赋范AI-Sklearn经典机器学习【专项课】

课程目录

sklearn中的神经网络/
1.打开深度学习的大门，神经网络入门 .sz
2.1 回归单层神经网络：线性回归 .sz
2.2 二分类单层神经网络：sigmoid函数与阶跃函数 .sz
2.3 多分类单层神经网络：softmax回归 .sz
2.4 回归vs二分类vs多分类 .sz
3.1 异或门问题 .sz
3.2 多层神经网络的数学表示 .sz
3.3 探索多层神经网络：层 vs h(z) .sz
3.4 激活函数：h(z) vs g(z) ReLU Tanh .sz
3.5 确认隐藏层、神经元个数以及激活函数 .sz
4.1.1 小批量随机梯度下降：向全局最优前进 .sz
4.1.2 关于小批量随机梯度下降提升模型速度的讨论 .sz
4.2.1 神经网络的损失函数与梯度 .sz
4.2.2 & 4.2.3 模型参数的初始值，全数据，小批量，epochs .sz
4.2.4 学习率与学习率的衰减策略 .sz
4.2.5 从第一次迭代到第t次迭代 .sz
4.2.6 神经网络的收敛与停止 .sz
4.3.1 神经网络的正向传播 .sz
4.3.2 反向传播 .sz
5 通往深度学习的大门 .sz
第10章：朴素贝叶斯/
10 0 本周要讲解的内容.mp4
10 1.1 为什么需要朴素贝叶斯.mp4
10 1.2 概率论基础 - 贝叶斯理论等式.mp4
10 1.2.1 瓢虫冬眠：理解条件概率.mp4
10 1.2.2 贝叶斯的性质与最大后验估计.mp4
10 1.2.3 汉堡称重：连续型变量的概率估计.mp4
10 1.3 sklearn中的朴素贝叶斯.mp4
10 2.1.1 认识高斯朴素贝叶斯.mp4
10 2.1.2 高斯朴素贝叶斯擅长的数据集.mp4
10 2.1.3 探索贝叶斯 - 拟合中的特性与运行速度.mp4
10 2.2.1 概率类模型的评估指标 (1) - 布里尔分数.mp4
10 2.2.1 概率类模型的评估指标 (2) - 布里尔分数的可视化.mp4
10 2.2.2 概率类模型的评估指标 (3) - 对数损失Log loss.mp4
10 2.2.3 概率类模型的评估指标 (4) - 可靠性曲线.mp4
10 2.2.4 概率类模型的评估指标 (5) - 概率分布直方图.mp4
10 2.2.5 概率类模型的评估指标 (6) - 概率校准.mp4
10 2.3.1 多项式朴素贝叶斯 (1) - 认识多项式朴素贝叶斯.mp4
10 2.3.1 多项式朴素贝叶斯 (2) - 数学原理.mp4
10 2.3.1 多项式朴素贝叶斯 (3) - sklearn中的类与参数.mp4
10 2.3.1 多项式朴素贝叶斯 (4) - 来构造一个分类器吧.mp4
10 2.3.2 伯努利朴素贝叶斯 (1) - 认识伯努利朴素贝叶斯.mp4
10 2.3.2 伯努利朴素贝叶斯 (2) - sklearn中的类与参数.mp4
10 2.3.2 伯努利朴素贝叶斯 (3) - 构造一个分类器.mp4
10 2.3.3 探索贝叶斯 - 朴素贝叶斯的样本不均衡问题.mp4
10 2.3.4 补集朴素贝叶斯（1） - 补集朴素贝叶斯的原理.mp4
10 2.3.4 补集朴素贝叶斯（2） - 处理样本不均衡问题.mp4
10 3.1 案例：贝叶斯做文本分类 (1) - 单词计数向量技术.mp4
10 3.2 案例：贝叶斯做文本分类 (2) - 单词计数向量的问题.mp4
10 3.3 案例：贝叶斯做文本分类 (3) - TF-IDF技术.mp4
10 3.4 案例：贝叶斯做文本分类 (4) - 探索和提取文本数据.mp4
10 3.5 案例：贝叶斯做文本分类 (5) - 使用TF-IDF编码文本数据.mp4
10 3.6 案例：贝叶斯做文本分类 (6) - 算法应用与概率校准.mp4
第11章：XGBoost/
11 0 本周要学习什么_trim 125.sz
