L4:人工智能机器学习系统班资源介绍:
封面
本课程从最基础的软件安装开始，一直到后面的实战项目，差不多把入门机器学习需要的东西都覆盖到了。
先是从最基础的安装软件开始
很多人一开始学AI就被环境卡住了，这里专门讲了怎么装Python、怎么配Anaconda、怎么装PyTorch的CPU版本，还有PyCharm的安装配置。这些搞定了，后面才能顺畅往下走。
接着是Python快速入门
不管你之前会不会写代码，这里把Python的基础语法都过了一遍，包括数据类型、列表、元组、字典、集合这些，还有条件判断、循环、函数、模块和包、异常处理、文件操作，甚至类的定义和属性操作也讲了。时间操作和练习题也都有，算是一个比较完整的入门阶段。
然后进入数据科学常用的几个工具包
第一个是Numpy，讲数组怎么用、数值运算、排序、形状变化、随机模块，还有文件读写和数组保存。第二个是Pandas，这个是处理表格数据的神器，从基本操作、索引、groupby、数值运算，到合并、透视表、时间序列、字符串操作，再到绘图和大数据处理的技巧都有。第三个是Matplotlib，用来画图的，从子图、风格设置、条形图、盒图，到直方图、散点图、3D图、饼图，还有子图布局和细节调整。第四个是Seaborn，也是画图的，但比Matplotlib更省事，讲了整体布局风格、调色板、单变量分析、回归分析、多变量分析，还有分面网格和热度图。
数学基础这块花了不少功夫，因为搞机器学习确实得懂点数学
内容包括高等数学里的函数、极限、连续性、导数、偏导数、方向导数和梯度；微积分的基本思想、定积分和牛顿-莱布尼茨公式；泰勒公式和拉格朗日乘子法。线性代数部分有行列式、矩阵操作、矩阵变换、秩、内积与正交，还有特征值、特征向量和SVD分解。概率论方面讲了随机变量、概率与频率、古典概型、条件概率、独立性、期望，还有正态分布、二项分布、泊松分布、均匀分布、卡方分布和beta分布。另外还有核函数变换、熵与激活函数、回归分析（包括最小二乘法、拟合优度、多元回归等）、假设检验（Z检验、T检验、卡方检验）、相关分析、方差分析、聚类分析、贝叶斯分析。这些数学内容讲得不算深，但够你理解后面算法用的。
机器学习算法部分是核心
从线性回归开始讲原理，包括误差项、似然函数、梯度下降，然后有代码实现和实验分析。逻辑回归也是原理加代码加实验。聚类算法讲了Kmeans和DBSCAN的原理、代码实现和实验分析。决策树讲了熵、信息增益、剪枝，有代码和实验。集成算法包括随机森林、Adaboost、GBDT、堆叠模型，也有实验分析。支持向量机从目标函数推导到核函数，还有实验。神经网络讲了前向传播、反向传播、损失函数，也有代码实现和手写字体识别。贝叶斯算法原理加代码实现，做了邮件分类。关联规则讲了支持度、置信度、提升度，有Apriori代码实现。词向量word2vec有通俗解读和代码实现。降维算法包括线性判别分析和主成分分析。隐马尔科夫模型讲了前向算法、维特比算法等，还有HMM的应用实例。每个算法都不是只讲理论，基本都带着代码实现和实验分析。
最后是几个实战项目，让你把学的东西真正用起来
第一个是交易数据异常检测，用逻辑回归加交叉验证、下采样、过采样等方法处理不平衡数据。第二个是基于随机森林的气温预测，还讲了特征重要性和调参。第三个是贝叶斯新闻分类，涉及到中文分词、停用词过滤、词袋模型和TF-IDF。第四个是推荐系统实战，用协同过滤和SVD矩阵分解做音乐推荐。第五个是用fbprophet做时间序列预测，比如股价趋势分析。第六个是京东用户购买意向预测，从数据探索、特征工程到Xgboost建模都走了一遍。
资源目录:
├──0-代码.zip
├── 1-Al课程所需安装软件教程
│ ├── 1.AI课程所需安装软件教程.mp4
│ ├── 2.Python环境安装和搭建.mp4
│ ├── 3.Anaconda基础讲解和使用的教程.mp4
│ ├── 4.Pytorch (CPU版本安装).mp4
│ └── 5.PyCharm安装和配置.mp4
├── 2-Python快速入门
│ ├── 1.Python环境配置.mp4
│ ├── 10.Python循环.mp4
