1_Lesson-0.1-前言与导学（上）.mp4 · 2_Lesson-0.2-前言与导学（下）.mp4 · 3_Lesson-1.1-机器学习基本概念与建模

*   1_Lesson-0.1-前言与导学（上）.mp4

*   2_Lesson-0.2-前言与导学（下）.mp4

*   3_Lesson-1.1-机器学习基本概念与建模流程（上）.mp4

*   4_Lesson-1.2-机器学习基本概念与建模流程（下）.mp4

*   5_Lesson-2.1-矩阵运算基础、矩阵求导与最小二乘法（一）.mp4

*   6_Lesson-2.2-矩阵运算基础、矩阵求导与最小二乘法（二）.mp4

*   7_Lesson-2.3-矩阵运算基础、矩阵求导与最小二乘法（三）.mp4

*   8_Lesson-3.0-线性回归的手动实现.mp4

*   9_Lesson-3.1-变量相关性基础理论.mp4

*   10_Lesson-3.2-数据生成器与Python模块编写.mp4

*   11_Lesson-3.3-线性回归手动实现与模型局限.mp4

*   12_Lesson-3.4-机器学习模型可信度理论与交叉验证基础.mp4

*   13_Lesson-4.1.1-逻辑回归模型构建与多分类学习方法（上）.mp4

*   14_Lesson-4.1.2-逻辑回归模型构建与多分类学习方法（下）.mp4

*   15_Lesson-4.2-逻辑回归参数估计.mp4

*   16_Lesson-4.3.1-梯度下降基本原理与手动实现（上）.mp4

*   17_Lesson-4.3.2-梯度下降基本原理与手动实现（下）.mp4

*   18_Lesson-4.4.1-随机梯度下降与小批量梯度下降（上）.mp4

*   19_Lesson-4.4.2-随机梯度下降与小批量梯度下降（下）.mp4

*   20_Lesson-4.5.1-梯度下降优化基础：数据归一化与学习率调度（上）.mp4

*   21_Lesson-4.5.2-梯度下降优化基础：数据归一化与学习率调度（下）.mp4

*   22_Lesson-4.6.1-逻辑回归的手动实现方法（上）.mp4

*   23_Lesson-4.6.2-逻辑回归的手动实现方法（下）.mp4

*   24_Lesson-5.1-分类模型决策边界.mp4

*   25_Lesson-5.2-混淆矩阵与F1-Score.mp4

*   26_Lesson-5.3-ROC-AUC的计算方法、基本原理与核心特性.mp4

*   27_Lesson-6.1-Scikit-Learn快速入门.mp4

*   28_Lesson-6.2-Scikit-Learn常用方法速通.mp4

*   29_Lesson-6.3.1-正则化、过拟合抑制与特征筛选.mp4

*   30_Lesson-6.3.2-Scikit-Learn逻辑回归参数详解.mp4

*   31_Lesson-6.4-机器学习调参入门.mp4

*   32_Lesson-6.5.1-机器学习调参基础理论.mp4

*   33_Lesson-6.5.2-Scikit-Learn中网格搜索参数详解.mp4

*   34_Lesson-6.6.1-多分类评估指标函数的使用方法.mp4

*   35_Lesson-6.6.2-GridSearchCV的进阶使用方法.mp4

*   36_Lesson-7.1.1-无监督学习与K-Means基本原理.mp4

*   37_Lesson-7.1.2-K-Means聚类的Scikit-Learn实现.mp4

*   38_Lesson-7.2-Mini-Batch-K-Means与DBSCAN聚类.mp4

*   39_Lesson-8.1-决策树模型的核心思想与建模流程.mp4

*   40_Lesson-8.2.1-CART分类树的建模流程.mp4

*   41_Lesson-8.2.2-sklearn中CART分类树的参数详解.mp4

*   42_Lesson-8.3【加餐】ID3和C4.5的基本原理介绍.mp4

*   43_Lesson-8.4-CART回归树的建模流程与sklearn中评估器参数解释.mp4

*   44_Lesson-9.1-集成算法开篇：Bagging方法的基本思想.mp4

*   45_Lesson-9.2-随机森林回归器的实现.mp4

*   46_Lesson-9.3-随机森林回归器的参数.mp4

*   47_Lesson-9.4-集成算法的参数空间与网格优化.mp4

*   48_Lesson-9.5-随机森林在巨量数据上的增量学习.mp4

*   49_Lesson-9.6-Bagging及随机森林6大面试热点问题.mp4

*   50_Lesson-10.1-开篇：超参数优化与枚举网格搜索的理论极限.mp4

*   51_Lesson-10.2.1-随机网格搜索（上）.mp4

*   52_Lesson-10.2.2-随机网格搜索（下）.mp4

*   53_Lesson-10.3.1-Halving网格搜索（上）.mp4

*   54_Lesson-10.3.2-Halving网格搜索（下）.mp4

*   55_Lesson-10.4-贝叶斯优化的基本流程.mp4

*   56_Lesson-10.5-BayesOpt-vs-HyperOpt-vs-Optuna.mp4

*   57_Lesson-10.6-基于BayesOpt实现高斯过程gp优化.mp4

*   58_Lesson-10.7-基于HyperOpt实现TPE优化.mp4

*   59_Lesson-10.8-基于Optuna实现多种优化.mp4

*   60_Lesson-11.1-Boosting的基本思想与基本元素.mp4