11 1 XGBoost前瞻：安装xgboost，xgboost库与sklearn API 900.sz
11 2.1 梯度提升树(1)：集成算法回顾，重要参数n_estimators 515.sz
11 2.1 梯度提升树(2)：参数n_estimators下的建模 442.sz
11 2.1 梯度提升树(3)：参数n_estimators的学习曲线 547.sz
11 2.1 梯度提升树(4)：基于方差-偏差困境改进的学习曲线 722.sz
11 2.2 梯度提升树(5)：控制有放回随机抽样，参数subsample 655.sz
11 2.3 梯度提升树(6)：迭代决策树：重要参数eta 224.sz
11 2.3 梯度提升树(7)：迭代决策树：重要参数eta 959.sz
11 3.1 XGBoost的智慧 (1)：选择弱评估器：重要参数booster 55.sz
11 3.2 XGBoost的智慧 (2)：XGBoost的目标函数，使用xgboost库 910.sz
11 3.3 XGBoost的智慧 (3)：求解XGBoost的目标函数 - 推导过程 495.sz
11 3.3 XGBoost的智慧 (4)：求解XGboost的目标函数 - 泰勒展开的相 750.sz
11 3.4 XGBoost的智慧 (5)：参数化决策树，正则化参数lambda与alph 606.sz
11 3.5 XGBoost的智慧 (6)：建立目标函数与树结构的直接联系 693.sz
11 3.5 XGBoost的智慧 (7)：最优树结构，求解w和T 357.sz
11 3.6 XGBoost的智慧 (8)：贪婪算法求解最优树 292.sz
11 3.7 XGBoost的智慧 (9)：让树停止生长：重要参数gamma与工具xgb. 468.sz
11 4.1 XGBoost应用 (1)：减轻过拟合：XGBoost中的剪枝参数 715.sz
11 4.1 XGBoost应用 (2)：使用xgb.cv进行剪枝参数的调参 130.sz
11 4.2 XGBoost应用 (3)：使用pickle保存和调用训练好的XGB模型 65.sz
11 4.2 XGBoost应用 (4)：使用joblib保存和调用训练好的XGB模型 641.sz
11 4.3 XGBoost应用 (5)：XGB分类中的样本不平衡问题 - sklearn 416.sz
11 4.3 XGBoost应用 (6)：XGB分类中的样本不平衡问题 - xgboost 423.sz
11 4.4 XGBoost应用 (7)：XGB应用中的其他问题 278.sz
第1章：决策树/
1 1. 引言，sklearn入门 .sz
1 2. 决策树：概述 .sz
1 3. 分类树：参数Criterion .sz
1 4. 分类树：实现一棵树，随机性参数 .sz
1 5. 分类树：剪枝参数调优(1) .sz
1 5. 分类树：剪枝参数调优(2) .sz
1 6. 分类树：重要属性和接口 .sz
1 7. 回归树：交叉验证 (1) .sz
1 7.回归树：交叉验证(2) .sz
1 7.回归树：参数，属性和接口 .sz
1 8. 回归树案例：用回归树拟合正弦曲线 .sz
1 9. 案例：泰坦尼克号生存者预测 (1) .sz
1 9. 案例：泰坦尼克号生存者预测 (2) .sz
1 9. 案例：泰坦尼克号生存者预测 (3) .sz
1 9.案例：泰坦尼克号生存者预测 (4) .sz
第2章：随机森林/
课时10：机器学习中调参的基本思想 .sz
课时11：【案例】随机森林在乳腺癌数据集上的调参（1） .sz
课时12：【案例】随机森林在乳腺癌数据集上的调参（2） .sz
课时1：集成算法概述 .sz
课时2：随机森林分类器 参数n-estimators与建立一片森林 .sz
课时3：参数booststrap &oob_score +重要属性和接口 .sz