│ ├── 11.函数定义.mp4
│ ├── 12.模块与包.mp4
│ ├── 13.异常处理模块.mp4
│ ├── 14.文件操作.mp4
│ ├── 15.类的基本定义.mp4
│ ├── 16.类的属性操作.mp4
│ ├── 17.时间操作.mp4
│ ├── 18.Python练习题-1.mp4
│ ├── 19.Python练习题-2.mp4
│ ├── 2.anaconda环境安装和搭建.mp4
│ ├── 3.Python简介.mp4
│ ├── 4.Python数据类型.mp4
│ ├── 5.Python列表.mp4
│ ├── 6.Python元组.mp4
│ ├── 7.Python集合.mp4
│ ├── 8.Python字典.mp4
│ └── 9.Python条件判断.mp4
├── 3-Python数据科学必备工具包实战
│ ├── 1.科学计算库-Numpy
│ │ ├── 1-Numpy概述.mp4
│ │ ├── 10-四则运算.mp4
│ │ ├── 11-随机模块.mp4
│ │ ├── 12-文件读写.mp4
│ │ ├── 13-数组保存.mp4
│ │ ├── 14-练习题-1.mp4
│ │ ├── 15-练习题-2.mp4
│ │ ├── 16-练习题-3.mp4
│ │ ├── 2-Array数组.mp4
│ │ ├── 3-数组结构.mp4
│ │ ├── 4-数组类型.mp4
│ │ ├── 5-数值运算.mp4
│ │ ├── 6-排序操作.mp4
│ │ ├── 7-数组形状操作.mp4
│ │ ├── 8-数组生成函数.mp4
│ │ └── 9-常用生成函数.mp4
│ ├── 2.数据分析处理库-Pandas
│ │ ├── 1-Pandas概述.mp4
│ │ ├── 10-数据透视表.mp4
│ │ ├── 11-时间操作.mp4
│ │ ├── 12-时间序列操作.mp4
│ │ ├── 13-Pandas常用操作.mp4
│ │ ├── 14-Pandas常用操作2.mp4
│ │ ├── 15-Groupby操作延伸.mp4
│ │ ├── 16-字符串操作.mp4
│ │ ├── 17-索引进阶.mp4
│ │ ├── 18-Pandas绘图操作.mp4
│ │ ├── 19-大数据处理技巧.mp4
│ │ ├── 2-Pandas基本操作.mp4
│ │ ├── 3-Pandas索引.mp4
│ │ ├── 4-groupby操作.mp4
│ │ ├── 5-数值运算.mp4
│ │ ├── 6-对象操作.mp4
│ │ ├── 7-对象操作2.mp4
│ │ ├── 8-merge操作.mp4
│ │ └── 9-显示设置.mp4
│ ├── 3.可视化库-Matplotlib
│ │ ├── 1-Matplotlib概述.mp4
│ │ ├── 10-绘图细节设置2.mp4
│ │ ├── 11-直方图与散点图.mp4
│ │ ├── 12-3D图绘制.mp4
│ │ ├── 13-pie图.mp4
│ │ ├── 14-子图布局.mp4
│ │ ├── 15-结合pandas与sklearn.mp4
│ │ ├── 2-子图与标注.mp4
│ │ ├── 3-风格设置.mp4
│ │ ├── 4-条形图.mp4
│ │ ├── 5-条形图细节.mp4
│ │ ├── 6-条形图外观.mp4
│ │ ├── 7-盒图绘制.mp4
│ │ ├── 8-盒图细节.mp4
│ │ └── 9-绘图细节设置.mp4
│ └── 4.可视化库-Seaborn
│ ├── 0-课程简介.mp4
│ ├── 1-整体布局风格设置.mp4
│ ├── 10-Facetgrid绘制多变量.mp4
│ ├── 11-热度图绘制.mp4
│ ├── 2-风格细节设置.mp4
│ ├── 3-调色板.mp4
│ ├── 4-调色板颜色设置.mp4
│ ├── 5-单变量分析绘图.mp4
│ ├── 6-回归分析绘图.mp4
│ ├── 7-多变量分析绘图.mp4
│ ├── 8-分类属性绘图.mp4
