先弄清楚：这套实战课在解决什么问题

很多上班族学机器学习，卡在“看懂了公式，却写不出代码”这一步。唐宇迪博士这套资料的核心定位，就是补上从理论到真实数据任务之间的那段空白。它不讲纯数学推导，而是直接拿业务场景当入口：比如用电影数据做题材关联分析、用短视频平台数据预测用户活跃度、对工业化工生产过程做指标预测。这些不是玩具数据，而是要处理真实业务里常见的字段拼装、序列特征构建、标签制作等脏活累活。如果你一直觉得自己的算法知识悬在半空，这套资料能帮你把脚踩到泥土里。

对基础有什么要求，建议先看哪几块

这套资料不适合完全的零基础小白。你需要对 Python 语法有基本了解，能用 pandas 做简单的数据筛选，同时大概知道分类、回归、神经网络是什么概念。如果你连 Python 环境都没配过，建议先去补基础语法，否则会听得非常吃力。对于符合基础要求的读者，建议先从关联规则分析看起，这部分篇幅短，能帮你快速熟悉“数据集制作—指标计算—结果解读”的完整闭环。看完后直接跳到快手短视频用户活跃度分析这一块，这是整套资料里综合性最强、最贴近互联网真实业务的部分，重点看怎么把一个模糊的业务目标拆解成具体的特征序列，以及如何定义标签。

资料怎么配合练习，学完能独立做什么

看视频时切忌只当连续剧刷。正确的使用方法是：每看完一个模块的思路讲解，立刻暂停，自己用 pandas 把数据读进来，尝试写几行代码构建特征。遇到卡壳的地方，再回去看视频里的具体写法。资料里的数据集线索需要你自己动手整理成结构化表格，不要指望直接拿现成代码跑通就万事大吉。把关联规则和序列特征提取这两块彻底吃透，并跟着敲一遍代码后，你应当能独立完成这几件事：拿到一份业务方给的历史数据，自己判断该用分类还是回归；独立完成缺失值处理、特征提取和标签对齐；最终训练出一个能输出预测结果的模型，并写出一份简短的分析结论。这就达到了日常工作中独立承担基础数据挖掘任务的标准。


