机器学习之集成学习理论与代码实践

详细讲解了集成学习的主要方法：Voting、Bagging、Boosting和Stacking。每一种集成方法都配有详细的代码讲解。能够使用集成模型完成分类或回归任务。

机器学习之聚类、主成分分析理论与代码实践

机器学习之支持向量机理论与代码实践

该课程是目前讲解SVM的最详细的课程，详细的讲解了SVM的数学推导过程，SMO算法的数学推导过程，并根据最终推导的公式使用python原生代码进行了实现，公式与代码一一对应。把最难理解的SVM讲解的非常透彻。

机器学习之决策树理论与代码实践

详细讲解决策树(ID3，C4.5，CART)的数学推导过程，能够使用原生代码完成决策树代码的编写。能够调用sklearn库完成决策树代码的编写。能够可视化生成的决策树。能够使用决策树完成鸢尾花数据分类任务。

机器学习之朴素贝叶斯理论与代码实践

深入理解条件概率。详细讲解朴素贝叶斯的数学推导过程，能够使用原生代码完成朴素贝叶斯代码的编写。能够调用sklearn库完成朴素贝叶斯代码的编写。能够理解垃圾邮件分类原理并使用朴素贝叶斯完成垃圾邮件的分类。

机器学习之逻辑回归、KNN理论与代码实践

详细讲解逻辑回归的数学推导过程，能够使用原生代码完成逻辑回归代码的编写。详细讲解K近邻算法的原理及原生代码的实现过程。能够调用sklearn库完成逻辑回归与KNN代码的编写。能够完成对鸢尾花数据集分类，能够完成手写数字识别案例。

机器学习之线性回归理论与代码实践

深入理解线性回归的数学推导过程 能够使用原生代码实现线性回归模型（包括Ridge，LASSO，EasticNet） 能够使用skLearn实现线性回归模型 能够使用线性回归分析实际数据

毕业论文排版详解

又是一年毕业季，大家的论文也进入了冲刺阶段。然而令大家头疼的问题就是论文的排版问题。因此想制作这个合辑能够帮助同学们快速的学习论文排版的技巧。本合辑主要包含如下内容：论文模板的制作，内容目录的生成，图片和表格目录的生成，页码的插入与设置，不同页眉的设置，如何插入及编辑数学公式，如何管理参考文献。本合辑近些天将陆续上传完成。如果大家在论文排版中还遇到了其他视频中未涉及的问题，可以给我私信或留言，我将针对集中的问题录制视频予以解答