│ └── 9-Facetgrid使用方法.mp4
├── 4-人工智能-必备数学课程
│ ├── 1.高等数学基础
│ │ ├── 1-函数.mp4
│ │ ├── 2-极限.mp4
│ │ ├── 3-无穷小与无穷大.mp4
│ │ ├── 4-连续性与导数.mp4
│ │ ├── 5-偏导数.mp4
│ │ ├── 6-方向导数.mp4
│ │ └── 7-梯度.mp4
│ ├── 10.熵与激活函数
│ │ ├── 1-熵的概念.mp4
│ │ ├── 2-熵的大小意味着什么.mp4
│ │ ├── 3-激活函数.mp4
│ │ └── 4-激活函数的问题.mp4
│ ├── 11.回归分析
│ │ ├── 1-回归分析概述.mp4
│ │ ├── 10-高阶与分类变量实例.mp4
│ │ ├── 11-案例：汽车价格预测任务概述.mp4
│ │ ├── 12-案例：缺失值填充.mp4
│ │ ├── 13-案例：特征相关性.mp4
│ │ ├── 14-案例：预处理问题.mp4
│ │ ├── 15-案例：回归求解.mp4
│ │ ├── 2-回归方程定义.mp4
│ │ ├── 3-误差项的定义.mp4
│ │ ├── 4-最小二乘法推导与求解.mp4
│ │ ├── 5-回归方程求解小例子.mp4
│ │ ├── 6-回归直线拟合优度.mp4
│ │ ├── 7-多元与曲线回归问题.mp4
│ │ ├── 8-Python工具包介绍.mp4
│ │ └── 9-statsmodels回归分析.mp4
│ ├── 12.假设检验
│ │ ├── 1-假设检验基本思想.mp4
│ │ ├── 10-Python假设检验实例.mp4
│ │ ├── 11-Python卡方检验实例.mp4
│ │ ├── 2-左右侧检验与双侧检验.mp4
│ │ ├── 3-Z检验基本原理.mp4
│ │ ├── 4-Z检验实例.mp4
│ │ ├── 5-T检验基本原理.mp4
│ │ ├── 6-T检验实例.mp4
│ │ ├── 7-T检验应用条件.mp4
│ │ ├── 8-卡方检验.mp4
│ │ └── 9-假设检验中的两类错误.mp4
│ ├── 13.相关分析
│ │ ├── 1-相关分析概述.mp4
│ │ ├── 2-皮尔森相关系数.mp4
│ │ ├── 3-计算与检验.mp4
│ │ ├── 4-斯皮尔曼等级相关.mp4
│ │ ├── 5-肯德尔系数.mp4
│ │ ├── 6-质量相关分析.mp4
│ │ └── 7-偏相关与复相关.mp4
│ ├── 14.方差分析
│ │ ├── 1-方差分析概述.mp4
│ │ ├── 2-方差的比较.mp4
│ │ ├── 3-方差分析计算方法.mp4
│ │ ├── 4-方差分析中的多重比较.mp4
│ │ ├── 5-多因素方差分析.mp4
│ │ └── 6-Python方差分析实例.mp4
│ ├── 15.聚类分析
│ │ ├── 1-层次聚类概述.mp4
│ │ ├── 2-层次聚类流程.mp4
│ │ ├── 3-层次聚类实例.mp4
│ │ ├── 4-1-KMEANS算法概述.mp4
│ │ ├── 4-2-KMEANS工作流程.mp4
│ │ ├── 4-3-KMEANS迭代可视化展示.mp4
│ │ ├── 5-1-DBSCAN聚类算法.mp4
│ │ ├── 5-2-DBSCAN工作流程.mp4
│ │ ├── 5-3-DBSCAN可视化展示.mp4
│ │ ├── 6-1-多种聚类算法概述.mp4
│ │ └── 6-2-聚类案例实战.mp4
│ ├── 16.贝叶斯分析
│ │ ├── 1-贝叶斯分析概述.mp4
│ │ ├── 10-MCMC概述.mp4
│ │ ├── 11-PYMC3概述.mp4
│ │ ├── 12-模型诊断.mp4
│ │ ├── 13-模型决策.mp4
│ │ ├── 2-概率的解释.mp4
│ │ ├── 3-贝叶斯学派与经典统计学派的争论.mp4
│ │ ├── 4-贝叶斯算法概述.mp4
│ │ ├── 5-贝叶斯推导实例.mp4
│ │ ├── 6-贝叶斯拼写纠错实例.mp4
