XT-人工智能机器学习课程
资源来自互联网分享，侵权请告知删除。如链接失效，请联系管理
1472473369
XT-人工智能机器学习课程
XT-人工智能机器学习课程-无课件
├──01 课程介绍_ok.mp43.32M
├──02 Python基本知识_ok.mp422.81M
├──03 Windows下安装Anaconda_ok.mp418.44M
├──04 虚拟机环境的使用_导入虚拟机_ok.mp412.01M
├──05 虚拟机环境的使用_认识环境_ok.mp425.87M
├──06 Python工作环境_ok.mp462.64M
├──07 Python基本语法_ok.mp422.42M
├──08 Python对象_ok.mp464.90M
├──09 Python流程控制_ok.mp425.83M
├──10 函数的定义与使用_ok.mp453.60M
├──10 函数的定义与使用_ok_ok.mp452.54M
├──100 附1-sclklt-learn引导篇_ok.mp433.57M
├──101 附2-Oange引导篇_ok.mp428.13M
├──102 附3-Xgboost安装篇_ok.mp417.60M
├──103 课程概述_ok.mp414.41M
├──104 特征构造的常用方法_ok.mp419.54M
├──105 用户RFM行为特征提取（代码演示）_ok.mp47.63M
├──106 用户RFM行为特征提取_ok.mp421.39M
├──107 特征转换之连续变量无量纲化_ok.mp48.51M
├──108 特征转换之连续变量数据变换_ok.mp46.95M
├──109 连续变量特征转换（代码演示）_ok.mp421.42M
├──11 闭包和装饰器_ok.mp415.55M
├──110 特征转换之连续变量离散化_ok.mp421.08M
├──111 类别变量编码（代码演示）_ok.mp412.07M
├──112 特征转换之类别变量编码_ok.mp413.23M
├──113 日期型变量处理（代码演示）_ok.mp414.61M
├──114 特征转换之缺失值处理（代码演示）_ok.mp47.37M
├──115 特征转换之缺失值处理_ok.mp414.72M
├──116 特征转换之特征组合（代码演示）_ok.mp45.90M
├──117特征转换之特征组合_ok.mp412.14M
├──118 数据降维概述_ok.mp418.53M
├──119 数据降维之主成分分析（PCA）_ok.mp418.67M
├──12 Python的面向对象编程1_ok.mp422.40M
├──120 数据降维之主成分分析（PCA代码演示）_ok.mp414.68M
├──121 数据降维之线性判别分析法（LDA）~1_ok.mp419.28M
├──121 数据降维之线性判别分析法（LDA）_ok.mp414.26M
├──122 数据降维之线性判别分析法（LDA代码演示）_ok.mp411.17M
├──123 特征选择概述_ok.mp414.11M
├──124 单特征重要性评估_ok.mp418.43M
├──125 单特征重要性评估（代码演示）_ok.mp48.55M
├──126 课程总结_ok.mp44.42M
├──127 本章引言_ok.mp45.06M
├──128 构建你的第一个简单分类模型_ok.mp420.19M
├──129 构建你的第一个简单分类模型_代码演示_ok.mp445.05M
├──13 Python的面向对象编程2_ok.mp411.32M
├──130 用测试集对模型进行交叉验证_ok.mp420.85M
├──131 尝试其他的分类算法_ok.mp415.49M
├──132 准备一个更好的训练集_ok.mp449.71M
├──133 将多个模型的预测结果融合起来_ok.mp411.35M
├──134 模型优化的三个要素_ok.mp49.64M
├──135 本章引言_ok.mp46.87M
├──136 偏差与方差_过拟合与欠拟合_ok.mp414.72M
├──137 通过学习曲线诊断偏差和方差_ok.mp426.70M
├──138 通过验证曲线诊断过拟合和欠拟合_ok.mp416.21M
├──139 模型交叉验证方法之数据集划分_ok.mp424.56M
├──14 输入输出_ok.mp417.72M
├──140 模型交叉验证方法之k折交叉验证_ok.mp419.74M
├──141 模型评估指标之准确率和召回率_ok.mp428.32M
├──142 模型评估指标之收益曲线_ok.mp430.81M
├──143 模型评估指标之ROC与AUC_ok.mp416.65M
├──144 模型评估指标之KS值_ok.mp412.48M
├──145 本章引言_ok.mp42.56M
├──146 什么是逻辑回归_ok.mp414.25M
├──147 逻辑回归模型参数求解_ok.mp427.99M
├──148 逻辑回归模型正则化方法_ok.mp411.84M
├──149 逻辑回归代码示例_ok.mp432.62M
├──15 字符和编码_ok.mp414.30M
├──150 逻辑回归模型结果解释_ok.mp413.20M
