点播
课程时长 37小时25分钟
学习期限 12 个月 退款期限 30 天
市场价格 ￥499.00 会员价格 ￥399.00
难度级别 中级 学习人次 578 综合评分 4.2
- 详情
- 目录
- 套餐12
- 咨询38
- 评价26
第1章 欢迎来到 Python3 玩转机器学习
- 1-1 什么是机器学习 试听29分钟14秒
- 1-2 课程涵盖的内容和理念 试听29分钟25秒
- 1-3 课程所使用的主要技术栈 试听24分钟57秒
第2章 机器学习基础
- 2-1 机器学习世界的数据24分钟51秒
- 2-2 机器学习的主要任务15分钟56秒
- 2-3 监督学习，非监督学习，半监督学习和增强学习14分钟45秒
- 2-4 批量学习，在线学习，参数学习和非参数学习24分钟04秒
- 2-5 和机器学习相关的“哲学”思考15分钟59秒
- 2-6 课程使用环境搭建27分钟46秒
第3章 Jupyter Notebook, numpy和matplotlib
- 3-1 Jupyter Notebook基础25分钟55秒
- 3-2 Jupyter Notebook中的魔法命令23分钟06秒
- 3-3 Numpy数据基础13分钟28秒
- 3-4 创建Numpy数组(和矩阵)22分钟11秒
- 3-5 Numpy数组(和矩阵)的基本操作15分钟54秒
- 3-6 Numpy数组(和矩阵)的合并与分割23分钟20秒
- 3-7 Numpy中的矩阵运算23分钟13秒
- 3-8 Numpy中的聚合运算27分钟14秒
- 3-9 Numpy中的arg运算18分钟42秒
- 3-10 Numpy中的比较和Fancy Indexing20分钟33秒
- 3-11 Matplotlib数据可视化基础21分钟11秒
- 3-12 数据加载和简单的数据探索14分钟27秒
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27分钟33秒
- 4-2 scikit-learn中的机器学习算法封装16分钟34秒
- 4-3 训练数据集，测试数据集16分钟29秒
- 4-4 分类准确度23分钟15秒
- 4-5 超参数14分钟57秒
- 4-6 网格搜索与k近邻算法中更多超参数19分钟36秒
- 4-7 数据归一化27分钟35秒
- 4-8 scikit-learn中的Scaler26分钟33秒
- 4-9 更多有关k近邻算法的思考17分钟54秒
第5章 线性回归法
- 5-1 简单线性回归25分钟59秒
- 5-2 最小二乘法21分钟37秒
- 5-3 简单线性回归的实现22分钟02秒
- 5-4 向量化11分钟54秒
- 5-5 衡量线性回归法的指标：MSE，RMSE和MAE24分钟44秒
- 5-6 最好的衡量线性回归法的指标：R Squared25分钟37秒
- 5-7 多元线性回归和正规方程解22分钟35秒
- 5-8 实现多元线性回归29分钟29秒
- 5-9 使用scikit-learn解决回归问题26分钟43秒
- 5-10 线性回归的可解释性和更多思考24分钟48秒
第6章 梯度下降法
- 6-1 什么是梯度下降法17分钟02秒
- 6-2 模拟实现梯度下降法11分钟19秒
- 6-3 线性回归中的梯度下降法16分钟16秒
- 6-4 实现线性回归中的梯度下降法16分钟10秒
- 6-5 梯度下降法的向量化和数据标准化10分钟43秒
- 6-6 随机梯度下降法17分钟41秒
- 6-7 scikit-learn中的随机梯度下降法29分钟34秒
- 6-8 如何确定梯度计算的准确性？调试梯度下降法11分钟35秒
- 6-9 有关梯度下降法的更多深入讨论12分钟43秒
第7章 PCA与梯度上升法
- 7-1 什么是PCA11分钟21秒
- 7-2 使用梯度上升法求解PCA问题26分钟59秒
- 7-3 求数据的主成分PCA28分钟24秒
- 7-4 求数据的前n个主成分16分钟33秒
- 7-5 高维数据映射为低维数据15分钟06秒
- 7-6 scikit-learn中的PCA16分钟22秒
- 7-7 试手MNIST数据集17分钟05秒
- 7-8 使用PCA对数据进行降噪16分钟15秒
- 7-9 人脸识别与特征脸12分钟27秒
第8章 多项式回归与模型泛化
- 8-1 什么是多项式回归19分钟58秒
- 8-2 scikit-learn中的多项式回归与Pipeline27分钟24秒
- 8-3 过拟合与欠拟合10分钟57秒
- 8-4 为什么要有训练数据集与测试数据集13分钟28秒
- 8-5 学习曲线15分钟25秒
- 8-6 验证数据集与交叉验证18分钟29秒
- 8-7 偏差方差平衡20分钟56秒
- 8-8 模型泛化与岭回归12分钟54秒
- 8-9 LASSO13分钟26秒
- 8-10 L1, L2和弹性网络28分钟45秒
第9章 逻辑回归
- 9-1 什么是逻辑回归27分钟51秒
- 9-2 逻辑回归的损失函数19分钟42秒
- 9-3 逻辑回归损失函数的梯度14分钟02秒
- 9-4 实现逻辑回归算法11分钟45秒
- 9-5 决策边界12分钟28秒
- 9-6 在逻辑回归中使用多项式特征19分钟52秒
- 9-7 scikit-learn中的逻辑回归26分钟01秒
- 9-8 OvR与OvO28分钟45秒
第10章 评价分类结果
- 10-1 准确度的陷阱和混淆矩阵15分钟12秒
- 10-2 精准率和召回率12分钟36秒
- 10-3 实现混淆矩阵，精准率和召回率28分钟25秒
- 10-4 F1 Score21分钟13秒
- 10-5 精准率和召回率的平衡24分钟01秒
- 10-6 精准率-召回率曲线21分钟29秒
- 10-7 ROC曲线12分钟52秒
- 10-8 多分类问题中的混淆矩阵21分钟20秒
第11章 支撑向量机 SVM
- 11-1 什么是SVM29分钟02秒
- 11-2 SVM背后的最优化问题19分钟46秒
- 11-3 Soft Margin SVM26分钟05秒
- 11-4 scikit-learn中的SVM20分钟18秒
- 11-5 SVM中使用多项式特征和核函数17分钟59秒
- 11-6 到底什么是核函数24分钟39秒
- 11-7 RBF核函数22分钟10秒
- 11-8 RBF核函数中的gamma20分钟18秒
- 11-9 SVM思想解决回归问题24分钟59秒
第12章 决策树
- 12-1 什么是决策树27分钟48秒
- 12-2 信息熵27分钟32秒
- 12-3 使用信息熵寻找最优划分20分钟02秒
- 12-4 基尼系数27分钟12秒
- 12-5 CART与决策树中的超参数14分钟41秒
- 12-6 决策树解决回归问题13分钟
- 12-7 决策树的局限性22分钟33秒
第13章 集成学习和随机森林
- 13-1 什么是集成学习21分钟56秒
- 13-2 Soft Voting Classifier24分钟19秒
- 13-3 Bagging 和 Pasting18分钟28秒
- 13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论29分钟13秒
- 13-5 随机森林和 Extra-Trees12分钟42秒
- 13-6 Ada Boosting 和 Gradient Boosting29分钟50秒
- 13-7 Stacking18分钟43秒
第14章 更多机器学习算法
- 14-1 学习scikit-learn文档, 大家加油！18分钟29秒
- 14-2 学习完这个课程以后怎样继续深入机器学习的学习？29分钟04秒
授课教师
全栈工程师