│ │ ├── 7-垃圾邮件过滤实例.mp4
│ │ ├── 8-贝叶斯解释.mp4
│ │ └── 9-经典求解思路.mp4
│ ├── 2.微积分
│ │ ├── 1-微积分基本想法.mp4
│ │ ├── 2-微积分的解释.mp4
│ │ ├── 3-定积分.mp4
│ │ ├── 4-定积分性质.mp4
│ │ └── 5-牛顿-莱布尼茨公式.mp4
│ ├── 3.泰勒公式与拉格朗日
│ │ ├── 1-泰勒公式出发点.mp4
│ │ ├── 2-一点一世界.mp4
│ │ ├── 3-阶数的作用.mp4
│ │ ├── 4-阶乘的作用.mp4
│ │ ├── 5-拉格朗日乘子法.mp4
│ │ └── 6-求解拉格朗日乘子法.mp4
│ ├── 4.线性代数基础
│ │ ├── 1-行列式概述.mp4
│ │ ├── 2-矩阵与数据的关系.mp4
│ │ ├── 3-矩阵基本操作.mp4
│ │ ├── 4-矩阵的几种变换.mp4
│ │ ├── 5-矩阵的秩.mp4
│ │ └── 6-内积与正交.mp4
│ ├── 5.特征值与矩阵分解
│ │ ├── 1-特征值与特征向量.mp4
│ │ ├── 2-特征空间与应用.mp4
│ │ ├── 3-SVD要解决的问题.mp4
│ │ ├── 4-特征值分解.mp4
│ │ └── 5-SVD矩阵分解.mp4
│ ├── 6.随机变量
│ │ ├── 1-离散型随机变量.mp4
│ │ ├── 2-连续型随机变量.mp4
│ │ ├── 3-简单随机抽样.mp4
│ │ ├── 4-似然函数.mp4
│ │ └── 5-极大似然估计.mp4
│ ├── 7.概率论基础
│ │ ├── 1-概率与频率.mp4
│ │ ├── 10-期望求解.mp4
│ │ ├── 11-马尔科夫不等式.mp4
│ │ ├── 12-切比雪夫不等式.mp4
│ │ ├── 13-后验概率估计.mp4
│ │ ├── 14-贝叶斯拼写纠错实例.mp4
│ │ ├── 15-垃圾邮件过滤实例.mp4
│ │ ├── 2-古典概型.mp4
│ │ ├── 3-条件概率.mp4
│ │ ├── 4-条件概率小例子.mp4
│ │ ├── 5-独立性.mp4
│ │ ├── 6-二维离散型随机变量.mp4
│ │ ├── 7-二维连续型随机变量.mp4
│ │ ├── 8-边缘分布.mp4
│ │ └── 9-期望.mp4
│ ├── 8.数据科学你得知道的几种分布
│ │ ├── 1-正态分布.mp4
│ │ ├── 2-二项式分布.mp4
│ │ ├── 3-泊松分布.mp4
│ │ ├── 4-均匀分布.mp4
│ │ ├── 5-卡方分布.mp4
│ │ └── 6-beta分布.mp4
│ └── 9.核函数变换
│ ├── 1-核函数的目的.mp4
│ ├── 2-线性核函数.mp4
│ ├── 3-多项式核函数.mp4
│ ├── 4-核函数实例.mp4
│ ├── 5-高斯核函数.mp4
│ └── 6-参数的影响.mp4
├── 5-机器学习算法精讲及其案例应用
│ ├── 1.线性回归原理推导
│ │ ├── 1-回归问题概述.mp4
│ │ ├── 2-误差项定义.mp4
│ │ ├── 3-独立同分布的意义.mp4
│ │ ├── 4-似然函数的作用.mp4
│ │ ├── 5-参数求解.mp4
│ │ ├── 6-梯度下降通俗解释.mp4
│ │ ├── 7-参数更新方法.mp4
│ │ └── 8-优化参数设置.mp4
│ ├── 10.聚类算法实验分析
│ │ ├── 1-Kmenas算法常用操作.mp4
│ │ ├── 10-半监督学习.mp4
│ │ ├── 11-DBSCAN算法.mp4
│ │ ├── 2-聚类结果展示.mp4
│ │ ├── 3-建模流程解读.mp4
│ │ ├── 4-不稳定结果.mp4
│ │ ├── 5-评估指标-Inertia.mp4
│ │ ├── 6-如何找到合适的K值.mp4
│ │ ├── 7-轮廓系数的作用.mp4
│ │ ├── 8-Kmenas算法存在的问题.mp4