├──151 逻辑回归模型自动化调参_ok.mp422.89M
├──152 逻辑回归的多分类问题_ok.mp415.32M
├──153 类别型特征变量转换_ok.mp417.80M
├──154 连续型特征变量转换_ok.mp412.05M
├──155 特征变量的组合_ok.mp416.66M
├──156 预测概率转换为分数_ok.mp420.52M
├──157 本章总结_ok.mp48.83M
├──158 本章引言_ok.mp41.24M
├──159 什么是K近邻_ok.mp48.59M
├──16 正则表达式_ok.mp459.58M
├──160 K近邻之距离度量_ok.mp46.53M
├──161 K近邻算法基本原理_ok.mp47.98M
├──162 K近邻算法代码演示_ok.mp416.09M
├──163 K近邻参数优化_ok.mp414.93M
├──164 特征标准化和转换_ok.mp423.50M
├──165 K近邻总结_ok.mp46.56M
├──166 本章引言_ok.mp43.81M
├──167 什么是决策树_ok.mp412.27M
├──168 决策树属性分裂基本概念_ok.mp46.52M
├──169 决策树节点不纯度_ok.mp421.29M
├──17 课程介绍_ok.mp44.59M
├──170 决策树最佳分裂_ok.mp427.48M
├──171 决策树算法对比_ok.mp410.62M
├──172 决策树剪枝_ok.mp414.31M
├──173 决策树代码演示_ok.mp428.02M
├──174 决策树参数调优_ok.mp411.06M
├──175 决策树总结_ok.mp47.30M
├──176 本章引言_ok.mp42.18M
├──177什么是支持向量机_ok.mp48.97M
├──178 支持向量机算法基本原理_ok.mp412.69M
├──179 支持向量机代码演示_ok.mp411.97M
├──18 Numpy基础_ok.mp42.58M
├──180 支持向量机参数优化_ok.mp48.53M
├──181 支持向量机总结_ok.mp45.68M
├──182 本章引言_ok.mp41.40M
├──183 贝叶斯公式_ok.mp410.73M
├──184朴素贝叶斯分类原理_ok.mp416.89M
├──185 朴素贝叶斯代码演示_ok.mp414.74M
├──186 朴素贝叶斯总结_ok.mp42.58M
├──187 课程概述_ok.mp45.12M
├──188 相关和回归_ok.mp415.81M
├──189 一元线性回归模型_ok.mp45.85M
├──19 多维数组类型_ndarray_ok.mp415.86M
├──190 最小二乘法_ok.mp411.06M
├──191 一元线性回归excel操作_ok.mp416.86M
├──192 一元线性回归python操作_ok.mp413.53M
├──193 课程总结_ok.mp47.30M
├──194 多元线性回归模型_ok.mp44.98M
├──195 多重共线性概念_ok.mp48.15M
├──196 逐步回归方法_ok.mp413.48M
├──197 过拟合与正则化_ok.mp48.86M
├──198 多元线性回归excel操作_ok.mp419.71M
├──199 多元线性回归python操作_ok.mp422.87M
├──20 创建ndarray_ok.mp420.50M
├──200 非线性回归简介_ok.mp45.14M
├──201 非线性回归在Excel中的操作_ok.mp48.95M
├──202 非线性回归在python的操作_ok.mp415.82M
├──203回归模型常用评估指标_ok.mp413.98M
├──204 回归树（CART）基本原理_ok.mp413.24M
├──205 回归树代码演示_ok.mp415.53M
├──206 课程概述_ok.mp45.43M
├──207 什么是聚类分析_ok.mp46.85M
├──208相似度与距离度量_ok.mp412.16M
├──209 聚类之K均值算法_ok.mp419.18M
├──21 numpy中的数据类型_ok.mp416.14M
├──210 K均值算法代码演示_ok.mp417.63M
├──211 K均值算法调参_ok.mp414.94M
├──212 聚类模型评估指标_ok.mp425.56M
├──213 聚类分析总结_ok.mp44.83M
├──214什么是关联规则_ok.mp427.79M
├──215 关联规则Apriori算法_ok.mp418.37M
├──216 关联规则的lift指标_ok.mp416.05M
├──217 关联规则的理解与应用_ok.mp411.36M
├──218 关联规则代码演示_ok.mp412.65M
├──219 关联规则总结_ok.mp43.48M
├──22 ndarray的文件IO_ok.mp420.73M
├──220 课程总结_ok.mp43.63M
├──221 什么是推荐系统_ok.mp48.12M
├──222 基于Item的协同过滤算法_ok.mp413.34M
├──223 基于User的协同过滤算法_ok.mp46.64M
