机器学习必修课:经典AI算法与编程实战资源介绍:
课程包含百张AI知识点脑图和最优学习路径,带您掌握AI经典算法基本原理,掌握算法代码实现与项目实战经验
资源目录:
机器学习必修课:经典算法与Python实战 ├─ 01.1-1课程内容和理念_ev.mp4 ├─ 02.1-2-初识机器学习_ev.mp4 ├─ 03.1-3-课程使用的技术栈_ev.mp4 ├─ 04.2-1本章总览_ev.mp4 ├─ 05.2-2-数据长什么样:常见数据集、典型实例、如何使用_ev.mp4 ├─ 06.2-3-研究哪些问题:分类、回归等_ev.mp4 ├─ 07.2-4-如何分门别类:监督、无监督、强化学习等_ev.mp4 ├─ 08.2-5-机器学习的七大常见误区和局限_ev.mp4 ├─ 09.3-1本章总览:相互关系与学习路线_ev.mp4 ├─ 10.3-2-Anaconda图形化操作_ev.mp4 ├─ 100.12-4-聚类算法代码实现_ev.mp4 ├─ 101.12-5-聚类评估代码实现_ev.mp4 ├─ 102.12-6-聚类算法优缺点和适用条件_ev.mp4 ├─ 103.13-1-本章总览_ev.mp4 ├─ 104.13-2-PCA核心思想和原理_ev.mp4 ├─ 105.13-3-PCA求解算法_ev.mp4 ├─ 106.13-4-PCA算法代码实现_ev.mp4 ├─ 107.13-5-降维任务代码实现_ev.mp4 ├─ 108.13-6-PCA在数据降噪中的应用_ev.mp4 ├─ 109.13-7-PCA在人脸识别中的应用_ev.mp4 ├─ 11.3-3-Anaconda命令行操作_ev.mp4 ├─ 110.13-8-主成分分析优缺点和适用条件_ev.mp4 ├─ 111.14-1-本章总览_ev.mp4 ├─ 112.14-2-概率图模型核心思想和原理_ev.mp4 ├─ 113.14-3-EM算法参数估计_ev.mp4 ├─ 114.14-4-隐马尔可夫模型代码实现_ev.mp4 ├─ 115.14-5-概率图模型优缺点和适用条件_ev.mp4 ├─ 116.15-1-本章总览_ev.mp4 ├─ 117.15-2-泰坦尼克生还预测_ev.mp4 ├─ 118.15-3-房价预测_ev.mp4 ├─ 119.15-4-交易反欺诈代码实现_ev.mp4 ├─ 12.3-4-JupyterNotebook基础使用_ev.mp4 ├─ 120.15-5-如何深入研究机器学习_ev.mp4 ├─ 13.3-5-JupyterNotebook高级使用:常用魔法命令_ev.mp4 ├─ 14.3-6-Numpy基础:安装与性能对比_ev.mp4 ├─ 15.3-7-Numpy数组创建:特定数组、等差数组、随机数组_ev.mp4 ├─ 16.3-8-Numpy数组基础索引:索引和切片_ev.mp4 ├─ 17.3-9-Numpy非常重要的数组合并与拆分操作_ev.mp4 ├─ 18.3-10-Numpy数组矩阵运算:一元运算、二元运算与矩阵运算_ev.mp4 ├─ 19.3-11-Numpy数组统计运算:常用的都在这儿了_ev.mp4 ├─ 20.3-12-Numpy数组arg运算和排序_ev.mp4 ├─ 21.3-13-Numpy数组神奇索引和布尔索引_ev.mp4 ├─ 22.3-14-Matplotlib数据可视化:基础绘制与设置_ev.mp4 ├─ 23.4-1本章总览_ev.mp4 ├─ 24.4-2-KNN算法核心思想和原理_ev.mp4 ├─ 25.4-3-KNN分类任务代码实现_ev.mp4 ├─ 26.4-4-数据集划分:训练集与预测集_ev.mp4 ├─ 27.4-5-模型评价_ev.mp4 ├─ 28.4-6-超参数_ev.mp4 ├─ 29.4-7-特征归一化_ev.mp4 ├─ 30.4-8-KNN回归任务代码实现_ev.mp4 ├─ 31.4-9-KNN优缺点和适用条件_ev.mp4 ├─ 32.5-1-本章总览_ev.mp4 ├─ 33.5-2-线性回归核心思想和原理_ev.mp4 ├─ 