梗直哥瞿炜-机器学习必修课：经典AI算法与编程实战

课程介绍

• 欢迎来到机器学习的世界   初识机器学习、技术栈、数据集分类、回归、监督、无监督、强化学习、常见误区
• 核心概念精讲   损失函数、梯度下降、过拟合、欠拟合、模型泛化、学习曲线、交叉验证、模型误差、正则化、决策边界、评价指标
• 项目实战     泰坦尼克之灾、房价预测、交易反欺诈等
• 十大经典算法   KNN、线性算法、决策树、神经网络、支持向量机、贝叶斯方法、集成学习、聚类算法主成分分析、概率图模型
• 快速掌握四大必备工具    Anaconda、JupyterNotebook、Numpy、Matplotlib

试看链接   https://pan.baidu.com/s/1UCfUJFoY57YrOfa9yMY8zg?pwd=jb4w

相关介绍

解锁机器学习算法面试挑战

菜菜的机器学习sklearn课堂

机器学习原理剖析与Python代码实现全流程

课程目录

├──01.1-1课程内容和理念.mp4
├──02.1-2-初识机器学习.mp4
├──03.1-3-课程使用的技术栈.mp4
├──04.2-1本章总览.mp4
├──05.2-2-数据长什么样：常见数据集、典型实例、如何使用.mp4
├──06.2-3-研究哪些问题：分类、回归等.mp4
├──069- 机器学习必修课：经典AI算法与编程实战
├──07.2-4-如何分门别类：监督、无监督、强化学习等.mp4
├──08.2-5-机器学习的七大常见误区和局限.mp4
├──09.3-1本章总览：相互关系与学习路线.mp4
├──10.3-2-Anaconda图形化操作.mp4
├──100.12-4-聚类算法代码实现.mp4
├──101.12-5-聚类评估代码实现.mp4
├──102.12-6-聚类算法优缺点和适用条件.mp4
├──103.13-1-本章总览.mp4
├──104.13-2-PCA核心思想和原理.mp4
├──105.13-3-PCA求解算法.mp4
├──106.13-4-PCA算法代码实现.mp4
├──107.13-5-降维任务代码实现.mp4
├──108.13-6-PCA在数据降噪中的应用.mp4
├──109.13-7-PCA在人脸识别中的应用.mp4
├──11.3-3-Anaconda命令行操作.mp4
├──110.13-8-主成分分析优缺点和适用条件.mp4
├──111.14-1-本章总览.mp4
├──112.14-2-概率图模型核心思想和原理.mp4
├──113.14-3-EM算法参数估计.mp4
├──114.14-4-隐马尔可夫模型代码实现.mp4
├──115.14-5-概率图模型优缺点和适用条件.mp4
├──116.15-1-本章总览.mp4
├──117.15-2-泰坦尼克生还预测.mp4
├──118.15-3-房价预测.mp4
├──119.15-4-交易反欺诈代码实现.mp4
├──12.3-4-JupyterNotebook基础使用.mp4
├──13.3-5-JupyterNotebook高级使用：常用魔法命令.mp4
├──14.3-6-Numpy基础：安装与性能对比.mp4
├──15.3-7-Numpy数组创建：特定数组、等差数组、随机数组.mp4
├──16.3-8-Numpy数组基础索引：索引和切片.mp4
├──17.3-9-Numpy非常重要的数组合并与拆分操作.mp4
├──18.3-10-Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
├──19.3-11-Numpy数组统计运算：常用的都在这儿了.mp4
├──20.3-12-Numpy数组arg运算和排序.mp4
├──21.3-13-Numpy数组神奇索引和布尔索引.mp4
├──22.3-14-Matplotlib数据可视化：基础绘制与设置.mp4
├──23.4-1本章总览.mp4
├──24.4-2-KNN算法核心思想和原理.mp4
├──25.4-3-KNN分类任务代码实现.mp4