学习机器学习实战经验

课程目录

*   01 Python实战关联规则/

  *   01 关联规则概述.mp4 06:57

  *   02 支持度与置信度.mp4 08:58

  *   03 提升度的作用.mp4 08:44

  *   04 Python实战关联规则.mp4 09:04

  *   05 数据集制作.mp4 07:51

  *   06 电影数据集题材关联分析.mp4 07:53

*   02 快手短视频用户活跃度分析/

  *   01 任务目标与数据分析.mp4 09:37

  *   02 整体模型架构.mp4 06:13

  *   03 构建用户特征序列.mp4 10:14

  *   04 序列特征提取方法.mp4 08:56

  *   05 生成特征汇总表.mp4 07:58

  *   06 标签制作.mp4 05:12

  *   07 网络训练模块.mp4 09:57

  *   08 得出最终模型结果.mp4 08:18

*   03 工业化工生产预测/

  *   01 数据任务概述.mp4 04:23

  *   02 数据异常检查.mp4 09:16

  *   03 时间特征提取.mp4 11:45

  *   04 各道工序特征构建.mp4 09:41

  *   05 准备训练数据.mp4 08:20

  *   06 训练xgboost模型.mp4 09:01

*   04 智慧城市-道路通行时间预测/

  *   01 数据与任务目标分析.mp4 08:28

  *   02 数据清洗与标签转换.mp4 07:09

  *   03 道路通行时间序列数据生成.mp4 08:01

  *   04 序列缺失补全方法.mp4 08:18

  *   05 基于回归与插值完成序列特征.mp4 09:41

  *   06 基于回归与插值进行序列补全.mp4 06:53

  *   07 特征汇总.mp4 08:14

  *   08 建立回归模型进行预测.mp4 10:00

*   05 医学糖尿病数据命名实体识别/

  *   01 数据与任务介绍.mp4 07:03

  *   02 整体模型架构.mp4 04:48

  *   03 数据-标签-语料库处理.mp4 10:15

  *   04 输入样本填充补齐.mp4 09:24

  *   05 训练网络模型.mp4 10:00

  *   06 医疗数据集（糖尿病）实体识别.mp4 09:57

*   06 贷款平台风控模型-特征工程/

  *   01 竞赛任务目标.mp4 05:36

  *   02 图模型信息提取.mp4 08:58

  *   03 节点权重特征提取(PageRank).mp4 10:22

  *   04 deepwalk构建图顶点特征.mp4 10:33

  *   05 各项统计特征.mp4 06:43

  *   06 app安装特征.mp4 06:28

  *   07 图中联系人特征.mp4 06:54

*   07 新闻关键词抽取模型/

  *   01 任务目标与数据集介绍.mp4 05:37

  *   02 数据清洗与预处理.mp4 09:32

  *   03 基本特征抽取.mp4 06:32

  *   04 文章与词向量分析.mp4 08:47

  *   05 权重划分.mp4 08:57

  *   06 候选词统计特征.mp4 09:06

  *   07 textrank特征提取.mp4 06:17

  *   08 候选词相似度特征.mp4 05:19

  *   09 特征工程汇总.mp4 13:06

*   08 商品销售额回归分析/

  *   01 数据任务分析.mp4 10:04

  *   02 特征工程制作.mp4 12:24

  *   03 统计指标生成.mp4 11:32

  *   04 特征信息提取.mp4 14:01

  *   05 标签变换.mp4 08:21

  *   06 输入数据制作.mp4 08:33

  *   07 Xgboost训练模型.mp4 10:14

  *   08 生成输出结果.mp4 11:43

*   09 机器学习-模型解释方法实战/

  *   01 模型解释方法与实践.mp4 11:16

  *   02 部分依赖图解释.mp4 06:05

  *   03 双变量分析.mp4 05:54

  *   04 ShapValues指标分析.mp4 10:23

  *   05 疾病引起原因分析实战.mp4 09:38

*   10 自然语言处理必备工具包实战/

  *   01 Python字符串处理.mp4 11:50

  *   02 正则表达式基本语法.mp4 09:06

  *   03 正则常用符号.mp4 09:02

  *   04 常用函数介绍.mp4 09:51

  *   05 NLTK工具包简介.mp4 07:54

  *   06 停用词过滤.mp4 07:11

  *   07 词性标注.mp4 08:21

  *   08 数据清洗实例.mp4 10:17

  *   09 Spacy工具包.mp4 09:55

  *   10 名字实体匹配.mp4 06:56

  *   11 恐怖袭击分析.mp4 11:07

  *   12 统计分析结果.mp4 07:57

  *   13 结巴分词器.mp4 08:42

  *   14 词云展示.mp4 08:37

*   11 NLP核心模型-word2vec/

  *   01 词向量模型通俗解释.mp4 08:14

  *   02 模型整体框架.mp4 10:09

  *   03 训练数据构建.mp4 05:10

  *   04 CBOW与Skip-gram模型.mp4 08:20

  *   05 负采样方案.mp4 07:40

*   12 图像特征聚类分析实践/

  *   01 数据与任务流程分析.mp4 08:06

  *   02 图片数据导入.mp4 09:22

  *   03 图像特征编码.mp4 09:15

  *   04 数组保存与读取.mp4 04:55

  *   05 得出聚类结果.mp4 10:34

  *   06 聚类效果可视化展示.mp4 16:45

*   13 银行客户还款可能性预测/

  *   01 数据任务介绍及缺失值处理.mp4 12:09

  *   02 EDA数据探索分析.mp4 10:52

  *   03 特征展示分析.mp4 10:51

  *   04 KDEPLOT展示.mp4 09:22

  *   05 部分特征分析与可视化.mp4 10:12

  *   06 数据检查与特征工程.mp4 12:31

  *   07 多项式特征.mp4 09:24

  *   08 自定义特征.mp4 05:49

  *   09 逻辑回归模型.mp4 09:54

  *   10 结果评估.mp4 13:02

  *   11 算法对比选择.mp4 07:30

  *   12 必杀神奇：lightgbm.mp4 10:07