│ │ └── 9-应用实例-图像分割.mp4
│ ├── 11.决策树原理
│ │ ├── 1-决策树算法概述.mp4
│ │ ├── 2-熵的作用.mp4
│ │ ├── 3-信息增益原理.mp4
│ │ ├── 4-决策树构造实例.mp4
│ │ ├── 5-信息增益率与gini系数.mp4
│ │ ├── 6-预剪枝方法.mp4
│ │ ├── 7-后剪枝方法.mp4
│ │ └── 8-回归问题解决.mp4
│ ├── 12.决策树代码实现
│ │ ├── 1-整体模块概述.mp4
│ │ ├── 2-递归生成树节点.mp4
│ │ ├── 3-整体框架逻辑.mp4
│ │ ├── 4-熵值计算.mp4
│ │ ├── 5-数据集切分.mp4
│ │ ├── 6-完成树模型构建.mp4
│ │ └── 7-测试算法效果.mp4
│ ├── 13.决策树实验分析
│ │ ├── 1-树模型可视化展示.mp4
│ │ ├── 2-决策边界展示分析.mp4
│ │ ├── 3-树模型预剪枝参数作用.mp4
│ │ └── 4-回归树模型.mp4
│ ├── 14.集成算法原理
│ │ ├── 1-随机森林算法原理.mp4
│ │ ├── 2-随机森林优势与特征重要性指标.mp4
│ │ ├── 3-提升算法概述.mp4
│ │ └── 4-stacking堆叠模型.mp4
│ ├── 15.集成算法实验分析
│ │ ├── 1-构建实验数据集.mp4
│ │ ├── 10-集成参数对比分析.mp4
│ │ ├── 11-模型提前停止策略.mp4
│ │ ├── 12-停止方案实施.mp4
│ │ ├── 13-堆叠模型.mp4
│ │ ├── 2-硬投票与软投票效果对比.mp4
│ │ ├── 3-Bagging策略效果.mp4
│ │ ├── 4-集成效果展示分析.mp4
│ │ ├── 5-OOB袋外数据的作用.mp4
│ │ ├── 6-特征重要性热度图展示.mp4
│ │ ├── 7-Adaboost算法概述.mp4
│ │ ├── 8-Adaboost决策边界效果.mp4
│ │ └── 9-GBDT提升算法流程.mp4
│ ├── 16.支持向量机原理推导
│ │ ├── 1-支持向量机要解决的问题.mp4
│ │ ├── 2-距离与数据定义.mp4
│ │ ├── 3-目标函数推导.mp4
│ │ ├── 4-拉格朗日乘子法求解.mp4
│ │ ├── 5-化简最终目标函数.mp4
│ │ ├── 6-求解决策方程.mp4
│ │ ├── 7-软间隔优化.mp4
│ │ ├── 8-核函数的作用.mp4
│ │ └── 9-知识点总结.mp4
│ ├── 17.支持向量机实验分析
│ │ ├── 1-支持向量机所能带来的效果.mp4
│ │ ├── 2-决策边界可视化展示.mp4
│ │ ├── 3-软间隔的作用.mp4
│ │ ├── 4-非线性SVM.mp4
│ │ └── 5-核函数的作用与效果.mp4
│ ├── 18.神经网络算法原理
│ │ ├── 1-深度学习要解决的问题.mp4
│ │ ├── 10-神经网络架构细节.mp4
│ │ ├── 11-神经元个数对结果的影响.mp4
│ │ ├── 12-正则化与激活函数.mp4
│ │ ├── 13-神经网络过拟合解决方法.mp4
│ │ ├── 2-深度学习应用领域.mp4
│ │ ├── 3-计算机视觉任务.mp4
│ │ ├── 4-视觉任务中遇到的问题.mp4
│ │ ├── 5-得分函数.mp4
│ │ ├── 6-损失函数的作用.mp4
│ │ ├── 7-前向传播整体流程.mp4
│ │ ├── 8-返向传播计算方法.mp4
│ │ └── 9-神经网络整体架构.mp4
│ ├── 19.神经网络代码实现
│ │ ├── 1-神经网络整体框架概述.mp4
│ │ ├── 10-完成全部迭代更新模块.mp4
│ │ ├── 11-手写字体识别数据集.mp4
│ │ ├── 12-算法代码错误修正.mp4
│ │ ├── 13-模型优化结果展示.mp4
