第一章：人工智能入学指南

• 1. AI时代首选Python 9:20
• 2. Python我该怎么学 4:21
• 3. 人工智能的核心-机器学习 10:34
• 4. 机器学习怎么学？ 8:36
• 5. 算法推导与案例 8:18

第二章：Python科学计算库-Numpy

• 1. 使用Anaconda安装python环境 13:10
• 2. Numpy基础操作（课程所有PPT，数据，代码下载） 10:32
• 3. Numpy数组结构 10:41
• 4. Numpy矩阵基础 5:55
• 5. Numpy常用函数 12:01
• 6. Numpy矩阵操作 10:18
• 7. 复制操作对比 10:49

第三章：Python数据分析处理库-Pandas

• 1. Pandas数据读取 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

第四章：Python可视化库-Matplotlib

• 1. Matplotlib完成简易折线图 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 10:16
• 5. Matplotlib子图细节 6:12

第五章：线性回归算法原理推导

• 1. 线性回归算法概述 14:23
• 2. 误差项分析 11:32
• 3. 似然函数求解 9:35
• 4. 目标函数推导 9:21
• 5. 线性回归求解 10:57

第六章：梯度下降策略

• 1. 梯度下降原理 11:42
• 2. 梯度下降方法对比 7:20
• 3. 学习率对结果的影响 6:08

第七章：逻辑回归算法

• 1. 1-逻辑回归算法原理推导 10:52
• 2. 2-逻辑回归求解 14:58

第八章：Python实现逻辑回归与梯度下降

• 1. 案例实战：Python实现逻辑回归任务概述 7:33
• 2. 案例实战：完成梯度下降模块 12:51
• 3. 案例实战：停止策略与梯度下降案例 10:55
• 4. 案例实战：实验对比效果 10:25

第九章：案例实战：信用卡欺诈检测

• 01. 案例背景和目标 8:31
• 02. 2-样本不均衡解决方案 10:17
• 03. 下采样策略 6:35
• 04. 交叉验证 13:02
• 05. 模型评估方法 13:05
• 06. 正则化惩罚 8:09
• 07. 逻辑回归模型 7:37
• 08. 混淆矩阵 8:52
• 09. 逻辑回归阈值对结果的影响 10:00
• 10. SMOTE样本生成策略 15:50

第一十章：决策树算法

• 1. 决策树原理概述 12:25
• 2. 衡量标准-熵 11:03
• 3. 决策树构造实例 10:08
• 4. 信息增益率 5:48
• 5. 决策树剪枝策略 15:31

第一十一章：集成算法与随机森林

• 1. 集成算法-随机森林 12:02
• 2. 特征重要性衡量 13:50
• 3. 提升模型 11:14
• 4. 堆叠模型 7:09

第一十二章：决策树算法实例

• 1. 案例：决策树涉及参数 11:08
• 2. 案例：树可视化与sklearn库简介 18:14
• 3. 案例：sklearn参数选择 11:46

第一十三章：案例实战：泰坦尼克号获救预测

• 1. 船员数据分析 6:09
• 2. 数据预处理 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：贝叶斯算法

• 1. 贝叶斯算法概述 6:58
• 2. 贝叶斯推导实例 7:37
• 3. 贝叶斯拼写纠错实例 11:46
• 4. 垃圾邮件过滤实例 14:09
• 5. 贝叶斯实现拼写检查器 12:20

第一十五章：EM算法与GMM实践

• 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

第一十六章：支持向量机原理推导

• 1. 支持向量机要解决的问题 10:05
• 2. 距离与数据的定义 10:33
• 3. 目标函数 9:41
• 4. 目标函数求解 11:27
• 5. SVM求解实例 13:45
• 6. 支持向量的作用 11:53
• 7. 软间隔问题 6:46
• 8. SVM核变换 16:51

第一十七章：SVM调参实战

• 1. sklearn求解支持向量机 11:24
• 2. SVM参数选择 14:00

第一十八章：聚类算法-KMEANS

• 1. KMEANS算法概述 11:33
• 2. KMEANS工作流程 9:42
• 3. KMEANS迭代可视化展示 8:19

第一十九章：聚类算法-DBSCAN

• 1. DBSCAN聚类算法 11:03
• 2. DBSCAN工作流程 15:03
• 3. DBSCAN可视化展示 8:52

第二十章：聚类实践

• 1. 多种聚类算法概述 4:34
• 2. 聚类案例实战 17:19

第二十一章：PCA降维算法

• 1. PCA降维概述 8:39
• 2. PCA要优化的目标 12:21
• 3. PCA求解 10:17
• 4. PCA降维实例 19:17

第二十二章：神经网络算法

• 01. 计算机视觉领域的挑战与机器学习常规套路 9:40
• 02. K近邻来进行图像分类任务 10:01
• 03. 超参数与交叉验证 10:30
• 04. 线性分类 9:34
• 05. 损失函数 9:17
• 06. 神经网络正则化惩罚项 7:19
• 07. softmax分类器 13:38
• 08. 反向传播原理 15:16
• 09. 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

第二十三章：Xgboost集成算法

• 1. Xgboost算法概述 11:35
• 2. Xgboost模型构造 12:10
• 3. Xgboost建模衡量标准 12:07
• 4. Xgboost安装 3:31
• 5. xgboost实例演示 14:43

第二十四章：机器学习建模流程与BenchMark

• 1. HTTP检测任务与数据挖掘的核心 11:13
• 2. 论文的重要程度 10:00
• 3. BenchMark概述 6:23
• 4. BenchMark的作用 13:31

第二十五章：K近邻算法实战

• 1. K近邻算法概述 15:47
• 2. 模型的评估 10:39
• 3. 数据预处理 11:25
• 4. sklearn库与功能 14:42
• 5. 多变量KNN模型 16:37

第二十六章：随机森林实例

• 1. 随机森林的回归任务 18:30
• 2. 数据还是多点好 13:24
• 3. 速度与精度的权衡 13:06
• 4. 调参策略 17:10

第二十七章：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

第二十八章：集成算法实例

• 1. 集成算法实例概述 10:51
• 2. ROC与AUC指标 10:03
• 3. 基础模型 9:32
• 4. 集成实例 18:53
• 5. Stacking模型 14:16
• 6. 效果改进 11:09