📁AA_0174——机器学习必修课：经典AI算法与编程实战 瞿炜120 个文件
📄01-1课程内容和理念.mp460.9MB
📄01-2初识机器学习.mp436.9MB
📄01-3课程使用的技术栈.mp437.0MB
📄02-1本章总览.mp47.9MB
📄02-2数据长什么样：常见数据集、典型实例、如何使用.mp435.3MB
📄02-3研究哪些问题：分类、回归等.mp440.0MB
📄02-4如何分门别类：监督、无监督、强化学习等.mp429.3MB
📄02-5机器学习的七大常见误区和局限.mp435.1MB
📄03-1本章总览：相互关系与学习路线.mp49.2MB
📄03-2Anaconda图形化操作.mp415.9MB
📄03-3Anaconda命令行操作.mp418.9MB
📄03-4JupyterNotebook基础使用.mp419.8MB
📄03-5JupyterNotebook高级使用：常用魔法命令.mp415.0MB
📄03-6Numpy基础：安装与性能对比.mp415.5MB
📄03-7Numpy数组创建：特定数组、等差数组、随机数组.mp436.9MB
📄03-8Numpy数组基础索引：索引和切片.mp416.8MB
📄03-9Numpy非常重要的数组合并与拆分操作.mp418.7MB
📄03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp433.0MB
📄03-11Numpy数组统计运算：常用的都在这儿了.mp416.0MB
📄03-12Numpy数组arg运算和排序.mp418.4MB
📄03-13Numpy数组神奇索引和布尔索引.mp423.7MB
📄03-14Matplotlib数据可视化：基础绘制与设置.mp423.0MB
📄04-1本章总览.mp412.1MB
📄04-2KNN算法核心思想和原理.mp439.4MB
📄04-3KNN分类任务代码实现.mp432.8MB
📄04-4数据集划分：训练集与预测集.mp431.7MB
📄04-5模型评价.mp433.8MB
📄04-6超参数.mp430.3MB
📄04-7特征归一化.mp427.8MB
📄04-8KNN回归任务代码实现.mp429.5MB
📄04-9KNN优缺点和适用条件.mp420.9MB
📄05-1本章总览.mp414.5MB
📄05-2线性回归核心思想和原理.mp440.3MB
📄05-3逻辑回归核心思想和原理.mp425.4MB
📄05-4线性回归代码实现.mp428.0MB
📄05-5模型评价：MSE、RMSE、MAE和R方.mp429.1MB
📄05-6多项式回归代码实现.mp419.7MB
📄05-7逻辑回归算法.mp421.8MB
📄05-8线性逻辑回归代码实现.mp428.5MB
📄05-9多分类策略.mp48.7MB
📄05-10复杂逻辑回归及代码实现.mp418.0MB
📄05-11线性算法优缺点和适用条件.mp421.6MB
📄06-1本章总览.mp430.6MB
📄06-2损失函数.mp439.4MB
📄06-3梯度下降.mp435.7MB
📄06-4决策边界.mp425.3MB
📄06-5过拟合与欠拟合.mp425.1MB
📄06-6学习曲线.mp426.7MB
📄06-7交叉验证.mp423.9MB
📄06-8模型误差.mp442.8MB
📄06-9正则化.mp445.0MB
📄06-10LASSO和岭回归代码实现.mp423.9MB
📄06-11模型泛化.mp424.6MB
📄06-12评价指标：混淆矩阵、精准率和召回率.mp436.5MB
📄06-13评价指标：ROC曲线.mp433.8MB
📄07-1本章总览.mp414.4MB
📄07-2决策树核心思想和原理.mp422.7MB
📄07-3信息熵.mp439.7MB
📄07-4决策树分类任务代码实现.mp438.7MB
📄07-5基尼系数.mp419.6MB
📄07-6决策树剪枝.mp426.0MB
📄07-7决策树回归任务代码实现.mp412.6MB
📄07-8决策树优缺点和适用条件.mp416.5MB
📄08-1本章总览.mp426.8MB
📄08-2神经网络核心思想和原理.mp456.4MB
📄08-3激活函数.mp436.1MB
📄08-4正向传播与反向传播.mp423.4MB
📄08-5梯度下降优化算法.mp436.8MB
📄08-6神经网络简单代码实现.mp428.9MB
📄08-7梯度消失和梯度爆炸.mp428.5MB
📄08-8模型选择.mp439.7MB
📄08-9神经网络优缺点和适用条件.mp420.2MB
📄09-1本章总览.mp435.6MB
📄09-2SVM核心思想和原理.mp415.7MB
📄09-3硬间隔SVM.mp433.1MB
📄09-4SVM软间隔.mp425.5MB
📄09-5线性SVM分类任务代码实现.mp417.9MB
📄09-6非线性SVM：核技巧.mp435.3MB
📄09-7SVM核函数.mp421.9MB
📄09-8非线性SVM代码实现.mp422.9MB
📄09-9SVM回归任务代码实现.mp414.3MB
📄09-10SVM优缺点和适用条件.mp411.3MB
📄10-1本章总览.mp422.4MB
📄10-2贝叶斯方法核心思想和原理.mp432.0MB
📄10-3朴素贝叶斯分类.mp420.3MB
📄10-4朴素贝叶斯的代码实现.mp427.2MB
📄10-5多项式朴素贝叶斯代码实现.mp423.6MB
📄10-6贝叶斯方法优缺点和适用条件.mp425.5MB
📄11-1本章总览.mp414.6MB
📄11-2集成学习核心思想和原理.mp420.0MB
📄11-3集成学习代码实现.mp424.4MB
📄11-4并行策略：Bagging、OOB等方法.mp438.8MB
📄11-5并行策略：随机森林.mp417.6MB
📄11-6串行策略：Boosting.mp427.4MB
📄11-7结合策略：Stacking方法.mp413.3MB
📄11-8集成学习优缺点和适用条件.mp424.9MB
📄12-1本章总览.mp49.9MB
📄12-2聚类算法核心思想和原理.mp416.3MB
📄12-3k-means和分层聚类.mp422.8MB
📄12-4聚类算法代码实现.mp421.9MB
📄12-5聚类评估代码实现.mp420.3MB
📄12-6聚类算法优缺点和适用条件.mp419.7MB
📄13-1本章总览.mp417.3MB
📄13-2PCA核心思想和原理.mp425.4MB
📄13-3PCA求解算法.mp421.6MB
📄13-4PCA算法代码实现.mp415.2MB
📄13-5降维任务代码实现.mp423.6MB
📄13-6PCA在数据降噪中的应用.mp413.8MB
📄13-7PCA在人脸识别中的应用.mp428.4MB
📄13-8主成分分析优缺点和适用条件.mp49.5MB
📄14-1本章总览.mp414.0MB
📄14-2概率图模型核心思想和原理.mp452.8MB
📄14-3EM算法参数估计.mp420.4MB
📄14-4隐马尔可夫模型代码实现.mp443.0MB
📄14-5概率图模型优缺点和适用条件.mp411.6MB
📄15-1本章总览.mp48.5MB
📄15-2泰坦尼克生还预测.mp462.0MB
📄15-3房价预测.mp467.2MB
📄15-4交易反欺诈代码实现.mp435.9MB
📄15-5如何深入研究机器学习.mp411.5MB
