 MB)
📄 4-9 更多有关K近邻算法的思考.mp4 (22.7 MB)
📁 第5章 线性回归法
📄 5-1 简单线性回归.mp4 (43.7 MB)
📄 5-2 最小乘法.mp4 (24.7 MB)
📄 5-3 简单线性回归的实现.mp4 (75.7 MB)
📄 5-4 衡量线性回归的指标.mp4 (56.6 MB)
📄 5-5 R Squared.mp4 (90.3 MB)
📄 5-6 最好的衡量线性回归法的指标.mp4 (56.1 MB)
📄 5-7多元线性回归和正规方程解.mp4 (33.3 MB)
📄 5-8 实现多元线性回归.mp4 (78.6 MB)
📄 5-9 使用Scilit-learn解决回归问题.mp4 (82.3 MB)
📄 5-10 线性回归的可解释性.mp4 (61.9 MB)
📁 第6章 梯度下降法
📄 6-1 什么是梯度下降法.mp4 (33.5 MB)
📄 6-2线性回归中的梯度下降法.mp4 (109.3 MB)
📄 6-3实现线性回归中的梯度下降法.mp4 (35.3 MB)
📄 6-4 实现线性回归中的梯度下降法.mp4 (84.2 MB)
📄 6-5 梯度下降法的向量化.mp4 (108.6 MB)
📄 6-6 随机梯度下降法.mp4 (77.4 MB)
📄 6-7 scikit-learn中的梯度下降法.mp4 (130.7 MB)
📄 6-8有关梯度下降法的更多深入讨论.mp4 (59.1 MB)
📄 6-9 有关梯度下降法的更多讨论.mp4 (18.1 MB)
📁 第7章 PCA与梯度上升法
📄 7-1 什么是PCA.mp4 (37.8 MB)
📄 7-2 求数据的主成分PCA问题.mp4 (20.2 MB)
📄 7-3 求数据的主成分.mp4 (96.8 MB)
📄 7-4 高维数据映射为低维数据（）.mp4 (73.3 MB)
📄 7-5 高纬数据映射为低纬数据.mp4 (92.3 MB)
📄 7-6 scikit-learn中的PCA.mp4 (111.2 MB)
📄 7-7 试手MNIST数据集.mp4 (61.9 MB)
📄 7-8 使用PCA对数据进行降噪.mp4 (67.7 MB)
📄 7-9 人脸识别与特征脸.mp4 (69.1 MB)
📁 第8章 多项式回归与模型泛化
📄 8-1 什么是多项式回归.mp4 (53.4 MB)
📄 8-2 scikit-learn 中的多项式回归.mp4 (80.5 MB)
📄 8-3 过拟合与欠拟合.mp4 (110.0 MB)
📄 8-4 为什么要训练数据集与测试数据集.mp4 (103.8 MB)
📄 8-5 学习曲线.mp4 (79.5 MB)
📄 8-6 验证数据集与交叉验证.mp4 (133.0 MB)
📄 8-7 偏差方差平衡.mp4 (35.5 MB)
📄 8-8 模型泛化与岭回归.mp4 (106.1 MB)
📄 8-9 LASSO.mp4 (69.9 MB)
📄 8-10 L1，L2弹性网络.mp4 (26.5 MB)
📁 第9章 逻辑回归
📄 9-1 什么是逻辑回归.mp4 (37.3 MB)
📄 9-2 逻辑回归的损失函数.mp4 (36.9 MB)
📄 9-3 逻辑回归损失函数的梯度.mp4 (48.9 MB)
📄 9-4 实现逻辑回归算法.mp4 (141.5 MB)
📄 9-5 决策边界.mp4 (98.8 MB)
📄 9-6 在逻辑回归中使用多项式特征.mp4 (72.4 MB)
📄 9-7 scikt-learn中的逻辑回归.mp4 (85.1 MB)
📄 9-8 OvR与OvO.mp4 (65.9 MB)
📁 第10章 评价分类结果
📄 10-1准确度的陷阱和混淆矩阵.mp4 (32.1 MB)
📄 10-2 准确率和召回率.mp4 (27.3 MB)
📄 10-3 现实混淆矩阵.mp4 (87.7 MB)
📄 10-4 F1 Score.mp4 (61.7 MB)
📄 10-5 准确率和召回率的平衡.mp4 (79.1 MB)
📄 10-6 准确率召回率曲线.mp4 (91.9 MB)
📄 10-7 ROC曲线.mp4 (58.2 MB)
📄 10-8 多分类问题中的混淆矩阵.mp4 (78.6 MB)
📁 第11章 支撑向量机SVM
📄 11-1 什么是SVM.mp4 (31.4 MB)
📄 11-2 svm背后的最优化问题.mp4 (44.4 MB)
📄 11-3 Soft Margin SVM.mp4 (35.4 MB)
📄 11-4 Scikit-learn 中的SVM.mp4 (89.6 MB)
📄 11-5 SVM中使用多项式特征和核函数.mp4 (61.5 MB)
📄 11-6 什么是核函数.mp4 (36.6 MB)
📄 11-7RBF核函数.mp4 (46.8 MB)
📄 11-8 RBF核函数中的gamma.mp4 (57.7 MB)
📄 11-9 SVM思想解决回归问题.mp4 (36.0 MB)
📁 第12章 决策树
📄 12-1 什么是决策树.mp4 (38.4 MB)
📄 12-2 信息熵.mp4 (39.8 MB)
📄 12-3 – 12-5.mp4 (252.8 MB)
📄 12-6 – 12-7 .mp4 (51.7 MB)
📁 第13章 集成学习和随机森林
📄 13章.mp4 (419.1 MB)
📁 第14章 更多机器学习算法
📄 14章 学习scikit-learn文档，大家加油！.mp4 (160.4 MB)
📄 github地址.txt (72.0 B)
📄 ISLR Seventh Printing.pdf (10.6 MB)
📄 Mastering Feature Engineering Principles and Techniques for Data Scientists (Early Release)-O’reilly (2016).pdf (3.6 MB)
]
评论(0)