唐宇迪Python机器学习实训营课程介绍:
机器学习是使计算机无需显式编程即可学习的行为。. 这是通过将数据提供给计算机并将其转换为决策模型,然后将其用于未来的预测来完成的。本课程注重算法原理讲解与数学公式推导并基于Python语言给出完整的代码实现,从零开始实现每一模块功能(非调用工具包)通过代码实例演示算法工作流程与实现方法。建议同学们在学习过程中先掌握算法原理,基于数学推导公式进行代码复现与实战演练。
课程目录:
目录截图:
详细目录:
章节1:线性回归原理推导试看 课时1视频Python机器学习实训营课程介绍06:56 课时2视频回归问题概述07:11 课时3视频误差项定义09:41 课时4视频独立同分布的意义07:32 课时5视频似然函数的作用10:50 课时6视频参数求解11:11 课时7视频梯度下降通俗解释08:34 课时8视频参数更新方法08:17 课时9视频优化参数设置08:51 课时10文本课程全部数据代码PPT下载 章节2:线性回归代码实现试看 课时11视频线性回归整体模块概述05:16 课时12视频初始化步骤07:11可试看 课时13视频实现梯度下降优化模块10:10 课时14视频损失与预测模块11:40 课时15视频数据与标签定义10:00 课时16视频训练线性回归模型10:43 课时17视频得到线性回归方程06:58 课时18视频整体流程debug解读08:16 课时19视频多特征回归模型09:46 课时20视频非线性回归11:22 章节3:模型评估方法试看 课时21视频Sklearn工具包简介04:56可试看 课时22视频数据集切分07:15 课时23视频交叉验证的作用11:03 课时24视频交叉验证实验分析14:51 课时25视频混淆矩阵07:52 课时26视频评估指标对比分析12:13 课时27视频阈值对结果的影响08:26 课时28视频ROC曲线08:58 章节4:线性回归实验分析试看 课时29视频实验目标分析08:09可试看 课时30视频参数直接求解方法08:47 课时31视频预处理对结果的影响12:39 课时32视频梯度下降模块06:36 课时33视频学习率对结果的影响10:35 课时34视频随机梯度下降得到的效果13:15 课时35视频MiniBatch方法08:42 课时36视频不同策略效果对比08:36 课时37视频多项式回归11:16 课时38视频模型复杂度16:02 课时39视频样本数量对结果的影响15:55 课时40视频正则化的作用09:32 课时41视频岭回归与lasso19:29 课时42视频实验总结12:19 章节5:逻辑回归原理推导试看 课时43视频逻辑回归算法原理08:23可试看 课时44视频化简与求解09:09 章节6:逻辑回归代码实现 课时45视频多分类逻辑回归整体思路07:35 课时46视频训练模块功能09:56 课时47视频完成预测模块06:48 课时48视频优化目标定义09:31 课时49视频迭代优化参数07:48 课时50视频梯度计算09:53 课时51视频得出最终结果10:40 课时52视频鸢尾花数据集多分类任务06:55 课时53视频训练多分类模型10:07 课时54视频准备测试数据09:01 课时55视频决策边界绘制09:21 课时56视频非线性决策边界05:39 章节7:逻辑回归实验分析试看 课时57视频逻辑回归实验概述09:17 课时58视频概率结果随特征数值的变化07:57 课时59视频可视化展示10:20可试看 课时60视频坐标棋盘制作10:35 课时61视频分类决策边界展示分析13:35 课时62视频多分类-softmax13:08 章节8:聚类算法-Kmeans&Dbscan原理 课时63视频KMEANS算法概述11:33 课时64视频KMEANS工作流程09:42 课时65视频KMEANS迭代可视化展示08:19 课时66视频DBSCAN聚类算法11:03 课时67视频DBSCAN工作流程15:03 课时68视频DBSCAN可视化展示08:52 章节9:Kmeans代码实现试看 课时69视频Kmeans算法模块概述03:49可试看 课时70视频计算得到簇中心点08:23 课时71视频样本点归属划分07:21 课时72视频算法迭代更新07:19 课时73视频鸢尾花数据集聚类任务08:57 课时74视频聚类效果展示11:30 章节10:聚类算法实验分析试看 课时75视频Kmenas算法常用操作09:21 课时76视频聚类结果展示04:45 课时77视频建模流程解读10:45 课时78视频不稳定结果04:14 