├──26.4-4-数据集划分：训练集与预测集.mp4
├──27.4-5-模型评价.mp4
├──28.4-6-超参数.mp4
├──29.4-7-特征归一化.mp4
├──30.4-8-KNN回归任务代码实现.mp4
├──31.4-9-KNN优缺点和适用条件.mp4
├──32.5-1-本章总览.mp4
├──33.5-2-线性回归核心思想和原理.mp4
├──34.5-3-逻辑回归核心思想和原理.mp4
├──35.5-4-线性回归代码实现.mp4
├──36.5-5-模型评价：MSE、RMSE、MAE和R方.mp4
├──37.5-6多项式回归代码实现.mp4
├──38.5-7-逻辑回归算法.mp4
├──39.5-8-线性逻辑回归代码实现.mp4
├──40.5-9多分类策略.mp4
├──41.5-10-复杂逻辑回归及代码实现.mp4
├──42.5-11-线性算法优缺点和适用条件.mp4
├──43.6-1-本章总览.mp4
├──44.6-2-损失函数.mp4
├──45.6-3-梯度下降.mp4
├──46.6-4-决策边界.mp4
├──47.6-5-过拟合与欠拟合.mp4
├──48.6-6-学习曲线.mp4
├──49.6-7-交叉验证.mp4
├──50.6-8-模型误差.mp4
├──51.6-9-正则化.mp4
├──52.6-10-LASSO和岭回归代码实现.mp4
├──53.6-11-模型泛化.mp4
├──54.6-12-评价指标：混淆矩阵、精准率和召回率.mp4
├──55.6-13-评价指标：ROC曲线.mp4
├──56.7-1-本章总览.mp4
├──57.7-2-决策树核心思想和原理.mp4
├──58.7-3-信息熵.mp4
├──59.7-4-决策树分类任务代码实现.mp4
├──60.7-5-基尼系数.mp4
├──61.7-6-决策树剪枝.mp4
├──62.7-7-决策树回归任务代码实现.mp4
├──63.7-8-决策树优缺点和适用条件.mp4
├──64.8-1-本章总览.mp4
├──65.8-2-神经网络核心思想和原理.mp4
├──66.8-3-激活函数.mp4
├──67.8-4-正向传播与反向传播.mp4
├──68.8-5-梯度下降优化算法.mp4
├──69.8-6-神经网络简单代码实现.mp4
├──70.8-7-梯度消失和梯度爆炸.mp4
├──71.8-8-模型选择.mp4
├──72.8-9-神经网络优缺点和适用条件.mp4
├──73.9-1-本章总览.mp4
├──74.9-2-SVM核心思想和原理.mp4
├──75.9-3-硬间隔SVM.mp4
├──76.9-4-SVM软间隔.mp4
├──77.9-5-线性SVM分类任务代码实现.mp4
├──78.9-6-非线性SVM：核技巧.mp4
├──79.9-7-SVM核函数.mp4
├──80.9-8-非线性SVM代码实现.mp4
├──81.9-9-SVM回归任务代码实现.mp4
├──82.9-10-SVM优缺点和适用条件.mp4
├──83.10-1-本章总览.mp4
├──84.10-2-贝叶斯方法核心思想和原理.mp4
├──85.10-3-朴素贝叶斯分类.mp4
├──86.10-4-朴素贝叶斯的代码实现.mp4
├──87.10-5-多项式朴素贝叶斯代码实现.mp4
├──88.10-6-贝叶斯方法优缺点和适用条件.mp4
├──89.11-1-本章总览.mp4
├──90.11-2-集成学习核心思想和原理.mp4
├──91.11-3-集成学习代码实现.mp4
├──92.11-4-并行策略：Bagging、OOB等方法.mp4
├──93.11-5-并行策略：随机森林.mp4
├──94.11-6-串行策略：Boosting.mp4
├──95.11-7-结合策略：Stacking方法.mp4
├──96.11-8-集成学习优缺点和适用条件.mp4
├──97.12-1-本章总览.mp4
├──98.12-2-聚类算法核心思想和原理.mp4
└──99.12-3-k-means和分层聚类.mp4