Python3入门机器学习经典算法与应用

1. 第10章 评价分类结果/10-1 准确度的陷阱和混淆矩阵.mp438.3MB
2. 第10章 评价分类结果/10-2 精准率和召回率.mp429.54MB
3. 第10章 评价分类结果/10-3.mp4103.77MB
4. 第10章 评价分类结果/10-4.mp469.37MB
5. 第10章 评价分类结果/10-5.mp491.68MB
6. 第10章 评价分类结果/10-6.mp484.97MB
7. 第10章 评价分类结果/10-7.mp465.7MB
8. 第10章 评价分类结果/10-8.mp495.3MB
9. 第11章 支撑向量机 SVM/11-1.mp438.28MB
10. 第11章 支撑向量机 SVM/11-2.mp451.14MB
11. 第11章 支撑向量机 SVM/11-3.mp439.69MB
12. 第11章 支撑向量机 SVM/11-4.mp4117.94MB
13. 第11章 支撑向量机 SVM/11-5.mp484.85MB
14. 第11章 支撑向量机 SVM/11-6.mp440.05MB
15. 第11章 支撑向量机 SVM/11-7.mp451.95MB
16. 第11章 支撑向量机 SVM/11-8.mp476.38MB
17. 第11章 支撑向量机 SVM/11-9.mp491.6MB
18. 第12章 决策树/12-1.mp457.42MB
19. 第12章 决策树/12-2 信息熵.mp448.5MB
20. 第12章 决策树/12-3 使用信息熵寻找最优划分.mp4137.06MB
21. 第12章 决策树/12-4 基尼系数.mp466.53MB
22. 第12章 决策树/12-5 CART与决策树中的超参数.mp461.13MB
23. 第12章 决策树/12-6.mp438.03MB
24. 第12章 决策树/12-7.mp432.84MB
25. 第13章 集成学习和随机森林/13-1什么是集成学习.mp453.46MB
26. 第13章 集成学习和随机森林/13-2 SoftVoting Classifier.mp428.36MB
27. 第13章 集成学习和随机森林/13-3 Bagging和Pasting.mp433.44MB
28. 第13章 集成学习和随机森林/13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp431.85MB
29. 第13章 集成学习和随机森林/13-5 随机森林和Extra-Trees.mp425.99MB
30. 第13章 集成学习和随机森林/13-6 Ada Boosting和Gradient Boosting.mp428.67MB
31. 第13章 集成学习和随机森林/13-7 Stacking.mp411.5MB
32. 第14章 更多机器学习算法/14-1 学习scikit-learn文档.mp466.49MB
33. 第1章 欢迎来到 Python3 玩转机器学习/1-1导学.mp469.45MB
34. 第1章 欢迎来到 Python3 玩转机器学习/1-2 课程涵盖的内容和理念.mp490.2MB
35. 第1章 欢迎来到 Python3 玩转机器学习/1-3 课程所使用的主要技术栈.mp459.76MB
36. 第2章 机器学习基础/2-1 机器学习世界的数据.mp484.28MB
37. 第2章 机器学习基础/2-2 机器学习的主要任务.mp4126.54MB
38. 第2章 机器学习基础/2-3 监督学习，非监督学习，半监督学习和增强学习.mp493.55MB
39. 第2章 机器学习基础/2-4 批量学习，在线学习，参数学习和非参数学习.mp433.44MB
40. 第2章 机器学习基础/2-5 和机器学习相关的哲学思考.mp436.78MB
41. 第2章 机器学习基础/2-6 课程使用环境搭建.mp491.78MB
42. 第3章 Jupyter Notebook, numpy和m/3-1 jupyter notebook基础.mp4169.23MB
43. 第3章 Jupyter Notebook, numpy和m/3-10 Numpy中的比较和FancyIndexing.mp4190.65MB
44. 第3章 Jupyter Notebook, numpy和m/3-11 Matplotlib数据可视化基础.mp4153.48MB
45. 第3章 Jupyter Notebook, numpy和m/3-12 数据加载和简单的数据探索.mp4112.89MB
46. 第3章 Jupyter Notebook, numpy和m/3-2 jupyter notebook中的魔法命令.mp4189.47MB
47. 第3章 Jupyter Notebook, numpy和m/3-3 Numpy数据基础.mp468.2MB
48. 第3章 Jupyter Notebook, numpy和m/3-4 创建numpy数组和矩阵.mp4188.08MB
49. 第3章 Jupyter Notebook, numpy和m/3-5 Numpy数组的基本操作.mp4119.05MB
50. 第3章 Jupyter Notebook, numpy和m/3-6 Numpy数组的合并与分割.mp4156.53MB
51. 第3章 Jupyter Notebook, numpy和m/3-7 Numpy中的矩阵运算.mp4205.96MB
52. 第3章 Jupyter Notebook, numpy和m/3-8 Numpy中的聚合运算.mp4107.92MB
53. 第3章 Jupyter Notebook, numpy和m/3-9 Numpy中的arg运算.mp495.42MB
54. 第4章 最基础的分类算法-k近邻算法 kNN/4-1 k近邻算法基础.mp4136.81MB
