以CRISP-DM为理论指导，系统介绍sklearn各模块的功能，从数据挖掘实战的角度出发详细介绍如何在sklearn中完成数据预处理、数据降维、数据建模、模型评估等各种操作，并突出特征选择、模型调参，模型集成等在数据挖掘实战环境中的重要课题。
* 01 python机器学习/数据挖掘概述/
* 01 如何用python做机器学习/数据挖掘？.mp4 10:05
* 02 课程内容介绍.mp4 08:52
* 03 使用sklearn的样本数据集.mp4 10:55
* 04 sklearn基本操作入门.mp4 18:58
* 05 本课程代码课件及数据下载
* 06 本课程案例数据及文档下载.mp4 00:10
* 02 数据的预处理/
* 01 连续变量的标准化.mp4 18:27
* 02 考虑异常分布的标准化.mp4 09:45
* 03 分类变量的预处理.mp4 14:01
* 04 缺失值的填充.mp4 05:05
* 05 生成多项式特征.mp4 05:08
* 06 自定义转换器.mp4 05:07
* 03 特征选择与信息浓缩/
* 01 特征筛选概述.mp4 08:12
* 02 基于简单统计特征进行筛选.mp4 07:53
* 03 基于统计误差进行筛选.mp4 06:15
* 04 基于建模结果进行筛选.mp4 05:35
* 05 数据降维与信息浓缩.mp4 13:58
* 04 回归类模型的训练/
* 01 回归类模型概述.mp4 20:42
* 02 回归类模型的种类.mp4 10:53
* 03 线性回归的sklearn实现.mp4 06:00
* 04 多项式回归.mp4 05:29
* 05 岭回归的基本原理.mp4 07:44
* 06 岭回归的实现.mp4 14:40
* 07 LASSO回归与弹性网络.mp4 14:38
* 08 最小角回归.mp4 13:25
* 09 梯度下降法的基本原理.mp4 10:11
* 10 随机梯度下降回归.mp4 05:58
* 05 类别预测模型的训练/
* 01 类别预测模型概述.mp4 10:33
* 02 类别预测模型的实现原理.mp4 15:22
* 03 类别预测模型的种类.mp4 10:26
* 04 logistic回归.mp4 12:47
* 05 神经网络的基本原理.mp4 16:41
* 06 神经网络的实现.mp4 11:39
* 07 树模型的基本原理.mp4 15:06
* 08 树模型的实现.mp4 11:53
* 09 随机梯度下降分类.mp4 05:07
* 06 聚类模型的训练/
* 01 聚类分析概述.mp4 15:22
* 02 聚类分析的种类.mp4 10:01
* 03 K均值聚类.mp4 14:03
* 04 BIRCH聚类.mp4 16:10
* 05 DBSCAN聚类.mp4 14:25
* 07 评估模型效果/
* 01 类别预测模型的评价.mp4 11:36
* 02 分类模型评价：混淆矩阵.mp4 06:43
* 03 分类模型评价：准确率与召回率.mp4 11:46
* 04 分类模型评价：结果的汇总.mp4 05:21
* 05 分类模型评价：ROC曲线.mp4 05:02
* 06 回归模型的评价.mp4 06:41
* 07 聚类模型的评价.mp4 11:01
* 08 与随机预测结果相比较.mp4 08:19
* 08 数据的拆分/
* 01 数据拆分方法概述.mp4 17:03
* 02 二分法的sklearn实现.mp4 06:13
* 03 交叉验证的sklearn实现（上）.mp4 11:24
* 04 交叉验证的sklearn实现（下）.mp4 07:49
* 09 模型参数优化/
* 01 如何改进数据挖掘模型的效果.mp4 13:05
* 02 参数的网格搜索.mp4 11:54
* 03 参数的随机搜索.mp4 10:01
* 04 验证曲线.mp4 06:29
* 05 学习曲线.mp4 11:23
* 10 模型集成/
* 01 用模型集成改进效果的基本思路.mp4 10:55
* 02 投票分类器.mp4 12:32
* 03 模型集成的基本原理.mp4 12:51
* 04 Bagging方法.mp4 10:56
* 05 随机森林.mp4 15:25
* 06 Adaboost方法.mp4 12:11
* 07 GBDT方法.mp4 15:48
* 11 结业测试/
* 01 Python数据挖掘系列课程结业测试
