机器学习算法基础

第一章：预备章节

• 1. 机器学习背景知识介绍

  [ 32:14 ]

  免费
  课件付费后下载
• 2. python安装

  [ 10:12 ]

  免费
• 3. 机器学习基础概念

  [ 26:25 ]

  免费

第二章：线性回归以及非线性回归

• 01. 一元线性回归

  [ 19:01 ]

  免费
• 02. 代价函数

  [ 34:58 ]

  免费
• 03. 梯度下降法

  [ 30:36 ]

  免费
• 04. (实战)梯度下降法-一元线性回归

  [ 27:40 ]

  免费
• 05. (实战)sklearn-一元线性回归

  [ 08:36 ]

  免费
• 06. 线性代数复习

  [ 11:39 ]

  免费
• 07. 多元线性回归

  [ 07:25 ]

  免费
• 08. (实战)梯度下降法-多元线性回归

  [ 21:10 ]

  免费
• 09. (实战)sklearn-多元线性回归

  [ 04:03 ]

  免费
• 10. 标准方程法

  [ 21:36 ]

  免费
• 11. 特征缩放,交叉验证法

  [ 13:00 ]

  免费
• 12. 过拟合,正则化

  [ 12:32 ]

  免费
• 13. 岭回归

  [ 18:00 ]

  免费
• 14. (实战)sklearn-岭回归

  [ 16:14 ]

  免费
• 15. LASSO算法

  [ 11:40 ]

  免费
• 16. (实战)sklearn-LASSO算法

  [ 06:10 ]

  免费
• 17. (实战)sklearn-弹性网

  [ 07:42 ]

  免费
• 18. (实战)标准方程法-岭回归

  [ 08:55 ]

  免费
• 19. (实战)sklearn-多项式回归

  [ 20:25 ]

  免费
• 20. (实战)标准方程法

  [ 08:55 ]

  免费

第三章：逻辑回归

• 1. 逻辑回归

  [ 26:39 ]

  免费
• 2. 正确率,召回率,F1指标

  [ 08:15 ]

  免费
• 3. (实战)梯度下降法-逻辑回归

  [ 40:30 ]

  免费
• 4. (实战)sklearn-逻辑回归

  [ 05:33 ]

  免费
• 5. (实战)梯度下降法-非线性逻辑回归

  [ 16:25 ]

  免费
• 6. (实战)sklearn-非线性逻辑回归

  [ 07:15 ]

  免费

第四章：KNN算法

• 1. KNN算法介绍

  [ 12:08 ]

  免费
• 2. (实践)KNN算法实现

  [ 15:08 ]

  免费
• 3. (实践)使用KNN完成Iris数据集分类

  [ 11:50 ]

  免费
• 4. (实践)sklearn-KNN-iris分类

  [ 04:16 ]

  免费

第五章：神经网络

• 01. 神经网络背景概述

  [ 17:16 ]

  免费
• 02. 单层感知器介绍

  [ 15:41 ]

  免费
• 03. (实践)单层感知器程序

  [ 15:23 ]

  免费
• 04. (实践)单层感知器-异或问题

  [ 04:12 ]

  免费
• 05. (实践)线性神经网，Delta学习规则

  [ 15:35 ]

  免费
• 06. (实践)线性神经网络解决异或问题

  [ 21:37 ]

  免费
• 07. BP神经网络介绍

  [ 20:00 ]

  免费
• 08. BP算法推导

  [ 18:51 ]

  免费
• 09. (实践)BP神经网络-异或问题

  [ 20:32 ]

  免费
• 10. 深入理解BP神经网络(论文讲解)

  [ 28:28 ]

  免费
• 11. Google神经网络演示平台介绍

  [ 23:21 ]

  免费
• 12. (实践)BP神经网络-手写数字识别项目

  [ 38:22 ]

  免费

第六章：决策树

• 1. 决策树-信息熵,ID3,C4.5算法介绍

  [ 25:38 ]

  免费
• 2. (实践)决策树-例子

  [ 18:59 ]

  免费
• 3. (实践)决策树-画图

  [ 16:01 ]

  免费
• 4. 决策树-CART算法

  [ 06:22 ]

  免费
• 5. (实践)决策树-线性二分类

  [ 08:56 ]

  免费
• 6. (实践)决策树-非线性二分类

  [ 12:08 ]

  免费

第七章：集成学习

• 1. (实践)Bagging介绍与使用

  [ 24:42 ]

  免费
• 2. (实践)随机森林RF介绍与使用

  [ 07:56 ]

  免费
• 3. (实践)Adaboost介绍与使用

  [ 24:05 ]

  免费
• 4. (实践)Stacking和Voting介绍与使用

  [ 10:50 ]

  免费
• 5. Kaggle介绍，数据分析

  [ 20:12 ]

  免费

第八章：贝叶斯算法

• 1. 贝叶斯算法背景

  [ 14:48 ]

  免费
• 2. 贝叶斯算法介绍

  [ 17:43 ]

  免费
• 3. (实践)贝叶斯-iris

  [ 03:32 ]

  免费
• 4. (实践)词袋模型介绍

  [ 17:28 ]

  免费
• 5. (实践)TF-IDF算法介绍

  [ 13:45 ]

  免费

第九章：聚类算法

• 01. K-MEANS算法介绍

  [ 20:47 ]

  免费
• 02. (实践)python实现K-MEANS算法

  [ 29:45 ]

  免费
• 03. (实践)sklearn-K-MEANS

  [ 04:20 ]

  免费
• 04. (实践)sklearn-Mini-Batch-K-Means

  [ 04:12 ]

  免费
• 05. K-MEANS算法存在的4个问题

  [ 05:21 ]

  免费
• 06. (实践)K-MEANS代价函数应用

  [ 08:11 ]

  免费
• 07. (实践)K-MEANS肘部法则

  [ 07:44 ]

  免费
• 08. K-MEANS算法可视化

  [ 05:43 ]

  免费
• 09. DBSCAN算法讲解

  [ 10:15 ]

  免费
• 10. DBSCAN算法可视化

  [ 12:53 ]

  免费
• 11. (实践)sklearn-DBSCAN算法

  [ 11:35 ]

  免费

第一十章：主成分分析PCA

• 1. PCA算法讲解

  [ 17:54 ]

  免费
• 2. (实践)python实现PCA降维

  [ 08:22 ]

  免费

第一十一章：支持向量机SVM

• 1. SVM简介

  [ 17:39 ]

  免费
• 2. (实践)SVM简单例子

  [ 05:50 ]

  免费
• 3. SVM算法推导

  [ 26:24 ]

  免费
• 4. 松弛变量与惩罚函数

  [ 11:02 ]

  免费
• 5. SVM简单实例

  [ 10:27 ]

  免费
• 6. SVM低维映射到高维

  [ 06:55 ]

  免费
• 7. 核函数

  [ 09:47 ]

  免费
• 8. (实践)SVM-线性分类

  [ 08:56 ]

  免费
• 9. (实践)SVM-非线性分类

  [ 06:12 ]

  免费