│ │ ├── 14-测试效果可视化展示.mp4
│ │ ├── 2-参数初始化操作.mp4
│ │ ├── 3-矩阵向量转换.mp4
│ │ ├── 4-向量反变换.mp4
│ │ ├── 5-完成前向传播模块.mp4
│ │ ├── 6-损失函数定义.mp4
│ │ ├── 7-准备反向传播迭代.mp4
│ │ ├── 8-差异项计算.mp4
│ │ └── 9-逐层计算.mp4
│ ├── 2.线性回归代码实现
│ │ ├── 1-线性回归整体模块概述.mp4
│ │ ├── 10-非线性回归.mp4
│ │ ├── 2-初始化步骤.mp4
│ │ ├── 3-实现梯度下降优化模块.mp4
│ │ ├── 4-损失与预测模块.mp4
│ │ ├── 5-数据与标签定义.mp4
│ │ ├── 6-训练线性回归模型.mp4
│ │ ├── 7-得到线性回归方程.mp4
│ │ ├── 8-整体流程debug解读.mp4
│ │ └── 9-多特征回归模型.mp4
│ ├── 20.贝叶斯算法原理
│ │ ├── 1-贝叶斯要解决的问题.mp4
│ │ ├── 2-贝叶斯公式推导.mp4
│ │ ├── 3-垃圾邮件过滤实例.mp4
│ │ └── 4-拼写纠错实例.mp4
│ ├── 21.贝叶斯代码实现
│ │ ├── 1-朴素贝叶斯算法整体框架.mp4
│ │ ├── 2-邮件数据读取.mp4
│ │ ├── 3-预料表与特征向量构建.mp4
│ │ ├── 4-分类别统计词频.mp4
│ │ ├── 5-贝叶斯公式对数变换.mp4
│ │ └── 6-完成预测模块.mp4
│ ├── 22.关联规则实战分析
│ │ ├── 1-关联规则概述.mp4
│ │ ├── 2-支持度与置信度.mp4
│ │ ├── 3-提升度的作用.mp4
│ │ ├── 4-Python实战关联规则.mp4
│ │ ├── 5-数据集制作.mp4
│ │ └── 6-电影数据集题材关联分析.mp4
│ ├── 23.关联规则代码实现
│ │ ├── 1-Apripri算法整体流程.mp4
│ │ ├── 2-数据集demo.mp4
│ │ ├── 3-扫描模块.mp4
│ │ ├── 4-拼接模块.mp4
│ │ ├── 5-挖掘频繁项集.mp4
│ │ ├── 6-规则生成模块.mp4
│ │ ├── 7-完成全部算法流程.mp4
│ │ └── 8-规则结果展示.mp4
│ ├── 24.词向量word2vec通俗解读
│ │ ├── 1-词向量模型通俗解释.mp4
│ │ ├── 2-模型整体框架.mp4
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 4-CBOW与Skip-gram模型.mp4
│ │ └── 5-负采样方案.mp4
│ ├── 25.代码实现word2vec词向量模型
│ │ ├── 1-数据与任务流程.mp4
│ │ ├── 2-数据清洗.mp4
│ │ ├── 3-batch数据制作.mp4
│ │ ├── 4-网络训练.mp4
│ │ └── 5-可视化展示.mp4
│ ├── 26.线性判别分析降维算法原理解读
│ │ ├── 1-线性判别分析要解决的问题.mp4
│ │ ├── 2-线性判别分析要优化的目标.mp4
│ │ ├── 3-线性判别分析求解.mp4
│ │ ├── 4-实现线性判别分析进行降维任务.mp4
│ │ └── 5-求解得出降维结果.mp4
│ ├── 27.主成分分析降维算法原理解读
│ │ ├── 1-PCA基本概念.mp4
│ │ ├── 2-方差与协方差.mp4
│ │ ├── 3-PCA结果推导.mp4
│ │ └── 4-PCA降维实例.mp4
│ ├── 28.隐马尔科夫模型
│ │ ├── 1-马尔科夫模型.mp4
│ │ ├── 10-维特比算法.mp4
│ │ ├── 2-隐马尔科夫模型基本出发点.mp4
│ │ ├── 3-组成与要解决的问题.mp4
│ │ ├── 4-暴力求解方法.mp4
│ │ ├── 5-复杂度计算.mp4
│ │ ├── 6-前向算法.mp4