课时4：【选学】袋装法的另一个必要条件 .sz
课时5：随机森林回归器 .sz
课时6：【案例】用随机森林填补缺失值（1） .sz
课时7：【案例】用随机森林填补缺失值（2） .sz
课时8：【案例】用随机森林填补缺失值（3） .sz
课时9：【案例】用随机森林填补缺失值（4） .sz
第3章：特征工程/
课时10：特征选择3：过滤法：卡方检验 .sz
课时11：特征选择4：过滤法：F检验和互信息法（1） .sz
课时12：特征选择5：过滤法：互信息法（2）+总结 .sz
课时13：特征选择6：嵌入法（1） .sz
课时14：特征选择7：嵌入法（2） .sz
课时15：特征选择8：包装法+总结 .sz
课时1：课纲概述 .sz
课时2：数据预处理1：无量纲化：数据归一化 .sz
课时3：数据预处理2：无量纲化：数据标准化 .sz
课时4：数据预处理3：缺失值（1） .sz
课时5：数据预处理4：缺失值（2） .sz
课时6：数据预处理5：处理分类型数据：编码和哑变量 .sz
课时7：数据预处理6：处理连续型数据：二值化和分箱 .sz
课时8：特征选择1：过滤法：方差过滤（1） .sz
课时9：特征选择2：过滤法：方差过滤（2） .sz
第4章：降维算法/
课时10：【案例】PCA实现784个特征的手写数字的降维（1） .sz
课时11：【案例】PCA实现784个特征的手写数据的降维（2） .sz
课时1：概述 .sz
课时2：降维究竟怎样实现？ .sz
课时3：参数+案例：高维数据的可视化（1） .sz
课时4：参数+案例：高维数据的可视化（2） .sz
课时5：PCA中的SVD、重要参数svd_solver .sz
课时6：参数+案例：人脸识别中的components_应用 .sz
课时7：重要接口+案例1：用人脸识别看PCA降维后的信息保存量 .sz
课时8：重要接口+案例2：用PCA实现手写数字的噪音过滤 .sz
课时9：原理、流程、重要属性接口和参数的总结 .sz
第5章：逻辑回归/
课时10：逻辑回归的特征工程 (4) .sz
课时11：重要参数max_iter - 梯度下降求解逻辑回归的过程 .sz
课时12：梯度的概念与解惑 .sz
课时13：步长的概念与解惑 .sz
课时14：二元回归与多元回归：重要参数solver & multi_class .sz
课时15：样本不均衡与参数class_weight .sz
课时16：【案例】用逻辑回归制作评分卡 - 评分卡与完整的模型开发流程 .sz
课时17：【案例】评分卡 - 数据预处理(1) - 重复值与缺失值 .sz
课时18：【案例】评分卡 - 数据预处理 (2) - 异常值 .sz
课时19：【案例】评分卡 - 数据预处理 (3) - 标准化 .sz
课时1：前言 .sz
课时20：【案例】评分卡 - 数据预处理 (4) - 样本不均衡问题 .sz
课时21：【案例】评分卡 - 数据预处理 (5) - 保存训练集和测试集数据 .sz
课时22：【案例】评分卡 - 分箱 (1) - 概述与概念 .sz
课时23：【案例】评分卡 - 分箱 (2) - 等频分箱 (1) .sz
课时24：【案例】评分卡 - 分箱 (3) - 等频分箱 (2) .sz
课时25：【案例】评分卡 - 分箱 (4) - 选学说明 .sz
课时26：【案例】评分卡 - 分箱 (5) - 计算WOE与IV .sz
课时27：【案例】评分卡-分箱 (6)-卡方检验，箱体合并，IV值曲线，确定最优的箱子个数 .sz
课时28：【案例】评分卡 - 分箱 (7) - 包装分箱函数 .sz
课时29：【案例】评分卡 - 分箱 (8) - 包装判断分箱个数的函数 .sz
课时2：逻辑回归概述：名为“回归”的分类器 .sz
课时30：【案例】评分卡 - 分箱（9）-对所有特征进行分箱 .sz
课时31：【案例】评分卡 - 映射数据（1） .sz
课时32：【案例】评分卡 - 映射数据（2） .sz
课时33：【案例】评分卡 - 建模与模型验证 .sz
课时34：【案例】评分卡 - 评分卡的输出和建立 .sz
课时3：为什么需要逻辑回归 .sz
课时4：sklearn当中的逻辑回归 .sz
课时5：二元逻辑回归的损失函数 .sz
课时6：正则化：重要参数penalty & C .sz
课时7：逻辑回归的特征工程 (1) .sz
课时8：逻辑回归的特征工程 (2) .sz
课时9：逻辑回归的特征工程 (3) .sz
第6章：聚类算法/
6 0 概述 .sz
6 1.1 无监督学习概述，聚类vs分类 .sz
6 1.2 sklearn当中的聚类算法 .sz
6 2.1 Kmeans是如何工作的？ .sz
6 2.2 & 2.3 簇内平方和，时间复杂度 .sz
6 3.1.1 KMeans - 重要参数n_clusters .sz
6 3.1.2 聚类算法的模型评估指标 (1) .sz
6 3.1.2 聚类算法的模型评估指标 (2) - 轮廓系数 .sz
6 3.1.2 聚类算法的模型评估指标 (3) - CHI .sz
6 3.1.3 案例：轮廓系数找最佳n_clusters (1) .sz
6 3.1.3 案例：轮廓系数找最佳n_clusters (2) .sz
6 3.1.3 案例：轮廓系数找最佳n_clusters (3) .sz
6 3.2 重要参数init&random_state&n_init：初始质心怎么决定？ .sz
6 3.3 重要参数max_iter & tol：如何让聚类停下来？ .sz
6 3.4 重要属性与接口 & 函数k_means .sz
6 4 案例：Kmeans做矢量量化 (1)：案例背景 .sz
6 4 案例：Kmeans做矢量量化 (2) .sz
6 4 案例：Kmeans做矢量量化 (3) .sz
6 4 案例：Kmeans做矢量量化 (4) .sz
第7章：支持向量机（上）/
7 0 本周要学习什么 .sz
7 1.1 支持向量机概述：最强大的机器学习算法 .sz
7 1.2 支持向量机是如何工作的 & sklearn中的SVM .sz
7 2.1.1 线性SVC的损失函数 (1) .sz
7 2.1.1 线性SVC的损失函数 (2) .sz
7 2.1.2 函数间隔与几何间隔 .sz
7 2.1.3.1 损失函数的拉格朗日乘数形态 .sz
7 2.1.3.2 拉格朗日对偶函数 (1) .sz
7 2.1.3.2 拉格朗日对偶函数 (2) .sz
7 2.1.3.3 求解拉格朗日对偶函数极其后续过程 .sz
7 2.1.4 线性SVM的求解过程的可视化 (1)：理解等高线函数contour .sz
7 2.1.4 线性SVM的求解过程的可视化 (2)：理解网格制作函数meshgrid .sz
7 2.1.4 线性SVM的求解过程的可视化 (3)：建模，绘制图像并包装函数 .sz
7 2.1.4 线性SVM的求解过程的可视化 (4)：探索建立好的模型 .sz
7 2.1.4 线性SVM的求解过程的可视化 (5)：非线性数据集上的推广与3D可视化 .sz
7 2.1.4 线性SVM的求解过程的可视化 (6)：3D交互功能 .sz
7 2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel .sz
7 2.2.3 案例：如何选取最佳核函数 (1) .sz
7 2.2.3 案例：如何选取最佳核函数 (2) .sz
7 2.2.4 案例：在乳腺癌数据集上探索核函数的性质 .sz
7 2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1) .sz
7 2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2) .sz
7 2.3.1 SVM在软间隔数据上的推广 .sz
7 2.3.2 重要参数C & 总结 .sz
