飞豹客 · 课能看,资料也能带走
飞豹客AI

机器学习-决策树&集成学习

这门课值不值得学 很多做业务的人一提到机器学习,总觉得是搞大模型、弄深度神经网络,离自己很远。这门课的主题是决策树和集成学习,它解决的恰恰是日常职场里最常见的一类问题:结构化表格数据的分析与预测。比如怎么从一堆用户行为特征里识别出欺诈风险,怎么判断一个客户会不会流失。相比一上来就堆砌复杂的神经网络,

单课价¥39.00新品 上架
会员价¥7.80开通会员,全站课程按会员价下载套餐详情
0 人关注 更新于 2026-10-21 永久有效
发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服 联系客服

购买本课销量 0 · 永久有效
会员价 · 单课标价 ¥39.00

会员 · 按档位

永久¥19.505折
年¥23.406折
月¥27.307折

游客按标价购买,不享受上表折扣。

支付成功后自动发放网盘链接,链接失效可找客服免费补

正版保障 极速发货 售后无忧

这门课值不值得学

很多做业务的人一提到机器学习,总觉得是搞大模型、弄深度神经网络,离自己很远。这门课的主题是决策树和集成学习,它解决的恰恰是日常职场里最常见的一类问题:结构化表格数据的分析与预测。比如怎么从一堆用户行为特征里识别出欺诈风险,怎么判断一个客户会不会流失。相比一上来就堆砌复杂的神经网络,树模型可解释性强,计算成本不高,在金融风控、营销转化、业务异常检测这些场景里依然是主力算法。如果你是做数据分析、运营策略或者准备转行做算法工程,想补齐一套能直接落地的建模方法,这门课的性价比是相当明确的。它不讲空泛的数学推导,而是直接带你从信息熵概念走到反欺诈模型实战,把业务问题翻译成代码逻辑,这正是很多人卡住的地方。

适合什么基础,建议先看哪几块

这门课不适合完全零基础的人。你需要有基础的 Python 编程能力,最好能看懂常用的数据处理操作,同时对分类、准确率这些基本概念有大概印象。如果你已经学过一些理论,但每次面对真实业务数据就不知道从哪下手,这课刚好补上这一段。建议先看第一部分关于信息熵和手写决策树的内容,不要跳过手写实现,自己敲一遍能帮你彻底搞懂树是怎么分裂节点的。接着直接进入第二部分反欺诈模型构建,重点看特征筛选和阈值调优那几节,这部分是业务落地最容易踩坑的地方。第三部分集成学习和随机森林,重点理解多个弱分类器怎么组合起来提升稳定性,而不是死记硬背参数。这样看下来,你对树模型的理解会从调包变成能说清楚原理。

学完能独立做什么,资料怎么配合练习

学完之后,你应该能独立完成一个标准的结构化数据建模流程:拿到业务数据后自己分析特征,处理样本不均衡,训练决策树模型,用网格搜索调参,最后根据业务诉求选择合适的评估指标和判定阈值,再通过集成方法进一步提升模型鲁棒性。资料配合练习方面,建议不要只看视频,跟着第一部分的代码自己写一遍核心逻辑,理解透了再跑第二部分的实战项目。第二部分的业务数据一定要自己实际跑通一遍特征处理和模型训练,把里面的参数网格改一改,看看指标变化。到了第三部分集成学习,试着把前面单棵树和集成模型的结果做个对比,观察召回率的变化。整个学习过程把重点放在理解每个步骤为什么这么做,而不是把代码原封不动抄一遍就完事,这样遇到新的业务场景才能迁移过去。

课程目录

课程目录18 集
  • 1-1 [信息熵与手写决策树] 课程介绍与资源下载 (08:37).mp4
  • 1-2 [信息熵与手写决策树] 什么是信息熵 (21:55).mp4
  • 1-3 [信息熵与手写决策树] 决策树极简案例 (20:45).mp4
  • 1-4 [信息熵与手写决策树] numpy手写决策树_上 (14:38).mp4
  • 1-5 [信息熵与手写决策树] numpy手写决策树_下 (20:55).mp4
  • 2-1 [决策树构建反欺诈模型] 数据获取与业务分析 (11:56).mp4
  • 2-2 [决策树构建反欺诈模型] 特征筛选与数据采样 (16:29).mp4
  • 2-3 [决策树构建反欺诈模型] 决策树模型训练 (14:20).mp4
  • 2-4 [决策树构建反欺诈模型] 参数调优与网格搜索 (16:24).mp4
  • 2-5 [决策树构建反欺诈模型] 召回率与最优阈值 (22:56).mp4
  • 3-1 [集成学习与随机森林] Voting集成学习 (15:58).mp4
  • 3-2 [集成学习与随机森林] Bagging集成学习 (17:16).mp4
  • 3-3 [集成学习与随机森林] 集成学习综合案例 (19:06).mp4
  • 3-4 [集成学习与随机森林] 集成学习与网格搜索 (15:56).mp4
  • 4-1 [Boosting与神经网络初探] Boosting之AdaBoost (12:58).mp4
  • 4-2 [Boosting与神经网络初探] GBDT Boosting (09:07).mp4
  • 4-3 [Boosting与神经网络初探] 深度学习初探 (15:56).mp4
  • 4-4 [Boosting与神经网络初探] 课程总复习和下季剧透 (09:28).mp4