- 课程目录
- 课件下载
- 第一章:人工智能入学指南
- AI时代首选Python 9:20 免费
- Python我该怎么学 4:21 免费
- 人工智能的核心-机器学习 10:34 免费
- 机器学习怎么学? 8:36 免费
- 算法推导与案例 8:18 免费
- 第二章:Python科学计算库-Numpy
- 使用Anaconda安装python环境 13:10
- Numpy基础操作(课程所有PPT,数据,代码下载) 10:32 免费
- Numpy数组结构 10:41
- Numpy矩阵基础 5:55
- Numpy常用函数 12:01
- Numpy矩阵操作 10:18
- 复制操作对比 10:49
- 第三章:Python数据分析处理库-Pandas
- Pandas数据读取 11:50 免费
- Pandas索引与计算 10:26
- Pandas数据预处理实例 13:01
- Pandas常用预处理方法 11:11
- Pandas自定义函数 7:44
- Series基本结构 12:29
- 第四章:Python可视化库-Matplotlib
- Matplotlib完成简易折线图 8:24 免费
- Matplotlib子图操作 14:04
- Matplotlib条形图与散点图 10:11
- Matplotlib柱形图和盒图 10:16 免费
- Matplotlib子图细节 6:12
- 第五章:线性回归算法原理推导
- 线性回归算法概述 14:23
- 误差项分析 11:32 免费
- 似然函数求解 9:35
- 目标函数推导 9:21
- 线性回归求解 10:57
- 第六章:梯度下降策略
- 梯度下降原理 11:42
- 梯度下降方法对比 7:20
- 学习率对结果的影响 6:08
- 第七章:逻辑回归算法
- 1-逻辑回归算法原理推导 10:52
- 2-逻辑回归求解 14:58
- 第八章:Python实现逻辑回归与梯度下降
- 案例实战:Python实现逻辑回归任务概述 7:33
- 案例实战:完成梯度下降模块 12:51
- 案例实战:停止策略与梯度下降案例 10:55
- 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
- 案例背景和目标 8:31
- 2-样本不均衡解决方案 10:17
- 下采样策略 6:35
- 交叉验证 13:02
- 模型评估方法 13:05
- 正则化惩罚 8:09
- 逻辑回归模型 7:37
- 混淆矩阵 8:52
- 逻辑回归阈值对结果的影响 10:00
- SMOTE样本生成策略 15:50
- 第一十章:决策树算法
- 决策树原理概述 12:25 免费
- 衡量标准-熵 11:03
- 决策树构造实例 10:08
- 信息增益率 5:48
- 决策树剪枝策略 15:31
- 第一十一章:集成算法与随机森林
- 集成算法-随机森林 12:02
- 特征重要性衡量 13:50
- 提升模型 11:14
- 堆叠模型 7:09
- 第一十二章:决策树算法实例
- 案例:决策树涉及参数 11:08
- 案例:树可视化与sklearn库简介 18:14
- 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
- 船员数据分析 6:09 免费
- 数据预处理 13:35 免费
- 使用回归算法进行预测 14:30
- 使用随机森林改进模型 12:56
- 随机森林特征重要性衡量 10:39
- 第一十四章:贝叶斯算法
- 贝叶斯算法概述 6:58
- 贝叶斯推导实例 7:37
- 贝叶斯拼写纠错实例 11:46
- 垃圾邮件过滤实例 14:09
- 贝叶斯实现拼写检查器 12:20
- 第一十五章:EM算法与GMM实践
- EM算法要解决的问题 10:38
- 隐变量问题 6:16
- EM算法求解实例 14:31
- Jensen不等式 10:46
- GMM模型 9:19
- GMM实例 11:50
- GMM聚类 9:44
- 第一十六章:支持向量机原理推导
- 支持向量机要解决的问题 10:05
- 距离与数据的定义 10:33
- 目标函数 9:41
- 目标函数求解 11:27
- SVM求解实例 13:45
- 支持向量的作用 11:53
- 软间隔问题 6:46
- SVM核变换 16:51
- 第一十七章:SVM调参实战
- sklearn求解支持向量机 11:24
- SVM参数选择 14:00
- 第一十八章:聚类算法-KMEANS
- KMEANS算法概述 11:33
- KMEANS工作流程 9:42
- KMEANS迭代可视化展示 8:19
- 第一十九章:聚类算法-DBSCAN
- DBSCAN聚类算法 11:03
- DBSCAN工作流程 15:03
- DBSCAN可视化展示 8:52
- 第二十章:聚类实践
- 多种聚类算法概述 4:34
- 聚类案例实战 17:19
- 第二十一章:PCA降维算法
- PCA降维概述 8:39
- PCA要优化的目标 12:21
- PCA求解 10:17
- PCA降维实例 19:17
- 第二十二章:神经网络算法
- 计算机视觉领域的挑战与机器学习常规套路 9:40
- K近邻来进行图像分类任务 10:01
- 超参数与交叉验证 10:30
- 线性分类 9:34
- 损失函数 9:17
- 神经网络正则化惩罚项 7:19
- softmax分类器 13:38
- 反向传播原理 15:16
- 神经网络-最优化问题 6:46
- 神经网络梯度下降原理 11:48
- 神经网络整体架构 10:11
- 神经网络实例演示 10:38
- 过拟合解决方案 15:53
- 感受神经网络的强大 11:30
- 第二十三章:Xgboost集成算法
- Xgboost算法概述 11:35
- Xgboost模型构造 12:10
- Xgboost建模衡量标准 12:07
- Xgboost安装 3:31
- xgboost实例演示 14:43
- 第二十四章:机器学习建模流程与BenchMark
- HTTP检测任务与数据挖掘的核心 11:13
- 论文的重要程度 10:00
- BenchMark概述 6:23
- BenchMark的作用 13:31
- 第二十五章:K近邻算法实战
- K近邻算法概述 15:47
- 模型的评估 10:39
- 数据预处理 11:25
- sklearn库与功能 14:42
- 多变量KNN模型 16:37
- 第二十六章:随机森林实例
- 随机森林的回归任务 18:30
- 数据还是多点好 13:24
- 速度与精度的权衡 13:06
- 调参策略 17:10
- 第二十七章:数据特征
- 基本数值特征 11:14
- 常用特征构造手段 13:53
- 时间特征处理 13:04
- 文本特征处理 20:24
- 构造文本向量 11:45
- 词向量特征 13:55
- 计算机眼中的图像 5:46
- 第二十八章:集成算法实例
- 集成算法实例概述 10:51
- ROC与AUC指标 10:03
- 基础模型 9:32
- 集成实例 18:53
- Stacking模型 14:16
- 效果改进 11:09
【课时介绍】
Python数据分析与机器学习实战教程,该课程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入门机器学习。学完该课程即可:<br/>1.掌握Python数据科学工具包,包括矩阵数据处理与可视化展示。<br/>2.掌握机器学习算法原理推导,从数学上理解算法是怎么来的以及其中涉及的细节。<br/>3.掌握每一个算法所涉及的参数,详解其中每一步对结果的影响。<br/>4.熟练使用Python进行建模实战,基于真实数据集展开分析,一步步完成整个建模实战任务。
- 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
阅读更多
发布回复
扫一扫,移动端观看视频