*   61_Lesson-11.2-AdaBoost的参数（上）：弱评估器与学习率.mp4

*   62_Lesson-11.3-AdaBoost的参数（下）：实践算法与损失函数.mp4

*   150_Part-3.3.6-线性相关性的F检验.mp4

*   151_Part-3.3.7-离散变量之间的互信息法.mp4

*   152_Part-3.3.8-连续变量与离散变量的互信息法.mp4

*   153_Part-3.3.9-连续变量之间的互信息计算过程.mp4

*   154_Part-3.3.10-互信息法特征筛选实践.mp4

*   155_Part-3.3.11-feature_importance特征筛选.mp4

*   156_Part-3.3.12-RFE筛选与RFECV筛选.mp4

*   157_Part-3.3.13-SFS方法与SFM方法.mp4

*   158_Part-3.3.14-特征筛选方法总结.mp4

*   159_Part-4.0第四部分导学.mp4

*   160_Part-4.1.1-海量特征衍生与筛选（上）.mp4

*   161_Part-4.1.2-海量特征衍生与筛选（下）.mp4

*   162_Part-4.2.1-网格搜索超参数优化实战（上）.mp4

*   163_Part-4.2.2-网格搜索超参数优化实战（下）.mp4

*   164_Part-4.3.1-模型融合与深度森林技术体系介绍.mp4

*   165_Part-4.3.2.1-投票法与均值法.mp4

*   166_Part-4.3.2.2-阈值移动的TPE搜索与交叉验证.mp4

*   167_Part-4.3.3.1（新）-加权平均融合与理论最优权重.mp4

*   168_Part-4.3.3.2（新）-加权平均法的经验法权重设置策略.mp4

*   169_Part-4.3.3.3-基于搜索空间裁剪的权重搜索策略.mp4

*   170_Part-4.3.3.4-交叉训练与Stacking融合的基本思路.mp4

*   171_Part-4.3.4.1-交叉训练基本思想和数据准备.mp4

*   172_Part-4.3.4.2-随机森林模型的交叉训练过程.mp4

*   173_Part-4.3.4.3-决策树&逻辑回归的交叉训练.mp4

*   174_Part-4.3.4.4-基于交叉训练的TPE搜索融合.mp4

*   175_Part-4.3.5.1-细粒度&多级分层加权融合原理.mp4

*   176_Part-4.3.5.2-细粒度&多级分层加权融合实践.mp4

*   177_Part-4.3.6.1-Stacking基本原理与手动实现方法.mp4

*   178_Part-4.3.6.2-Stacking优化方法初阶.mp4

*   179_Part-4.3.7.1-Stacking一级学习器训练策略.mp4

*   180_Part-4.3.7.2-Stacking元学习器优化流程.mp4

*   181_Part-4.3.8.1-Stacking自动超参数交叉训练函数.mp4

*   182_Part-4.3.8.2-Stacking自动元学习器优化函数.mp4

*   183_Part-4.3.9-Blending融合原理与实践.mp4

*   184_Part-4.3.10-Blending融合进阶优化策略.mp4

*   185_Part-4.3.11.1-回归类集成算法优化策略（上）.mp4

*   186_Part-4.3.11.2-回归类集成算法优化策略（下）.mp4

*   187_Part-4.3.12.1-回归问题的加权平均融合方法实践.mp4

*   188_Part-4.3.12.2-回归问题的Stacking&Blending融合方法.mp4

*   189_【金融案例】01-认识捷信金融还款风险预测.mp4

*   190_【金融案例】02-比赛背景与目标.mp4

*   191_【金融案例】03-比赛背景与目标主表的特征字段讲解以及缺失值的处理.mp4

*   192_【金融案例】04数据探索：主表的异常值处理以及相关性分析.mp4

*   193_【金融案例】05海量数据处理入门.mp4

*   194_【金融案例】06三剑客建立baseline.mp4

*   195_【金融案例】07-主表的领域特征：还款业务指标.mp4

*   196_【金融案例】08-Leaking-proof式目标编码.mp4

*   197_【金融案例】09-GAME策略和bureau表单的业务特征衍生.mp4

*   198_【金融案例】11GAME策略在附表中的综合应用.mp4

*   199_【金融案例】10-GAME策略的进阶应用：相对性行为分析和分层聚合分析.mp4

*   200_【金融案例】12自动化衍生技巧以及featuretools库的基本流程.mp4

*   201_【金融案例】13-featuretools在HomeCredit数据集的进阶应用.mp4

*   202_【金融案例】-14-特征工程成果与focal-loss原理精讲.mp4

*   203_【金融案例】-15-focal-loss-在二分类上的实现.mp4

*   204_【金融案例】17-Leaking-Usage：重复申请人漏洞.mp4

*   205_【金融案例】-16-focal-loss在多分类上的实现.mp4

*   206_【金融案例】-18-optuna实现贝叶斯优化.mp4

*   207_【金融案例】19-逆向工程与无限融合.mp4

*   208_【股价项目】01认识量化交易和股票收益预测.mp4

*   209_【股价项目】02-股票相关的金融概念与评估指标.mp4

