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 课件付费后下载 32:14
• 2. python安装 10:12
• 3. 机器学习基础概念 26:25

第二章：线性回归以及非线性回归

• 01. 一元线性回归 19:01
• 02. 代价函数 34:58
• 03. 梯度下降法 30:36
• 04. (实战)梯度下降法-一元线性回归 27:40
• 05. (实战)sklearn-一元线性回归 8:36
• 06. 线性代数复习 11:39
• 07. 多元线性回归 7:25
• 08. (实战)梯度下降法-多元线性回归 21:10
• 09. (实战)sklearn-多元线性回归 4:03
• 10. 标准方程法 21:36
• 11. 特征缩放,交叉验证法 13:00
• 12. 过拟合,正则化 12:32
• 13. 岭回归 18:00
• 14. (实战)sklearn-岭回归 16:14
• 15. LASSO算法 11:40
• 16. (实战)sklearn-LASSO算法 6:10
• 17. (实战)sklearn-弹性网 7:42
• 18. (实战)标准方程法-岭回归 8:55
• 19. (实战)sklearn-多项式回归 20:25
• 20. (实战)标准方程法 8:55

第三章：逻辑回归

• 1. 逻辑回归 26:39
• 2. 正确率,召回率,F1指标 8:15
• 3. (实战)梯度下降法-逻辑回归 40:30
• 4. (实战)sklearn-逻辑回归 5:33
• 5. (实战)梯度下降法-非线性逻辑回归 16:25
• 6. (实战)sklearn-非线性逻辑回归 7:15

第四章：KNN算法

• 1. KNN算法介绍 12:08
• 2. (实践)KNN算法实现 15:08
• 3. (实践)使用KNN完成Iris数据集分类 11:50
• 4. (实践)sklearn-KNN-iris分类 4:16

第五章：神经网络

• 01. 神经网络背景概述 17:16
• 02. 单层感知器介绍 15:41
• 03. (实践)单层感知器程序 15:23
• 04. (实践)单层感知器-异或问题 4:12
• 05. (实践)线性神经网，Delta学习规则 15:35
• 06. (实践)线性神经网络解决异或问题 21:37
• 07. BP神经网络介绍 20:00
• 08. BP算法推导 18:51
• 09. (实践)BP神经网络-异或问题 20:32
• 10. 深入理解BP神经网络(论文讲解) 28:28
• 11. Google神经网络演示平台介绍 23:21
• 12. (实践)BP神经网络-手写数字识别项目 38:22

第六章：决策树

• 1. 决策树-信息熵,ID3,C4.5算法介绍 25:38
• 2. (实践)决策树-例子 18:59
• 3. (实践)决策树-画图 16:01
• 4. 决策树-CART算法 6:22
• 5. (实践)决策树-线性二分类 8:56
• 6. (实践)决策树-非线性二分类 12:08

第七章：集成学习

• 1. (实践)Bagging介绍与使用 24:42
• 2. (实践)随机森林RF介绍与使用 7:56
• 3. (实践)Adaboost介绍与使用 24:05
• 4. (实践)Stacking和Voting介绍与使用 10:50
• 5. Kaggle介绍，数据分析 20:12

第八章：贝叶斯算法

• 1. 贝叶斯算法背景 14:48
• 2. 贝叶斯算法介绍 17:43
• 3. (实践)贝叶斯-iris 3:32
• 4. (实践)词袋模型介绍 17:28
• 5. (实践)TF-IDF算法介绍 13:45

第九章：聚类算法

• 01. K-MEANS算法介绍 20:47
• 02. (实践)python实现K-MEANS算法 29:45
• 03. (实践)sklearn-K-MEANS 4:20
• 04. (实践)sklearn-Mini-Batch-K-Means 4:12
• 05. K-MEANS算法存在的4个问题 5:21
• 06. (实践)K-MEANS代价函数应用 8:11
• 07. (实践)K-MEANS肘部法则 7:44
• 08. K-MEANS算法可视化 5:43
• 09. DBSCAN算法讲解 10:15
• 10. DBSCAN算法可视化 12:53
• 11. (实践)sklearn-DBSCAN算法 11:35

第一十章：主成分分析PCA

• 1. PCA算法讲解 17:54
• 2. (实践)python实现PCA降维 8:22

第一十一章：支持向量机SVM

• 1. SVM简介 17:39
• 2. (实践)SVM简单例子 5:50
• 3. SVM算法推导 26:24
• 4. 松弛变量与惩罚函数 11:02
• 5. SVM简单实例 10:27
• 6. SVM低维映射到高维 6:55
• 7. 核函数 9:47
• 8. (实践)SVM-线性分类 8:56
• 9. (实践)SVM-非线性分类 6:12