扫码支付

购买商品:
商品价格:

价格读取中

支付方式:
微信

请扫码进行支付

支付宝

请扫码进行支付

二维码已过期,请点击刷新

  • 课程> 人工智能> 机器学习
  • python数据分析与机器学习实战

    本课程支持以下优惠:

  • 由百度云提供技术支持
    课程目录
    第一章:Python科学计算库Numpy
    • 1. 机器学习概述(数据代码下载->) (免费)
    • 10:03
    • 2. 课程简介 (免费)
    • 1:38
    • 3. 使用Anaconda安装python环境
    • 13:10
    • 4. Eclipse配置python插件
    • 5:23
    • 5. Numpy基础操作 (免费)
    • 10:32
    • 6. Numpy数组结构
    • 10:41
    • 7. Numpy矩阵基础
    • 5:55
    • 8. Numpy常用函数
    • 12:01
    • 9. Numpy矩阵操作
    • 10:18
    • 10. 复制操作对比
    • 10:49
    第二章:python数据分析处理库-Pandas
    • 1. Pandas数据读取 (免费)
    • 11:50
    • 2. Pandas索引与计算
    • 10:26
    • 3. Pandas数据预处理实例
    • 13:01
    • 4. Pandas常用预处理方法
    • 11:11
    • 5. Pandas自定义函数
    • 7:44
    • 6. Series基本结构
    • 12:29
    第三章:Python数据可视化库-Matplotlib
    • 1. Matplotlib完成简易折线图 (免费)
    • 8:24
    • 2. Matplotlib子图操作
    • 14:04
    • 3. Matplotlib条形图与散点图
    • 10:11
    • 4. Matplotlib柱形图和盒图 (免费)
    • 10:16
    • 5. Matplotlib子图细节
    • 6:12
    第四章:回归算法
    • 1. 回归算法综述
    • 9:41
    • 2. 线性回归误差原理推导
    • 13:00
    • 3. 回归算法目标函数求解
    • 12:04
    • 4. 逻辑回归原理
    • 6:12
    • 5. 梯度下降原理
    • 7:58
    • 6. 梯度下降实例
    • 12:40
    第五章:决策树
    • 1. 决策树算法概述
    • 9:40
    • 2. 熵原理形象解读
    • 13:19
    • 3. 决策树构造实例
    • 11:00
    • 4. 信息增益原理
    • 5:26
    • 5. 信息增益率的作用
    • 16:38
    • 6. 决策树剪枝策略
    • 12:07
    • 7. 随机森林模型
    • 9:14
    • 8. 决策树中所涉及的参数
    • 17:48
    第六章:支持向量机
    • 1. 支持向量机要解决的问题
    • 5:21
    • 2. 支持向量机求解目标
    • 12:40
    • 3. 支持向量机目标函数
    • 10:15
    • 4. 支持向量机求解实例
    • 11:42
    • 5. 支持向量的作用
    • 8:54
    • 6. 软间隔支持向量机
    • 6:59
    • 7. 支持向量机核函数变换
    • 14:29
    • 8. SMO算法求解支持向量机
    • 29:29
    第七章:神经网络
    • 1. 计算机视觉领域的挑战与机器学习常规套路
    • 9:40
    • 2. K近邻来进行图像分类任务
    • 10:01
    • 3. 超参数与交叉验证
    • 10:30
    • 4. 线性分类
    • 9:34
    • 5. 损失函数
    • 9:17
    • 6. 神经网络正则化惩罚项
    • 7:19
    • 7. softmax分类器
    • 13:38
    • 8. 反向传播原理
    • 15:16
    • 9. 神经网络-最优化问题
    • 6:46
    • 10. 神经网络梯度下降原理
    • 11:48
    • 11. 神经网络整体架构
    • 10:11
    • 12. 神经网络实例演示
    • 10:38
    • 13. 过拟合解决方案
    • 15:53
    • 14. 感受神经网络的强大
    • 11:30
    第八章:Xgboost集成算法
    • 1. 集成算法思想
    • 5:35
    • 2. xgboost基本原理
    • 11:07
    • 3. xgboost目标函数推导
    • 12:17
    • 4. xgboost求解实例
    • 11:29
    • 5. xgboost安装
    • 3:31
    • 6. xgboost实战演示
    • 14:43
    • 7. Adaboost算法原理
    • 18:33
    • 8. Adaboost实例
    • 9:09
    第九章:自然语言处理词向量模型-Word2Vec
    • 1. 自然语言处理与深度学习
    • 11:58
    • 2. 语言模型
    • 6:15
    • 3. N-gram模型
    • 8:32
    • 4. 词向量
    • 9:27
    • 5. 神经网络模型
    • 10:02
    • 6. Hierarchical Softmax
    • 10:01
    • 7. CBOW模型实例
    • 11:20
    • 8. CBOW求解目标
    • 5:39
    • 9. 梯度上升求解
    • 10:10
    • 10. 负采样模型
    • 7:15
    第一十章:K近邻与聚类
    • 1. K近邻算法原理
    • 12:33
    • 2. K近邻算法代码实现
    • 18:43
    • 3. 无监督聚类问题
    • 16:04
    • 4. 聚类结果与离群点分析
    • 12:55
    • 5. K-means聚类案例NBA球员评估
    • 14:23
    • 6. 使用Kmeans进行图像压缩
    • 7:58
    第一十一章:PCA降维与矩阵分解
    • 1. PCA降维原理
    • 10:48
    • 2. PCA降维实例
    • 8:33
    • 3. SVD奇异值分解原理
    • 7:35
    • 4. SVD推荐系统实例
    • 11:44
    第一十二章:Scikit-Learn模型建立与评估
    • 1. 使用python库分析汽车油耗效率
    • 15:08
    • 2. 使用scikit-learn库建立回归模型
    • 14:02
    • 3. 使用逻辑回归改进模型效果
    • 13:12
    • 4. 模型效果衡量标准
    • 20:08
    • 5. ROC指标与测试集价值
    • 14:31
    • 6. 交叉验证
    • 15:15
    • 7. 多类别问题
    • 15:51
    • 8. 特征工程的意义 (免费)
    • 11:52
    • 9. BenchMark的作用
    • 8:33
    第一十三章:泰坦尼克获救预测
    • 1. 船员数据分析 (免费)
    • 6:09
    • 2. 数据预处理 (免费)
    • 13:35
    • 3. 使用回归算法进行预测
    • 14:30
    • 4. 使用随机森林改进模型
    • 12:56
    • 5. 随机森林特征重要性衡量
    • 10:39
    第一十四章:使用Gensim库构造中文维基百科词向量模型
    • 1. 使用Gensim库构造词向量
    • 6:21
    • 2. 维基百科中文数据处理
    • 10:26
    • 3. Gensim构造word2vec模型
    • 8:51
    • 4. 测试模型相似度结果
    • 7:42
    第一十五章:贷款申请最大利润
    • 1. 数据清洗过滤无用特征
    • 12:07
    • 2. 数据预处理
    • 10:12
    • 3. 获得最大利润的条件与做法
    • 13:25
    • 4. 预测结果并解决样本不均衡问题
    • 12:46
    第一十六章:用户流失预警
    • 1. 数据背景介绍
    • 6:35
    • 2. 数据预处理
    • 10:04
    • 3. 尝试多种分类器效果
    • 8:32
    • 4. 结果衡量指标意义
    • 19:50
    • 5. 应用阈值得出结果
    • 6:26
    第一十七章:HTTP日志聚类
    • 1. 建立特征工程
    • 17:24
    • 2. 特征数据预处理
    • 10:33
    • 3. 应用聚类算法得出异常点
    • 17:59
    • 4. Adaboost实现代码
    • 19:36
    • 5. 基于贝叶斯的垃圾邮件分类案例
    • 21:11
    • 6. 打造拼写检查器
    • 9:19
    • 【课程类型】实战教学 【难度级别】高级 【适合人群】所有人
    • 【课程介绍】
      课程风格通俗易懂,真实案例实战。精心挑选真实的数据集为案例,通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础,所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合,选择经典kaggle项目,从数据预处理开始一步步代码实战带大家快速入门机器学习。
    • 【课程目标】
      课程目标:零基础快速掌握python数据分析与机器学习算法实战,快速入门python最流行的数据分析库numpy,pandas,matplotlib。对于繁琐的机器学习算法,先从原理上进行推导,以算法流程为主结合实际案例完成算法代码,使用scikit-learn机器学习库完成快速建立模型,评估以及预测。结合经典kaggle案例,从数据预处理开始一步步完成整个项目,使大家对如何应用python库完成实际的项目有完整的经验与概念。
    • 【课程计划】
      根据同学们的反馈更新,如果需要课程资料或者对课程有任何问题欢迎随时与我讨论 QQ:474241623