*   210_【股价项目】03-kaggle三大经典比赛形式.mp4

*   211_【股价项目】04-股票数据的特征含义与业务理解.mp4

*   212_【股价项目】05-数据探索与股票字段的深入理解.mp4

*   213_【股价项目】06-basline的建立.mp4

*   214_【股价项目】-07-kaggle常见Q&A.mp4

*   215_【股价项目】08-趋势特征分析简介.mp4

*   216_【股价项目】-09-历史平移和增长率特征.mp4

*   217_【股价项目】10-窗口统计特征.mp4

*   218_【股价项目】12-市场波动特征.mp4

*   219_【股价项目】11-指数加权移动平均.mp4

*   220_【股价项目】13-时序特征工程在股价数据中的应用.mp4

*   221_【股价项目】14-行业分段建模与模型融合.mp4

*   222_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务.mp4

*   223_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分.mp4

*   224_【WDSM时序案例】03-赛题理解(3)-解读测试数据集.mp4

*   225_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上).mp4

*   226_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下).mp4

*   227_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息.mp4

*   228_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息.mp4

*   229_【WDSM时序案例】08-理解时序预测(1)-单变量vs多变量时间序列.mp4

*   230_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点.mp4

*   231_【WDSM时序案例】09-理解时序预测(2)-时间序列的训练与预测（上）.mp4

*   232_【WDSM时序案例】10-理解时序预测(3)-时间序列的训练与预测（下）.mp4

*   233_【WDSM时序案例】12-理解时序预测(5)-统计学与机器学习中的时间序列模型.mp4

*   234_【WDSM时序案例】11-理解时序预测(4)-2大关键预测类型与前沿时序领域.mp4

*   235_【WDSM时序案例】13-理解时序预测(6)-深度学习领域的时间序列模型.mp4

*   236_【WDSM时序案例】14【加餐】ARIMA模型详解(1)-AR自回归模型原理与公式.mp4

*   237_【WDSM时序案例】16【加餐】时序模型-(3)-MA模型原理与公式讲解.mp4

*   238_【WDSM时序案例】15【加餐】ARIMA模型详解(2)-AR自回归模型的训练与测试流程.mp4

*   239_【WDSM时序案例】17【加餐】时序模型-(4)-MA模型训练与测试流程.mp4

*   240_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算.mp4

*   241_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算.mp4

*   242_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像.mp4

*   243_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求.mp4

*   244_【WDSM时序案例】23【加餐】时序模型-(10)-确定p、d、q的超参数值.mp4

*   245_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势.mp4

*   246_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标.mp4

*   247_【WDSM时序案例】25【加餐】ARIMA模型的实现-(1)-ARIMA经典假设与建模流程.mp4

*   248_【WDSM时序案例】26【加餐】ARIMA模型的实现-(2)-平稳性检验与差分运算.mp4

*   249_【WDSM时序案例】27【加餐】ARIMA模型的实现-(3)-确定d值，进行建模.mp4

*   250_【WDSM时序案例】29【加餐】ARIMA模型的实现-(5)-选择最佳参数组合.mp4

*   251_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单.mp4

*   252_【WDSM时序案例】31-多变量时序模型(2)-VAR与VARMA模型的数学表示.mp4

*   253_【WDSM时序案例】30-多变量时序模型(1)-多变量模型的基本思想.mp4

*   254_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现.mp4

*   255_【WDSM时序案例】34-机器学习中的时间序列(2)-Pmdarima实现滚动交叉验证.mp4

*   256_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX.mp4

*   257_【WDSM时序案例】35-机器学习中的时间序列(3)-Pmdarima实现滑窗交叉验证.mp4