Python机器学习实训营（零基础必备，原理推导+代码复现+实验分析）

学习机器学习算法数学原理推导，从零开始代码复现经典算法，通过案例实验分析核心知识点

*   01 线性回归原理推导/

  *   01 实训营课程简介.mp4 06:04

  *   02 回归问题概述.mp4 07:11

  *   03 误差项定义.mp4 09:41

  *   04 独立同分布的意义.mp4 07:32

  *   05 似然函数的作用.mp4 10:50

  *   06 参数求解.mp4 11:11

  *   07 梯度下降通俗解释.mp4 08:34

  *   08 参数更新方法.mp4 08:17

  *   09 优化参数设置.mp4 08:51

*   02 线性回归代码实现/

  *   01 线性回归整体模块概述.mp4 05:16

  *   02 初始化步骤.mp4 07:11

  *   03 实现梯度下降优化模块.mp4 10:10

  *   04 损失与预测模块.mp4 11:40

  *   05 数据与标签定义.mp4 10:00

  *   06 训练线性回归模型.mp4 10:43

  *   07 得到线性回归方程.mp4 06:58

  *   08 整体流程debug解读.mp4 08:16

  *   09 多特征回归模型.mp4 09:46

  *   10 非线性回归.mp4 11:22

*   03 模型评估方法/

  *   01 Sklearn工具包简介.mp4 04:56

  *   02 数据集切分.mp4 07:15

  *   03 交叉验证的作用.mp4 11:03

  *   04 交叉验证实验分析.mp4 14:51

  *   05 混淆矩阵.mp4 07:52

  *   06 评估指标对比分析.mp4 12:13

  *   07 阈值对结果的影响.mp4 08:26

  *   08 ROC曲线.mp4 08:58

*   04 线性回归实验分析/

  *   01 实验目标分析.mp4 08:09

  *   02 参数直接求解方法.mp4 08:47

  *   03 预处理对结果的影响.mp4 12:39

  *   04 梯度下降模块.mp4 06:36

  *   05 学习率对结果的影响.mp4 10:35

  *   06 随机梯度下降得到的效果.mp4 13:15

  *   07 MiniBatch方法.mp4 08:42

  *   08 不同策略效果对比.mp4 08:36

  *   09 多项式回归.mp4 11:16

  *   10 模型复杂度.mp4 16:02

  *   11 样本数量对结果的影响.mp4 15:55

  *   12 正则化的作用.mp4 09:32

  *   13 岭回归与lasso.mp4 19:29

  *   14 实验总结.mp4 12:19

*   05 逻辑回归原理推导/

  *   01 逻辑回归算法原理.mp4 08:23

  *   02 化简与求解.mp4 09:09

*   06 逻辑回归代码实现/

  *   01 多分类逻辑回归整体思路.mp4 07:35

  *   02 训练模块功能.mp4 09:56

  *   03 完成预测模块.mp4 06:48

  *   04 优化目标定义.mp4 09:31

  *   05 迭代优化参数.mp4 07:48

  *   06 梯度计算.mp4 09:53

  *   07 得出最终结果.mp4 10:40

  *   08 鸢尾花数据集多分类任务.mp4 06:55

  *   09 训练多分类模型.mp4 10:07

  *   10 准备测试数据.mp4 09:01

  *   11 决策边界绘制.mp4 09:21

  *   12 非线性决策边界.mp4 05:39

*   07 逻辑回归实验分析/

  *   01 逻辑回归实验概述.mp4 09:17

  *   02 概率结果随特征数值的变化.mp4 07:57

  *   03 可视化展示.mp4 10:20

  *   04 坐标棋盘制作.mp4 10:35

  *   05 分类决策边界展示分析.mp4 13:35

  *   06 多分类-softmax.mp4 13:08

*   08 聚类算法-Kmeans/

  *   01 KMEANS算法概述.mp4 11:33

  *   02 KMEANS工作流程.mp4 09:42

  *   03 KMEANS迭代可视化展示.mp4 08:19

*   09 聚类算法-DBSCAN/

  *   01 DBSCAN聚类算法.mp4 11:03

  *   02 DBSCAN工作流程.mp4 15:03

  *   03 DBSCAN可视化展示.mp4 08:52

*   10 Kmeans代码实现/

  *   01 Kmeans算法模块概述.mp4 03:49

  *   02 计算得到簇中心点.mp4 08:23

