第一章：机器学习简介

• 1. （一）机器学习概述 5:29
• 2. （二）机器学习应用场景举例 21:56
• 3. （三）常见机器学习任务 25:58
• 4. （四）一个典型的机器学习案例 20:33
• 5. （五）机器学习组成部分 31:30
• 6. （六）总结 6:52
• 7. （七）课堂测试和作业：回归问题数据集 12:51
• 8. （八）第一节课课后答疑 4:21

第二章：第一个机器学习实例

• 1. 第一个机器学习实例（上） 01:08:54
• 2. 第一个机器学习实例（下） 01:08:54
• 3. （一）学习环境搭建 30:43
• 4. （二）机器学习案例：波士顿房价预测 3:58
• 5. （三）数据读取 6:05
• 6. （四）数据预处理 31:08
• 7. （五）模型训练 20:42
• 8. （六）梯度下降算法及优化 6:14
• 9. （七）模型评估 38:37

第三章：Logistic回归分析及神经网络

• 1. （一）Logistic回归基本原理 34:33
• 2. （二）多类Logistic回归 6:09
• 3. （三）分类模型的评价 28:05
• 4. （四）Scikit learn 中的Logistic回归实现 19:01
• 5. （五）模型选择与参数调优 5:22
• 6. （六）案例分析 25:21

第四章：支持向量机（SVM）

• 1. 支持向量机（SVM）（完整版-上） 57:10
• 2. 支持向量机（SVM）（完整版-下） 54:16

第五章：降维与矩阵分解

• 1. (一)神经网络基本原理 13:12
• 2. （二）优化：反向传播（BP） 26:46
• 3. （三）Scikit learn实现 4:03
• 4. （四）案例分析：书写数字识别 9:14
• 5. （五）PCA原理 29:36
• 6. （六）Scikit learn中的PCA实现 31:19

第六章：聚类

• 1. （一）聚类概览 5:04
• 2. （二）常用聚类算法 5:57
• 3. （三）K-means 31:54
• 4. （四）层次聚类 13:37
• 5. （五）Affinity Propagation 10:49
• 6. （六）DBSCAN 12:32
• 7. （七）聚类性能评估 21:48
• 8. （八）案例分析 23:43

第七章：特征工程

• 1. 特征工程(上) 01:12:08
• 2. 特征工程 (下) 51:48

第八章：决策树及基于树的集成模型：随机森林

• 1. 分类回归树 53:15
• 2. 随机森林 01:02:07

第九章：梯度提升决策树（GBDT）

• 1. 梯度提升决策树（GBDT）（上） 57:03
• 2. 梯度提升决策树（GBDT）（下） 57:04

第一十章：梯度提升决策树（GBDT）二

• 1. 梯度提升决策树（GBDT）二 01:44:35

第一十一章：推荐系统与广告点击率（CTR）预估

• 1. （一）推荐系统出现的背景 17:53
• 2. （二）基于协同过滤的推荐 49:19
• 3. （三）基于内容的推荐 12:37
• 4. （四）基于知识的推荐 3:06
• 5. （五）推荐系统的评价 10:37
• 6. （六）案例分析：事件推荐 33:10

第一十二章：广告点击率（CTR）预估和模型融合

• 1. 广告点击率（CTR）预估和模型融合（完整版） 02:15:09