55. 第4章 最基础的分类算法-k近邻算法 kNN/4-2 scikit-learn中的机器学习算法封装.mp4206.27MB
56. 第4章 最基础的分类算法-k近邻算法 kNN/4-3 训练数据集，测试数据集.mp4213.34MB
57. 第4章 最基础的分类算法-k近邻算法 kNN/4-4 分类准确度.mp4174.77MB
58. 第4章 最基础的分类算法-k近邻算法 kNN/4-5 超参数.mp4207.2MB
59. 第4章 最基础的分类算法-k近邻算法 kNN/4-6 网格搜索与k近邻算法中更多超参数.mp4168.06MB
60. 第4章 最基础的分类算法-k近邻算法 kNN/4-7 数据归一化.mp4105.87MB
61. 第4章 最基础的分类算法-k近邻算法 kNN/4-8 scikit-learn中的Scaler.mp4185.31MB
62. 第4章 最基础的分类算法-k近邻算法 kNN/4-9 更多有关k近邻算法的思考.mp432.96MB
63. 第5章 线性回归法/5-1 简单线性回归.mp463.86MB
64. 第5章 线性回归法/5-10 线性回归的可解性和更多思考.mp486.8MB
65. 第5章 线性回归法/5-2 最小二乘法.mp433.46MB
66. 第5章 线性回归法/5-3 简单线性回归的实现.mp4130.36MB
67. 第5章 线性回归法/5-4 向量化.mp4105.4MB
68. 第5章 线性回归法/5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4183.31MB
69. 第5章 线性回归法/5-6 最好的衡量线性回归法的指标 R Squared.mp4109.94MB
70. 第5章 线性回归法/5-7 多元线性回归和正规方程解.mp444.04MB
71. 第5章 线性回归法/5-8 实现多元线性回归.mp4118.66MB
72. 第5章 线性回归法/5-9 使用scikit-learn解决回归问题.mp4118.16MB
73. 第6章 梯度下降法/6-1 什么是梯度下降法.mp444.18MB
74. 第6章 梯度下降法/6-2 模拟实现梯度下降法.mp4185.39MB
75. 第6章 梯度下降法/6-3 线性回归中的梯度下降法.mp470.44MB
76. 第6章 梯度下降法/6-4 实现线性回归中的梯度下降法.mp4136.93MB
77. 第6章 梯度下降法/6-5 梯度下降的向量化和数据标准化.mp4203.32MB
78. 第6章 梯度下降法/6-6 随机梯度下降法.mp4160.2MB
79. 第6章 梯度下降法/6-7 scikit-learn中的随机梯度下降法.mp4132.43MB
80. 第6章 梯度下降法/6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4113.13MB
81. 第6章 梯度下降法/6-9 有关梯度下降法的更多深入讨论.mp424.82MB
82. 第7章 PCA与梯度上升法/7-1 什么是PCA.mp451.14MB
83. 第7章 PCA与梯度上升法/7-2 使用梯度上升法求解PCA问题.mp427.38MB
84. 第7章 PCA与梯度上升法/7-3 求数据的主成分PCA.mp4178.62MB
85. 第7章 PCA与梯度上升法/7-4 求数据的前n个主成分.mp4125.31MB
86. 第7章 PCA与梯度上升法/7-5 高维数据映射为低维数据.mp4168.63MB
87. 第7章 PCA与梯度上升法/7-6 scikit-learn中的PCA.mp4172.37MB
88. 第7章 PCA与梯度上升法/7-7 试手MNIST数据集.mp4112.91MB
89. 第7章 PCA与梯度上升法/7-8 使用PCA对数据进行降噪.mp499.19MB
90. 第7章 PCA与梯度上升法/7-9 人脸识别与特征脸.mp4131.88MB
91. 第8章 多项式回归与模型泛化/8-1 什么是多项式回归.mp475.14MB
92. 第8章 多项式回归与模型泛化/8-10 L1,L2和弹性网络.mp434.17MB
93. 第8章 多项式回归与模型泛化/8-2 scikit-learn中的多项式回归于pipeline.mp4146.46MB
94. 第8章 多项式回归与模型泛化/8-3 过拟合与前拟合.mp4131.73MB
95. 第8章 多项式回归与模型泛化/8-4 为什么要训练数据集与测试数据集.mp4144.4MB
96. 第8章 多项式回归与模型泛化/8-5 学习曲线.mp4134.28MB
97. 第8章 多项式回归与模型泛化/8-6 验证数据集与交叉验证.mp4222.57MB
98. 第8章 多项式回归与模型泛化/8-7 偏差方差平衡.mp457.76MB
99. 第8章 多项式回归与模型泛化/8-8 模型泛化与岭回归.mp4180.28MB
100. 第8章 多项式回归与模型泛化/8-9 LASSO.mp4115.12MB
101. 第9章 逻辑回归/9-1 什么是逻辑回归.mp458.04MB
102. 第9章 逻辑回归/9-2 逻辑回归的损失函数.mp455.92MB
103. 第9章 逻辑回归/9-3 逻辑回归损失函数的梯度.mp480.28MB
104. 第9章 逻辑回归/9-4 实现逻辑回归算法.mp4123.35MB
105. 第9章 逻辑回归/9-5 决策边界.mp4193.53MB
106. 第9章 逻辑回归/9-6 在逻辑回归中使用多项式特征.mp4137.41MB
107. 第9章 逻辑回归/9-7 scikit-learn中的逻辑回归.mp4167.15MB
108. 第9章 逻辑回归/9-8 OvR与OvO.mp4124.92MB