  *   03 样本点归属划分.mp4 07:21

  *   04 算法迭代更新.mp4 07:19

  *   05 鸢尾花数据集聚类任务.mp4 08:57

  *   06 聚类效果展示.mp4 11:30

*   11 聚类算法实验分析/

  *   01 Kmenas算法常用操作.mp4 09:21

  *   02 聚类结果展示.mp4 04:45

  *   03 建模流程解读.mp4 10:45

  *   04 不稳定结果.mp4 04:14

  *   05 评估指标-Inertia.mp4 07:24

  *   06 如何找到合适的K值.mp4 06:55

  *   07 轮廓系数的作用.mp4 09:15

  *   08 Kmenas算法存在的问题.mp4 07:19

  *   09 应用实例-图像分割.mp4 13:45

  *   10 半监督学习.mp4 12:23

  *   11 DBSCAN算法.mp4 08:10

*   12 决策树原理/

  *   01 决策树算法概述.mp4 08:29

  *   02 熵的作用.mp4 06:39

  *   03 信息增益原理.mp4 08:41

  *   04 决策树构造实例.mp4 07:40

  *   05 信息增益率与gini系数.mp4 06:07

  *   06 预剪枝方法.mp4 08:02

  *   07 后剪枝方法.mp4 06:54

  *   08 回归问题解决.mp4 05:54

*   13 决策树代码实现/

  *   01 整体模块概述.mp4 03:40

  *   02 递归生成树节点.mp4 08:49

  *   03 整体框架逻辑.mp4 05:47

  *   04 熵值计算.mp4 10:14

  *   05 数据集切分.mp4 07:03

  *   06 完成树模型构建.mp4 06:12

  *   07 测试算法效果.mp4 04:32

*   14 决策树实验分析/

  *   01 树模型可视化展示.mp4 08:19

  *   02 决策边界展示分析.mp4 10:34

  *   03 树模型预剪枝参数作用.mp4 10:48

  *   04 回归树模型.mp4 11:14

*   15 集成算法与随机森林/

  *   01 随机森林算法原理.mp4 10:18

  *   02 随机森林优势与特征重要性指标.mp4 10:21

  *   03 提升算法概述.mp4 08:51

  *   04 stacking堆叠模型.mp4 06:22

*   16 集成算法实验分析/

  *   01 构建实验数据集.mp4 06:27

  *   02 硬投票与软投票效果对比.mp4 11:04

  *   03 Bagging策略效果.mp4 07:34

  *   04 集成效果展示分析.mp4 10:42

  *   05 OOB袋外数据的作用.mp4 03:38

  *   06 特征重要性热度图展示.mp4 14:56

  *   07 Adaboost算法概述.mp4 04:45

  *   08 Adaboost决策边界效果.mp4 12:28

  *   09 GBDT提升算法流程.mp4 08:17

  *   10 集成参数对比分析.mp4 14:55

  *   11 模型提前停止策略.mp4 08:09

  *   12 停止方案实施.mp4 13:20

  *   13 堆叠模型.mp4 05:53

*   17 支持向量机原理推导/

  *   01 支持向量机要解决的问题.mp4 07:30

  *   02 距离与数据定义.mp4 08:00

  *   03 目标函数推导.mp4 09:12

  *   04 拉格朗日乘子法求解.mp4 07:36

  *   05 化简最终目标函数.mp4 06:03

  *   06 求解决策方程.mp4 11:16

  *   07 软间隔优化.mp4 12:42

  *   08 核函数的作用.mp4 09:24

  *   09 知识点总结.mp4 07:35

*   18 支持向量机实验分析/

  *   01 支持向量机所能带来的效果.mp4 08:55

  *   02 决策边界可视化展示.mp4 09:52

  *   03 软间隔的作用.mp4 10:31

  *   04 非线性SVM.mp4 06:52

  *   05 核函数的作用与效果.mp4 16:15

*   19 神经网络算法原理/

  *   01 深度学习要解决的问题.mp4 07:55

  *   02 深度学习应用领域.mp4 14:06

  *   03 计算机视觉任务.mp4 05:48

  *   04 视觉任务中遇到的问题.mp4 10:01

  *   05 得分函数.mp4 07:14

  *   06 损失函数的作用.mp4 10:42

  *   07 前向传播整体流程.mp4 13:45