34.5-3-逻辑回归核心思想和原理_ev.mp4 ├─ 35.5-4-线性回归代码实现_ev.mp4 ├─ 36.5-5-模型评价:MSE、RMSE、MAE和R方_ev.mp4 ├─ 37.5-6多项式回归代码实现_ev.mp4 ├─ 38.5-7-逻辑回归算法_ev.mp4 ├─ 39.5-8-线性逻辑回归代码实现_ev.mp4 ├─ 40.5-9多分类策略_ev.mp4 ├─ 41.5-10-复杂逻辑回归及代码实现_ev.mp4 ├─ 42.5-11-线性算法优缺点和适用条件_ev.mp4 ├─ 43.6-1-本章总览_ev.mp4 ├─ 44.6-2-损失函数_ev.mp4 ├─ 45.6-3-梯度下降_ev.mp4 ├─ 46.6-4-决策边界_ev.mp4 ├─ 47.6-5-过拟合与欠拟合_ev.mp4 ├─ 48.6-6-学习曲线_ev.mp4 ├─ 49.6-7-交叉验证_ev.mp4 ├─ 50.6-8-模型误差_ev.mp4 ├─ 51.6-9-正则化_ev.mp4 ├─ 52.6-10-LASSO和岭回归代码实现_ev.mp4 ├─ 53.6-11-模型泛化_ev.mp4 ├─ 54.6-12-评价指标:混淆矩阵、精准率和召回率_ev.mp4 ├─ 55.6-13-评价指标:ROC曲线_ev.mp4 ├─ 56.7-1-本章总览_ev.mp4 ├─ 57.7-2-决策树核心思想和原理_ev.mp4 ├─ 58.7-3-信息熵_ev.mp4 ├─ 59.7-4-决策树分类任务代码实现_ev.mp4 ├─ 60.7-5-基尼系数_ev.mp4 ├─ 61.7-6-决策树剪枝_ev.mp4 ├─ 62.7-7-决策树回归任务代码实现_ev.mp4 ├─ 63.7-8-决策树优缺点和适用条件_ev.mp4 ├─ 64.8-1-本章总览_ev.mp4 ├─ 65.8-2-神经网络核心思想和原理_ev.mp4 ├─ 66.8-3-激活函数_ev.mp4 ├─ 67.8-4-正向传播与反向传播_ev.mp4 ├─ 68.8-5-梯度下降优化算法_ev.mp4 ├─ 69.8-6-神经网络简单代码实现_ev.mp4 ├─ 70.8-7-梯度消失和梯度爆炸_ev.mp4 ├─ 71.8-8-模型选择_ev.mp4 ├─ 72.8-9-神经网络优缺点和适用条件_ev.mp4 ├─ 73.9-1-本章总览_ev.mp4 ├─ 74.9-2-SVM核心思想和原理_ev.mp4 ├─ 75.9-3-硬间隔SVM_ev.mp4 ├─ 76.9-4-SVM软间隔_ev.mp4 ├─ 77.9-5-线性SVM分类任务代码实现_ev.mp4 ├─ 78.9-6-非线性SVM:核技巧_ev.mp4 ├─ 79.9-7-SVM核函数_ev.mp4 ├─ 80.9-8-非线性SVM代码实现_ev.mp4 ├─ 81.9-9-SVM回归任务代码实现_ev.mp4 ├─ 82.9-10-SVM优缺点和适用条件_ev.mp4 ├─ 83.10-1-本章总览_ev.mp4 ├─ 84.10-2-贝叶斯方法核心思想和原理_ev.mp4 ├─ 85.10-3-朴素贝叶斯分类_ev.mp4 ├─ 86.10-4-朴素贝叶斯的代码实现_ev.mp4 ├─ 87.10-5-多项式朴素贝叶斯代码实现_ev.mp4 ├─ 88.10-6-贝叶斯方法优缺点和适用条件_ev.mp4 ├─ 89.11-1-本章总览_ev.mp4 ├─ 90.11-2-集成学习核心思想和原理_ev.mp4 ├─ 91.11-3-集成学习代码实现_ev.mp4 ├─ 92.11-4-并行策略:Bagging、OOB等方法_ev.mp4 ├─ 93.11-5-并行策略:随机森林_ev.mp4 ├─ 94.11-6-串行策略:Boosting_ev.mp4 ├─ 95.11-7-结合策略:Stacking方法_ev.mp4 ├─ 96.11-8-集成学习优缺点和适用条件_ev.mp4 ├─ 97.12-1-本章总览_ev.mp4 ├─ 98.12-2-聚类算法核心思想和原理_ev.mp4 └─ 99.12-3-k-means和分层聚类_ev.mp4