1-4机器学习怎么学
第1章人工智能入门指南41分钟5节
1-1AI时代必备python[免费试看]09:20
1-2Python我该怎么学04:21
1-3人工智能的核心-机器学习10:34
1-4机器学习怎么学08:37
1-5算法推导与案例08:19
第2章K近邻算法实战1小时9分钟5节
2-1K近邻算法概述15:48
2-2模型的评估10:39
2-3数据预处理11:25
2-4sklearn库与功能14:43
2-5多变量KNN模型16:37
第3章线性回归算法46分钟5节
3-1回归问题概述07:11
3-2误差项定义09:41
3-3独立同分布的意义07:32
3-4似然函数的作用10:50
3-5参数求解11:11
第4章梯度下降原理25分钟3节
4-1梯度下降通俗解释08:34 4-2参数更新方法08:17
4-3优化参数设置08:51
第5章逻辑回归算法17分钟2节
5-1逻辑回归算法原理08:24
5-2化简与求解09:09
第6章案例实战:Python实现梯度下降与逻辑回归41分钟4节
6-1Python实现逻辑回归任务概述07:34
6-2完成梯度下降模块12:51
6-3停止策略与梯度下降实例10:55
6-4实验效果对比10:25
第7章案例实战:信用卡欺诈检测2小时7分钟14节
7-1任务目标解读08:09
7-2项目挑战与解决方案制定12:36
7-3数据标准化处理11:20
7-4下采样数据集制作06:08
7-5交叉验证07:16
7-6数据集切分06:00
7-7模型评估方法与召回率10:31
7-8正则化惩罚项11:48
7-9训练逻辑回归模型11:20
7-10混淆矩阵评估分析10:22
7-11测试集遇到的问题05:20
7-12阈值对结果的影响10:34
7-13SMOTE样本生成策略07:38
7-14过采样效果与项目总结08:00
第8章决策树算法58分钟8节
8-1决策树算法概述08:29
8-2熵的作用06:39
8-3信息增益原理08:41
8-4决策树构造实例07:40
8-5信息增益率与gini系数06:07
8-6预剪枝方法08:02
8-7后剪枝方法06:54
8-8回归问题解决05:54
第9章决策算建模实例50分钟4节
9-1决策树复习08:55
9-2决策树所涉及参数11:08
9-3树可视化18:14
9-4sklearn参数选择11:46
第10章随机森林与集成算法35分钟4节
10-1随机森林算法原理10:18
10-2随机森林优势与特征重要性指标10:21
10-3提升算法概述08:51
10-4stacking堆叠模型06:22
第11章基于随机森林的气温预测1小时26分钟9节
11-1基于随机森林的气温预测任务概述09:05
11-2基本随机森林模型建立09:09
11-3可视化展示与特征重要性12:58
11-4加入新的数据与特征10:24
11-5数据与特征对结果的影响08:24
11-6效率对比分析08:14
11-7网格与随机参数选择07:51
11-8随机参数选择方法实践09:46
11-9调参优化细节10:12
第12章贝叶斯算法47分钟5节
12-1贝叶斯要解决的问题05:10
12-2贝叶斯公式推导07:46
12-3垃圾邮件过滤实例10:22
12-4拼写纠错实例11:45
12-5实现拼写检查器12:21
第13章中文新闻分类任务1小时11分钟6节
13-1文本分析与关键词提取12:11
13-2相似度计算11:44
13-3新闻数据与任务简介10:19
13-4TF-IDF关键词提取13:28
13-5LDA建模09:10
13-6基于贝叶斯算法进行新闻分类任务14:53
第14章K-means聚类算法29分钟3节
14-1Kmeans算法概述11:33
14-2Kmeans工作流程09:42
14-3Kmeans迭代可视化展示08:20
第15章DBSCAN聚类算法34分钟3节
15-1DBSCAN聚类算法11:04
15-2DBSCAN工作流程15:03
15-3DBSCAN可视化展示08:52
第16章聚类实践21分钟2节
16-1多种聚类算法概述04:34
16-2聚类实例17:19
第17章降维算法-线性判别分析36分钟3节
17-1线性判别分析要解决的问题12:20
17-2线性判别分析要优化的目标12:03
17-3线性判别分析求解12:08
第18章Python实现线性判别分析19分钟2节
18-1实现线性判别分析进行降维任务10:19
18-2求解得出降维结果08:55
第19章降维算法-PCA主成分分析50分钟4节
19-1PCA降维概述08:39
19-2PCA要优化的目标12:21
19-3PCA求解10:17
19-4PCA降维实例19:17
第20章基于随机森林的气温预测1小时2分钟4节
20-1随机森林回归任务18:30
20-2数据还是多点好13:24
20-3速度与精度的权衡13:06
20-4调参策略17:10
第21章数值特征1小时30分钟8节
21-1基本数值特征11:14
21-2常用特征构造手段13:53
21-3时间特征处理13:04
21-4文本特征处理20:24
21-5构造文本向量11:45
21-6词向量特征13:55
唐宇迪 51CTO学堂金牌讲师
计
计算机博士,著有《跟迪哥学Python机器学习》,专注于计算机视觉领域,参与多个计算机视觉项目。多年培训与教学讲解经验,网易,电信,联通,联想等公司特约企业培训导师,全国高校教师培训导师。课程风格通俗易懂,擅长用简介形象的故事讲解晦涩难懂的算法,以实战为导向用接地气的方式带领同学们进军Ai。
公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
讲师收到你的提问会尽快为你解答。若选择公开提问,可以获得更多学员的帮助。
课程大纲