│ │ ├── 7-前向算法求解实例.mp4
│ │ ├── 8-Baum-Welch算法.mp4
│ │ └── 9-参数求解.mp4
│ ├── 29.HMM应用实例
│ │ ├── 1-hmmlearn工具包.mp4
│ │ ├── 2-工具包使用方法.mp4
│ │ ├── 3-中文分词任务.mp4
│ │ └── 4-实现中文分词.mp4
│ ├── 3.模型评估方法
│ │ ├── 1-Sklearn工具包简介.mp4
│ │ ├── 2-数据集切分.mp4
│ │ ├── 3-交叉验证的作用.mp4
│ │ ├── 4-交叉验证实验分析.mp4
│ │ ├── 5-混淆矩阵.mp4
│ │ ├── 6-评估指标对比分析.mp4
│ │ ├── 7-阈值对结果的影响.mp4
│ │ └── 8-ROC曲线.mp4
│ ├── 4.线性回归实验分析
│ │ ├── 1-实验目标分析.mp4
│ │ ├── 10-模型复杂度.mp4
│ │ ├── 11-样本数量对结果的影响.mp4
│ │ ├── 12-正则化的作用.mp4
│ │ ├── 13-岭回归与lasso.mp4
│ │ ├── 14-实验总结.mp4
│ │ ├── 2-参数直接求解方法.mp4
│ │ ├── 3-预处理对结果的影响.mp4
│ │ ├── 4-梯度下降模块.mp4
│ │ ├── 5-学习率对结果的影响.mp4
│ │ ├── 6-随机梯度下降得到的效果.mp4
│ │ ├── 7-MiniBatch方法.mp4
│ │ ├── 8-不同策略效果对比.mp4
│ │ └── 9-多项式回归.mp4
│ ├── 5.逻辑回归算法解读
│ │ ├── 1-逻辑回归算法原理.mp4
│ │ └── 2-化简与求解.mp4
│ ├── 6.逻辑回归代码实现
│ │ ├── 1-多分类逻辑回归整体思路.mp4
│ │ ├── 10-准备测试数据.mp4
│ │ ├── 11-决策边界绘制.mp4
│ │ ├── 12-非线性决策边界.mp4
│ │ ├── 2-训练模块功能.mp4
│ │ ├── 3-完成预测模块.mp4
│ │ ├── 4-优化目标定义.mp4
│ │ ├── 5-迭代优化参数.mp4
│ │ ├── 6-梯度计算.mp4
│ │ ├── 7-得出最终结果.mp4
│ │ ├── 8-鸢尾花数据集多分类任务.mp4
│ │ └── 9-训练多分类模型.mp4
│ ├── 7.逻辑回归实验分析
│ │ ├── 1-逻辑回归实验概述.mp4
│ │ ├── 2-概率结果随特征数值的变化.mp4
│ │ ├── 3-可视化展示.mp4
│ │ ├── 4-坐标棋盘制作.mp4
│ │ ├── 5-分类决策边界展示分析.mp4
│ │ └── 6-多分类-softmax.mp4
│ ├── 8.聚类算法-Kmeans&Dbscan原理
│ │ ├── 1-KMEANS算法概述.mp4
│ │ ├── 2-KMEANS工作流程.mp4
│ │ ├── 3-KMEANS迭代可视化展示.mp4
│ │ ├── 4-DBSCAN聚类算法.mp4
│ │ ├── 5-DBSCAN工作流程.mp4
│ │ └── 6-DBSCAN可视化展示.mp4
│ └── 9.Kmeans代码实现
│ ├── 1-Kmeans算法模块概述.mp4
│ ├── 2-计算得到簇中心点.mp4
│ ├── 3-样本点归属划分.mp4
│ ├── 4-算法迭代更新.mp4
│ ├── 5-鸢尾花数据集聚类任务.mp4
│ └── 6-聚类效果展示.mp4
├── 6-机器学习算法建模实战项目
│ ├── 1.项目实战-交易数据异常检测
│ │ ├── 1-任务目标解读.mp4
│ │ ├── 10-混淆矩阵评估分析.mp4
│ │ ├── 11-测试集遇到的问题.mp4
│ │ ├── 12-阈值对结果的影响.mp4
│ │ ├── 13-SMOTE样本生成策略.mp4
│ │ ├── 14-过采样效果与项目总结.mp4
│ │ ├── 2-项目挑战与解决方案制定.mp4
│ │ ├── 3-数据标准化处理.mp4