    第一章:Python科学计算库Numpy
    2 课程简介
    1:38

    第二章:python数据分析处理库-Pandas

    第三章:Python数据可视化库-Matplotlib

    第四章:回归算法

    第五章:决策树

    第六章:支持向量机

    第七章:神经网络
    4 线性分类
    9:34
    5 损失函数
    9:17

    第八章:Xgboost集成算法
    5 xgboost安装
    3:31

    第九章:自然语言处理词向量模型-Word2Vec
    2 语言模型
    6:15
    3 N-gram模型
    8:32
    4 词向量
    9:27
    10 负采样模型
    7:15

    第一十章:K近邻与聚类

    第一十一章:PCA降维与矩阵分解
    1 PCA降维原理
    10:48

    第一十二章:Scikit-Learn模型建立与评估
    6 交叉验证
    15:15
    7 多类别问题
    15:51

    第一十三章:泰坦尼克获救预测
    2 数据预处理
    13:35

    第一十四章:使用Gensim库构造中文维基百科词向量模型

    第一十五章:贷款申请最大利润
    2 数据预处理
    10:12

    第一十六章:用户流失预警
    2 数据预处理
    10:04

    第一十七章:HTTP日志聚类

    全部评价(19
    好评(16
    中评(3
    差评(0
    课程顺序有问题
    2017-10-03 22:17:03
    老是的数据集和代码能不能提供一下啊
    2017-09-18 14:49:52
    课程讲的非常好,对于小白我来说,都非常能通俗易懂,不错的资料,值了!
    2017-08-29 12:28:02
    课程讲的非常好,对于小白我来说,都非常能通俗易懂,不错的资料,值了!
    源码怎么下载
    2017-08-23 23:07:20
    xgboost这一章没有PPT?
    2017-08-14 22:42:11
    为什么已经购买的课程,看的时候还是会提醒需要交费购买?
    2017-07-23 09:42:16
    求课程配套资料啊!!!
    2017-06-26 14:04:52
    资料下载位置,电脑端播放器时,不是右侧的目录,而是下方的目录选项卡,注意课时右方的下载标志~~~ 不难找到吧
    2017-06-23 01:38:57
    实在找不到,5000元我给你发一份,估计你就找到了
    还是没找到哪里下载ppt或者代码?
    2017-06-08 07:45:24
    课程讲述的非常细,虽然自身是小白学习来太费劲,最起码不会一点听不懂,而且跟老师说明问题,立马就回复,而且给学习资料,加油大家。
    2017-06-07 16:25:35
    唐宇迪
    29课程238659学员
    计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战专家。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的最新算法。 参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂。