第10章 评价分类结果
10-1 准确度的陷阱和混淆矩阵.mp4 38.30M
10-2 精准率和召回率.mp4 29.54M
10-3.mp4 103.77M
10-4.mp4 69.37M
10-5.mp4 91.68M
10-6.mp4 84.97M
10-7.mp4 65.70M
10-8.mp4 95.30M
第11章 支撑向量机 SVM
11-1.mp4 38.28M
11-2.mp4 51.14M
11-3.mp4 39.69M
11-4.mp4 117.94M
11-5.mp4 84.85M
11-6.mp4 40.05M
11-7.mp4 51.95M
11-8.mp4 76.38M
11-9.mp4 91.60M
第12章 决策树
12-1.mp4 57.42M
12-2 信息熵.mp4 48.50M
12-3 使用信息熵寻找最优划分.mp4 137.06M
12-4 基尼系数.mp4 66.53M
12-5 CART与决策树中的超参数.mp4 61.13M
12-6.mp4 38.03M
12-7.mp4 32.84M
第13章 集成学习和随机森林
13-1什么是集成学习.mp4 53.46M
13-2 SoftVoting Classifier.mp4 28.36M
13-3 Bagging和Pasting.mp4 33.44M
13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp4 31.85M
13-5 随机森林和Extra-Trees.mp4 25.99M
13-6 Ada Boosting和Gradient Boosting.mp4 28.67M
13-7 Stacking.mp4 11.50M
第14章 更多机器学习算法
14-1 学习scikit-learn文档.mp4 66.49M
第1章 欢迎来到 Python3 玩转机器学习
1-1导学.mp4 68.13M
1-2 课程涵盖的内容和理念.mp4 90.20M
1-3 课程所使用的主要技术栈.mp4 59.76M
第2章 机器学习基础
2-1 机器学习世界的数据.mp4 24.19M
2-2 机器学习的主要任务.mp4 21.89M
2-3 监督学习，非监督学习，半监督学习和增强学习.mp4 23.74M
2-4 批量学习，在线学习，参数学习和非参数学习.mp4 15.22M
2-5 和机器学习相关的哲学思考.mp4 15.47M
第3章 Jupyter Notebook, numpy和m
3-1 jupyter notebook基础.mp4 169.23M
3-10 Numpy中的比较和FancyIndexing.mp4 190.65M
3-11 Matplotlib数据可视化基础.mp4 153.48M
3-12 数据加载和简单的数据探索.mp4 112.89M
3-2 jupyter notebook中的魔法命令.mp4 189.47M
3-3 Numpy数据基础.mp4 68.20M
3-4 创建numpy数组和矩阵.mp4 188.08M
3-5 Numpy数组的基本操作.mp4 119.05M
3-6 Numpy数组的合并与分割.mp4 156.53M
3-7 Numpy中的矩阵运算.mp4 205.96M
3-8 Numpy中的聚合运算.mp4 107.92M
3-9 Numpy中的arg运算.mp4 95.42M
第4章 最基础的分类算法-k近邻算法 kNN
4-1 k近邻算法基础.mp4 136.81M
4-2 scikit-learn中的机器学习算法封装.mp4 206.27M
4-3 训练数据集，测试数据集.mp4 213.34M
4-4 分类准确度.mp4 174.77M
4-5 超参数.mp4 207.20M
4-6 网格搜索与k近邻算法中更多超参数.mp4 168.06M
4-7 数据归一化.mp4 105.87M
4-8 scikit-learn中的Scaler.mp4 185.31M
4-9 更多有关k近邻算法的思考.mp4 32.96M
第5章 线性回归法
5-1 简单线性回归.mp4 63.86M
5-10 线性回归的可解性和更多思考.mp4 86.80M
5-2 最小二乘法.mp4 33.46M
5-3 简单线性回归的实现.mp4 130.36M
5-4 向量化.mp4 105.40M
5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4 183.31M
5-6 最好的衡量线性回归法的指标 R Squared.mp4 109.94M
5-7 多元线性回归和正规方程解.mp4 44.04M
5-8 实现多元线性回归.mp4 118.66M
5-9 使用scikit-learn解决回归问题.mp4 118.16M
第6章 梯度下降法
6-1 什么是梯度下降法.mp4 44.18M
6-2 模拟实现梯度下降法.mp4 185.39M
6-3 线性回归中的梯度下降法.mp4 70.44M
6-4 实现线性回归中的梯度下降法.mp4 136.93M
6-5 梯度下降的向量化和数据标准化.mp4 203.32M
6-6 随机梯度下降法.mp4 160.20M
6-7 scikit-learn中的随机梯度下降法.mp4 132.43M
6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4 113.13M
6-9 有关梯度下降法的更多深入讨论.mp4 24.82M
第7章 PCA与梯度上升法
7-1 什么是PCA.mp4 51.14M
7-2 使用梯度上升法求解PCA问题.mp4 27.38M
7-3 求数据的主成分PCA.mp4 178.62M
7-4 求数据的前n个主成分.mp4 125.31M
7-5 高维数据映射为低维数据.mp4 168.63M
7-6 scikit-learn中的PCA.mp4 172.37M
7-7 试手MNIST数据集.mp4 112.91M
7-8 使用PCA对数据进行降噪.mp4 99.19M
7-9 人脸识别与特征脸.mp4 131.88M
第8章 多项式回归与模型泛化
8-1 什么是多项式回归.mp4 75.14M
8-10 L1,L2和弹性网络.mp4 34.17M
8-2 scikit-learn中的多项式回归于pipeline.mp4 146.46M
8-3 过拟合与前拟合.mp4 131.73M
8-4 为什么要训练数据集与测试数据集.mp4 144.40M
8-5 学习曲线.mp4 134.28M
8-6 验证数据集与交叉验证.mp4 222.57M
8-7 偏差方差平衡.mp4 57.76M
8-8 模型泛化与岭回归.mp4 180.28M
8-9 LASSO.mp4 115.12M
第9章 逻辑回归
9-1 什么是逻辑回归.mp4 58.04M
9-2 逻辑回归的损失函数.mp4 55.92M
9-3 逻辑回归损失函数的梯度.mp4 80.28M
9-4 实现逻辑回归算法.mp4 123.35M
9-5 决策边界.mp4 193.53M
9-6 在逻辑回归中使用多项式特征.mp4 137.41M
9-7 scikit-learn中的逻辑回归.mp4 167.15M
9-8 OvR与OvO.mp4 124.92M
project (1).zip 5.55kb
project0.zip 4.73M
评论0