│ │ ├── 4-下采样数据集制作.mp4
│ │ ├── 5-交叉验证.mp4
│ │ ├── 6-数据集切分.mp4
│ │ ├── 7-模型评估方法与召回率.mp4
│ │ ├── 8-正则化惩罚项.mp4
│ │ └── 9-训练逻辑回归模型.mp4
│ ├── 2.基于随机森林的气温预测实战
│ │ ├── 1-基于随机森林的气温预测任务概述.mp4
│ │ ├── 2-基本随机森林模型建立.mp4
│ │ ├── 3-可视化展示与特征重要性.mp4
│ │ ├── 4-加入新的数据与特征.mp4
│ │ ├── 5-数据与特征对结果的影响.mp4
│ │ ├── 6-效率对比分析.mp4
│ │ ├── 7-网格与随机参数选择.mp4
│ │ ├── 8-随机参数选择方法实践.mp4
│ │ └── 9-调参优化细节.mp4
│ ├── 3.贝叶斯新闻分类实战
│ │ ├── 1-新闻数据与任务概述.mp4
│ │ ├── 2-中文分词与停用词过滤.mp4
│ │ ├── 3-文本关键词提取.mp4
│ │ ├── 4-词袋模型.mp4
│ │ ├── 5-贝叶斯建模结果.mp4
│ │ └── 6-TF-IDF特征分析对比.mp4
│ ├── 4.推荐系统实战
│ │ ├── 1-音乐推荐任务概述.mp4
│ │ ├── 2-数据集整合.mp4
│ │ ├── 3-基于物品的协同过滤.mp4
│ │ ├── 4-物品相似度计算与推荐.mp4
│ │ ├── 5-SVD矩阵分解.mp4
│ │ └── 6-基于矩阵分解的音乐推荐.mp4
│ ├── 5.fbprophe时间序列预测
│ │ ├── 1-fbprophet股价预测任务概述.mp4
│ │ ├── 2-时间序列分析.mp4
│ │ ├── 3-fbprophet时间序列预测实例.mp4
│ │ ├── 4-亚马逊股价趋势.mp4
│ │ └── 5-突变点调参.mp4
│ └── 6.京东用户购买意向预测
│ ├── 1-项目与数据介绍.mp4
│ ├── 10-行为特征.mp4
│ ├── 11-累积行为特征.mp4
│ ├── 12-Xgboost模型.mp4
│ ├── 2-数据挖掘流程.mp4
│ ├── 3-数据检查.mp4
│ ├── 4-构建用户特征表单.mp4
│ ├── 5-构建商品特征表单.mp4
│ ├── 6-数据探索概述.mp4
│ ├── 7-购买因素分析.mp4
│ ├── 8-特征工程.mp4
│ └── 9-基本特征构造.mp4
└── 环境
├── 00_AI大模型之Numpy_Pandas_Anaconda介绍.mp4
├── 01_AI大模型之Numpy_Pandas_window上安装Anaconda.mp4
├── 02_AI大模型之Numpy_Pandas_Ubuntu上安装Anaconda.mp4
├── 03_AI大模型之Numpy_Pandas_conda相关命令.mp4
├── 04_AI大模型之Numpy_Pandas_jupyter介绍.mp4
├── 05_AI大模型之Numpy_Pandas_Pycharm中集成Jupyter.mp4
├── 06_AI大模型之Numpy_Pandas_切换conda环境.mp4
├── Anaconda3-2024.10-1-Linux-x86_64.sh
├── Anaconda3-2024.10-1-Windows-x86_64.exe
└── 解释器环境
├── 08_AI大模型之Python基础_Python的解释器.mp4
├── 09_AI大模型之Python基础_Python的安装.mp4
├── 10_AI大模型之Python基础_Pycharm的安装.mp4
├── 11_AI大模型之Python基础_Pycharm的配置.mp4
├── Python-3.12.8.tgz
├── jetbrains.zip
├── pycharm-professional-2024.3.1.1.exe
├── pycharm.txt
└── python-3.12.8-amd64.exe
