Python机器学习进阶实战视频教学

第一章：降维算法-线性判别分析

• 1. 线性判别分析要解决的问题 12:20
• 2. 线性判别分析要优化的目标 12:03
• 3. 线性判别分析求解 课件付费后下载 12:08
• 4. 实现线性判别分析进行降维任务 10:19
• 5. 求解得出降维结果 8:55

第二章：推荐系统

• 1. 推荐系统应用 10:34
• 2. 推荐系统要完成的任务 6:39
• 3. 相似度计算 10:46
• 4. 基于用户的协同过滤 10:02
• 5. 基于物品的协同过滤 14:45
• 6. 隐语义模型 7:31
• 7. 隐语义模型求解 9:45
• 8. 模型评估标准 7:43

第三章：Python从零打造音乐推荐系统

• 1. 音乐推荐任务概述 17:35
• 2. 数据集整合 8:19
• 3. 基于物品的协同过滤 13:18
• 4. 物品相似度计算与推荐 19:14
• 5. SVD矩阵分解 16:54
• 6. 基于矩阵分解的音乐推荐 14:44

第四章：基于统计分析的电影推荐

• 1. 数据与环境配置 12:54
• 2. 数据与关键词信息 10:09
• 3. 关键词云与直方图展示 6:16
• 4. 特征可视化 9:12
• 5. 数据清洗概述 9:09
• 6. 缺失值填充方法 7:55
• 7. 推荐引擎构造 10:48
• 8. 数据特征构造 9:43
• 9. 得出推荐结果 10:53

第五章：数据特征

• 1. 基本数值特征 11:14
• 2. 常用特征构造手段 13:53
• 3. 时间特征处理 13:04
• 4. 文本特征处理 20:24
• 5. 构造文本向量 11:45
• 6. 词向量特征 13:55
• 7. 计算机眼中的图像 5:46

第六章： GBDT提升算法

• 1. 回归树模型 9:24
• 2. Adaboost算法 7:08
• 3. GBDT工作流程 8:59
• 4. 回归任务 4:29
• 5. 分类任务 9:28
• 6. 迭代可视化 7:46

第七章： xgboost-gbdt-lightgbm提升算法框架对比

• 1. GBDT效果 6:37
• 2. Xgboost效果 7:07
• 3. lightGBM效果 10:50

第八章： 使用lightgbm进行饭店流量预测

• 1. 饭店流量数据介绍 9:37
• 2. 数据汇总 8:56
• 3. 离群点筛选 5:38
• 4. 特征提取 12:44
• 5. lightgbm建模 7:11

第九章： 人口普查数据集项目实战-收入预测

• 1. 人口普查预测任务概述 10:18
• 2. 单特征与缺失值展示 12:30
• 3. 数据清洗 6:41
• 4. 特征工程 11:20
• 5. 单变量展示 7:21
• 6. 双变量分析 10:03
• 7. 开发新变量 7:58
• 8. ROC与AUC 13:54
• 9. 机器学习模型 7:18

第一十章：贝叶斯优化及其工具包使用

• 1. 贝叶斯优化概述 7:58
• 2. 工具包使用方法 8:49
• 3. 贝叶斯优化效果 7:47
• 4. 调整参数空间 8:29

第一十一章：贝叶斯优化实战

• 1. 基础模型建立 6:57
• 2. 设置参数空间 10:43
• 3. 随机优化结果 9:23
• 4. 贝叶斯优化效果 9:58
• 5. 方法对比 8:26
• 6. 参数变化情况 6:13

第一十二章：EM算法

• 1. EM算法要解决的问题 10:38
• 2. 隐变量问题 6:16
• 3. EM算法求解实例 14:31
• 4. Jensen不等式 10:46
• 5. GMM模型 9:19
• 6. GMM实例 11:50
• 7. GMM聚类 9:44

第一十三章： HMM隐马尔科夫模型

• 01. 马尔科夫模型 7:22
• 02. 隐马尔科夫模型基本出发点 7:33
• 03. 组成与要解决的问题 5:37
• 04. 暴力求解方法 9:03
• 05. 复杂度计算 5:42
• 06. 前向算法 13:27
• 07. 前向算法求解实例 13:07
• 08. Baum-Welch算法 9:28
• 09. 参数求解 6:28
• 10. 维特比算法 15:43

第一十四章：HMM案例实战

• 1. hmmlearn工具包 6:49
• 2. 工具包使用方法 8:20
• 3. 中文分词任务 5:22
• 4. 实现中文分词 10:45

第一十五章：NLP-文本特征方法对比

• 1. 任务概述 10:52
• 2. 词袋模型 6:34
• 3. 词袋模型分析 11:59
• 4. TFIDF模型 8:04
• 5. word2vec词向量模型 8:29
• 6. 深度学习模型 5:17

第一十六章： 使用word2vec进行分类任务

• 1. 影评情感分类 17:48
• 2. 基于词袋模型训练分类器 11:08
• 3. 准备word2vec输入数据 10:46
• 4. 使用gensim构建word2vec词向量 16:35

第一十七章：Tensorflow自己打造word2vec

• 1. 数据与任务流程 10:36
• 2. 数据清洗 6:34
• 3. batch数据制作 12:24
• 4. 网络训练 12:36
• 5. 可视化展示 6:19

第一十八章：制作自己的常用工具包

• 1. 为什么要做自己的数据工具包 3:13
• 2. 工具包注释 7:03
• 3. 缺失值处理 10:12
• 4. 其他处理方式概述 17:45
• 5. 工具包调用 3:36

第一十九章： 机器学习项目实战-数据处理与特征提取

• 1. 任务概述 4:25
• 2. 处理流程与数据简介 7:52
• 3. 数据处理 7:42
• 4. 单变量绘图分析 7:26
• 5. 离群点剔除 6:44
• 6. 变量与结果的关系 8:26
• 7. 多变量展示 9:49
• 8. 特征工程 14:06

第二十章：机器学习项目实战-建模与分析

• 1. dataleakage问题 9:05
• 2. 基础模型对比 10:17
• 3. 选择参数 11:27
• 4. 测试模型效果 8:18
• 5. 模型的结果解释与参数分析 8:58
• 6. 机器学习常用模型分析方法介绍 10:59