├──224 SVD矩阵分解算法_ok.mp412.50M
├──225 机器学习经典案例：垃圾邮件过滤模型_ok.mp4206.24M
├──226 机器学习经典案例：KNN算法实现手写字体识别~1_ok.mp4157.46M
├──226 机器学习经典案例：KNN算法实现手写字体识别_ok.mp4135.17M
├──227 机器学习经典案例：餐馆菜肴推荐系统_ok.mp488.93M
├──228 课程概述_ok.mp46.23M
├──229 模型融合基本概念_ok.mp422.20M
├──23 操作多维数组ndarray_ok.mp42.63M
├──230 Voting和Averaging融合_ok.mp46.70M
├──231 Bagging融合_ok.mp412.46M
├──232 Boosting融合_ok.mp46.52M
├──233 随机森林算法基本原理_ok.mp424.84M
├──234 随机森林算法（分类）代码演示_ok.mp422.98M
├──235 随机森林算法（回归）代码演示_ok.mp412.33M
├──236 Adaboost算法基本原理_ok.mp410.75M
├──237 Adaboost算法（分类）代码演示_ok.mp416.68M
├──238 Adaboost算法（回归）代码演示_ok.mp410.99M
├──239 GBDT算法基本原理_ok.mp421.76M
├──24 选择ndarray的元素_索引_ok.mp48.98M
├──240 GBDT算法（分类）代码演示_ok.mp411.47M
├──241 GBDT算法（回归）代码演示_ok.mp410.24M
├──242 Xgboost基本介绍_ok.mp48.32M
├──243 Xgboost算法（分类）代码演示_ok.mp422.38M
├──244 Xgboost算法（回归）代码演示_ok.mp411.80M
├──245 课程总结_ok.mp47.47M
├──246 文本分析的基本概念_ok.mp420.19M
├──247 文本特征表示方法（词袋模型）_ok.mp410.29M
├──248 TF-IDF算法_ok.mp415.53M
├──249 词表征方法（词向量）_ok.mp424.69M
├──25 选择ndarray的元素_索引数组_ok.mp48.16M
├──250 神经网络与深度学习_ok.mp430.18M
├──251 卷积神经网络CNN介绍_ok.mp426.14M
├──252循环神经网络RNN介绍_ok.mp414.96M
├──253 深度学习的应用场景_ok.mp425.42M
├──254 背景与部分原理_ok.mp441.38M
├──255 模型原理_ok.mp437.78M
├──256 数据_ok.mp465.15M
├──257 代码_ok.mp453.08M
├──258 总结_ok.mp452.23M
├──259 项目概述_ok.mp48.01M
├──26 选择ndarray的元素_布尔数组_ok.mp46.97M
├──260 数据观察_ok.mp488.41M
├──261 基于item的协同过滤推荐_ok.mp443.69M
├──262 基于user的协同过滤推荐_ok.mp443.16M
├──263 基于SVD的协同过滤推荐_ok.mp429.85M
├──264 项目概述_ok.mp410.21M
├──265 opencv的安装及使用_ok.mp415.92M
├──266 图像特征_颜色直方图_ok.mp431.83M
├──267 用随机森林构建图像分类模型_ok.mp431.28M
├──268 对新图片进行分类预测_ok.mp47.14M
├──269 项目概述_ok.mp411.91M
├──27 改变ndarray的形状_ok.mp425.54M
├──270 对文档进行分词_ok.mp48.74M
├──271 用TFIDF和词袋表示文档特征_ok.mp426.72M
├──272 用word2vec词向量表示文档特征_ok.mp422.18M
├──273 训练文档分类模型_ok.mp413.78M
├──274 模型效果的评估_ok.mp417.48M
├──275 对新文档进行分类预测_ok.mp415.97M
├──276 预测房价项目概述_ok.mp48.63M
├──277 数据理解和整体探索_ok.mp4112.00M
├──278 数据清洗_ok.mp481.08M
├──279 特征转换、衍生、组合_ok.mp448.69M
├──28 ndarray的基本运算_ok.mp425.52M
├──280 特征筛选_ok.mp431.69M
├──281 模型训练_ok.mp467.21M
├──282 对新数据进行预测_ok.mp424.80M
├──283 项目概述_ok.mp416.70M
├──284 从交易数据中提取RFM特征_ok.mp419.19M
├──285 客户RFM分析_ok.mp433.57M
├──286 响应预测模型训练和选择_ok.mp432.82M
├──287 模型部署和应用_ok.mp422.55M
├──288 项目概述_ok.mp440.76M
├──289 CT图像的预处理技术_ok.mp496.49M