第8章：支持向量机（下）/
8 0 目录：本周将学习什么 .sz
8 1.1 简单复习支持向量机的基本原理 .sz
8 1.2 参数C的深入理解：多个支持向量存在的理由 .sz
8 1.3 二分类SVC中的样本不均衡问题：重要参数class_weight .sz
8 1.3 如何使用参数class_weight (1) .sz
8 1.3 如何使用参数class_weight (2) .sz
8 2 SVC的模型评估指标 .sz
8 2.1 样本不平衡的艺术(1)：精确度Precision .sz
8 2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure .sz
8 2.1 混淆矩阵与准确率 .sz
8 2.1.3 对多数类样本的关怀：特异度Specificity与假正率FPR .sz
8 2.1.4 sklearn中的混淆矩阵 .sz
8 2.2.0 ROC曲线：Recall与假正率FPR的平衡 .sz
8 2.2.1 概率与阈值 .sz
8 2.2.2 SVM做概率预测 .sz
8 2.2.3 绘制ROC曲线 .sz
8 2.2.4 sklearn中的ROC曲线和AUC面积 .sz
8 2.2.5 利用ROC曲线求解最佳阈值 .sz
8 3 选学说明：使用SVC时的其他考虑 .sz
8 4 案例：预测明天是否会下雨 - 案例背景 .sz
8 4.1 案例：导库导数据，探索特征，jupyter中的快捷键 .sz
8 4.2 案例：分集，优先处理标签 .sz
8 4.3.1 案例：描述性统计，处理异常值 .sz
8 4.3.2 案例：现实数据上的数据预处理 - 处理时间 .sz
8 4.3.3 案例：现实数据上的数据预处理 - 处理地点 .sz
8 4.3.4 案例：现实数据上的数据预处理 - 填补分类型缺失值 .sz
8 4.3.5 案例：现实数据上的数据预处理 - 编码分类型变量 .sz
8 4.3.6 & 4.3.7 案例：现实数据集上的数据预处理 - 处理连续型变量 .sz
8 4.4 案例：建模与模型评估 .sz
8 4.5.1 案例：模型调参：追求最高的recall .sz
8 4.5.2 案例：模型调参：追求最高的精确度 .sz
8 4.5.3 案例：模型调参：追求精确度与recall的平衡 .sz
8 4.6 SVM总结与结语 .sz
第9章：线性回归/
9 0 本周要学习什么 .sz
9 1 概述，sklearn中的线性回归大家族 .sz
9 2.1 多元线性回归的基本原理和损失函数 .sz
9 2.2 用最小二乘法求解多元线性回归的过程 .sz
9 2.3 多元线性回归的参数，属性及建模代码 .sz
9 3.1 回归类模型的评估指标：是否预测准确？ .sz
9 3.2 回归类模型的评估指标：是否拟合了足够的信息？ .sz
9 4.1 多重共线性：含义，数学，以及解决方案 .sz
9 4.2.1 岭回归处理多重共线性 .sz
9 4.2.2 sklearn中的岭回归：linear_model.Ridge .sz
9 4.2.3 为岭回归选择最佳正则化参数 .sz
9 4.3.1 Lasso处理多重共线性 .sz
9 4.3.2 Lasso的核心作用：特征选择 .sz
9 4.3.3 Lasso选择最佳正则化参数 .sz
9 5.1.1 & 5.1.2 线性数据与非线性数据 .sz
9 5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现 .sz
9 5.1.3 线性vs非线性模型 (2)：拟合，效果与特点 .sz
9 5.2 离散化：帮助线性回归解决非线性问题 .sz
9 5.3.1 多项式对数据做了什么？ .sz
9 5.3.2 多项式回归提升模型表现 .sz
9 5.3.3 多项式回归的可解释性 .sz
9 5.3.4 多项式回归：线性还是非线性模型？ .sz
配套课件.zip