  *   08 返向传播计算方法.mp4 09:33

  *   09 神经网络整体架构.mp4 10:52

  *   10 神经网络架构细节.mp4 10:54

  *   11 神经元个数对结果的影响.mp4 07:11

  *   12 正则化与激活函数.mp4 08:49

  *   13 神经网络过拟合解决方法.mp4 11:06

*   20 神经网络代码实现/

  *   01 神经网络整体框架概述.mp4 07:30

  *   02 参数初始化操作.mp4 12:44

  *   03 矩阵向量转换.mp4 09:10

  *   04 向量反变换.mp4 09:17

  *   05 完成前向传播模块.mp4 10:17

  *   06 损失函数定义.mp4 09:23

  *   07 准备反向传播迭代.mp4 08:01

  *   08 差异项计算.mp4 10:41

  *   09 逐层计算.mp4 10:10

  *   10 完成全部迭代更新模块.mp4 13:49

  *   11 手写字体识别数据集.mp4 10:31

  *   12 算法代码错误修正.mp4 10:37

  *   13 模型优化结果展示.mp4 10:51

  *   14 测试效果可视化展示.mp4 13:09

*   21 贝叶斯算法原理/

  *   01 贝叶斯要解决的问题.mp4 05:10

  *   02 贝叶斯公式推导.mp4 07:46

  *   03 拼写纠错实例.mp4 11:45

  *   04 垃圾邮件过滤实例.mp4 10:22

*   22 贝叶斯代码实现/

  *   01 朴素贝叶斯算法整体框架.mp4 06:04

  *   02 邮件数据读取.mp4 05:38

  *   03 预料表与特征向量构建.mp4 09:49

  *   04 分类别统计词频.mp4 09:00

  *   05 贝叶斯公式对数变换.mp4 08:07

  *   06 完成预测模块.mp4 08:40

*   23 关联规则实战分析/

  *   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

*   24 关联规则代码实现/

  *   01 Apripri算法整体流程.mp4 11:57

  *   02 数据集demo.mp4 04:11

  *   03 扫描模块.mp4 07:26

  *   04 拼接模块.mp4 06:17

  *   05 挖掘频繁项集.mp4 07:11

  *   06 规则生成模块.mp4 07:37

  *   07 完成全部算法流程.mp4 07:36

  *   08 规则结果展示.mp4 07:10

*   25 词向量word2vec通俗解读/

  *   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

*   26 代码实现word2vec词向量模型/

  *   01 数据与任务流程.mp4 10:36

  *   02 数据清洗.mp4 06:34

  *   03 batch数据制作.mp4 12:24

  *   04 网络训练.mp4 12:36

  *   05 可视化展示.mp4 06:19

*   27 推荐系统原理分析/

  *   01 推荐系统应用.mp4 10:34

  *   02 推荐系统要完成的任务.mp4 06:39

  *   03 相似度计算.mp4 10:46

  *   04 基于用户的协同过滤.mp4 10:02

  *   05 基于物品的协同过滤.mp4 14:45

  *   06 隐语义模型.mp4 07:31

  *   07 隐语义模型求解.mp4 09:45

  *   08 模型评估标准.mp4 07:43

*   28 打造音乐推荐系统/

  *   01 音乐推荐任务概述.mp4 17:35

  *   02 数据集整合.mp4 08:19

  *   03 基于物品的协同过滤.mp4 13:17

  *   04 物品相似度计算与推荐.mp4 19:14

  *   05 SVD矩阵分解.mp4 16:54

  *   06 基于矩阵分解的音乐推荐.mp4 14:44

*   29 线性判别分析降维算法原理解读/

  *   01 线性判别分析要解决的问题.mp4 12:20

  *   02 线性判别分析要优化的目标.mp4 12:03

  *   03 线性判别分析求解.mp4 12:08

  *   04 实现线性判别分析进行降维任务.mp4 10:19

  *   05 求解得出降维结果.mp4 08:55

*   30 主成分分析降维算法原理解读/

  *   01 PCA基本概念.mp4 12:12

  *   02 方差与协方差.mp4 06:51

  *   03 PCA结果推导.mp4 09:03

  *   04 PCA降维实例.mp4 19:17