├──29 numpy进阶_ok.mp41.49M
├──290 图像数据的增强(augmentation)_ok.mp4111.34M
├──291 训练图像分割模型_ok.mp4115.54M
├──292 训练三维卷积神经网络_ok.mp4120.12M
├──293 模型串联+项目总结_ok.mp493.39M
├──30 广播_不同维度数组运算_ok.mp45.63M
├──31 复制和视图_ok.mp46.52M
├──32 附1_Windows下安装Anaconda_ok.mp418.44M
├──33 附2_虚拟机环境的使用_导入虚拟机_ok.mp411.95M
├──34 附3_虚拟机环境的使用_认识环境_ok.mp425.88M
├──35 scipy简介_ok.mp45.03M
├──36 线性代数基础知识_向量_ok.mp47.91M
├──37 线性代数基础知识_矩阵_ok.mp414.79M
├──38 特征值和特征向量_ok.mp49.93M
├──39 解线性方程组_ok.mp45.50M
├──40 最小二乘法_ok.mp46.83M
├──41 本章引言_ok.mp412.04M
├──42 Pandas安装&数据结构介绍_ok.mp441.59M
├──43 Pandas数据查看_ok.mp443.45M
├──44 Pandas数据选择_ok.mp465.79M
├──45 Pandas数据修改与基本运算1_ok.mp461.02M
├──46 Pandas数据修改与基本运算2_ok.mp473.70M
├──47 Pandas数据修改与基本运算3_ok.mp468.64M
├──48 Pandas数据加载_ok.mp431.24M
├──49 Pandas多层索引_ok.mp436.00M
├──50 Pandas数据变形之关联_ok.mp444.74M
├──51 Pandas数据变形之分组与聚合_ok.mp448.12M
├──52 Pandas数据变形之数据重塑_ok.mp450.92M
├──53 本章引言_ok.mp418.81M
├──54 Matplotlib主要绘图类型_上_ok.mp435.05M
├──55 Matplotlib主要绘图类型_下_ok.mp445.97M
├──56 Matplotlib主要绘图参数_ok.mp418.59M
├──57 Matplotlib主要绘图装饰函数_ok.mp429.50M
├──58 Matplotlib文字标注与注释_ok.mp420.45M
├──59 Matplotlib子图_ok.mp418.16M
├──60 本章引言_ok.mp44.60M
├──61 快速理解数据挖掘和机器学习_ok.mp424.14M
├──62 数据挖掘的六大任务_ok.mp438.43M
├──63 数据挖掘的方法论（CRISP-DM）_ok.mp421.75M
├──64 预测模型的构建和应用流程_ok.mp415.29M
├──65 机器学习算法及分类_ok.mp428.43M
├──66 数据挖掘与数据仓库和OLAP_ok.mp435.85M
├──67 数据挖掘和机器学习的应用案例_ok.mp432.55M
├──68 如何成为一名优秀的数据科学家_ok.mp421.36M
├──69 本章引言_ok.mp46.42M
├──70 认识数据_ok.mp425.69M
├──71 描述性统计分析_ok.mp428.75M
├──72 分类变量的分析方法_ok.mp438.34M
├──73 连续变量的分析方法_ok.mp432.21M
├──74 相关性分析_ok.mp448.01M
├──75 基本空间与随机事件_ok.mp420.40M
├──76 事件的关系与运算_ok.mp417.24M
├──77 事件的概率_ok.mp420.51M
├──78 随机变量的分布_ok.mp423.23M
├──79 期望与方差_ok.mp421.46M
├──80 联合分布_ok.mp421.05M
├──81 条件分布与条件期望_ok.mp421.83M
├──82 正态分布_ok.mp415.95M
├──83 总体与样本_ok.mp426.73M
├──84 样本均值与方差_ok.mp417.13M
├──85 次序统计量与分位数_ok.mp416.52M
├──86 矩法估计_ok.mp420.84M
├──87 极大似然估计_ok.mp417.10M
├──88 贝叶斯估计_ok.mp416.55M
├──89 区间估计_ok.mp417.46M
├──90 假设检验_ok.mp422.72M
├──91 多元线性回归（上）_ok.mp422.63M
├──92 多元线性回归（下）_ok.mp423.35M
├──93 判别分析（上）_ok.mp416.46M
├──94 判别分析（下）_ok.mp417.88M
├──95 数据处理_ok.mp419.51M
├──96 系统聚类法_ok.mp417.98M
├──97 动态聚类法_ok.mp423.05M
├──98 主成分分析_ok.mp420.02M
├──99 样本主成分及其应用_ok.mp417.96M
下载地址：
本文只能试读99%,付费后可阅读全文。
页:
[1]