课时79视频评估指标-Inertia07:24 课时80视频如何找到合适的K值06:55 课时81视频轮廓系数的作用09:15 课时82视频Kmenas算法存在的问题07:19 课时83视频应用实例-图像分割13:45 课时84视频半监督学习12:23 课时85视频DBSCAN算法08:10可试看 章节11:决策树原理试看 课时86视频决策树算法概述08:29可试看 课时87视频熵的作用06:39 课时88视频信息增益原理08:41 课时89视频决策树构造实例07:40 课时90视频信息增益率与gini系数06:07 课时91视频预剪枝方法08:02 课时92视频后剪枝方法06:54 课时93视频回归问题解决05:54 章节12:决策树代码实现试看 课时94视频整体模块概述03:40 课时95视频递归生成树节点08:49 课时96视频整体框架逻辑05:47 课时97视频熵值计算10:14可试看 课时98视频数据集切分07:03 课时99视频完成树模型构建06:12 课时100视频测试算法效果04:32 章节13:决策树实验分析试看 课时101视频树模型可视化展示08:19可试看 课时102视频决策边界展示分析10:34 课时103视频树模型预剪枝参数作用10:48 课时104视频回归树模型11:14 章节14:集成算法原理试看 课时105视频随机森林算法原理10:17可试看 课时106视频随机森林优势与特征重要性指标10:21 课时107视频提升算法概述08:51 课时108视频stacking堆叠模型06:22 章节15:集成算法实验分析 课时109视频构建实验数据集06:27 课时110视频硬投票与软投票效果对比11:04 课时111视频Bagging策略效果07:34 课时112视频集成效果展示分析10:42 课时113视频OOB袋外数据的作用03:38 课时114视频特征重要性热度图展示14:56 课时115视频Adaboost算法概述04:45 课时116视频Adaboost决策边界效果12:28 课时117视频GBDT提升算法流程08:17 课时118视频集成参数对比分析14:55 课时119视频模型提前停止策略08:09 课时120视频停止方案实施13:20 课时121视频堆叠模型05:53 章节16:支持向量机原理推导 课时122视频支持向量机要解决的问题07:30 课时123视频距离与数据定义08:00 课时124视频目标函数推导09:12 课时125视频拉格朗日乘子法求解07:36 课时126视频化简最终目标函数06:03 课时127视频求解决策方程11:16 课时128视频软间隔优化12:42 课时129视频核函数的作用09:24 课时130视频知识点总结07:35 章节17:支持向量机实验分析 课时131视频支持向量机所能带来的效果08:55 课时132视频决策边界可视化展示09:52 课时133视频软间隔的作用10:31 课时134视频非线性SVM06:52 课时135视频核函数的作用与效果16:15 章节18:神经网络算法原理 课时136视频深度学习要解决的问题07:55 课时137视频深度学习应用领域14:06 课时138视频计算机视觉任务05:48 课时139视频视觉任务中遇到的问题10:01 课时140视频得分函数07:14 课时141视频损失函数的作用10:42 课时142视频前向传播整体流程13:45 课时143视频返向传播计算方法09:33 课时144视频神经网络整体架构10:52 课时145视频神经网络架构细节10:54 课时146视频神经元个数对结果的影响07:11 课时147视频正则化与激活函数08:49 课时148视频神经网络过拟合解决方法11:06 章节19:神经网络代码实现 课时149视频神经网络整体框架概述07:30 课时150视频参数初始化操作12:44 课时151视频矩阵向量转换09:10 课时152视频向量反变换09:17 课时153视频完成前向传播模块10:17 课时154视频损失函数定义09:23 课时155视频准备反向传播迭代08:01 课时156视频差异项计算10:41 课时157视频逐层计算10:10 课时158视频完成全部迭代更新模块13:49 课时159视频手写字体识别数据集10:31 课时160视频算法代码错误修正10:37 课时161视频测试效果可视化展示13:09 课时162视频模型优化结果展示10:51 章节20:贝叶斯算法原理 课时163视频贝叶斯要解决的问题05:10 课时164视频贝叶斯公式推导07:46 课时165视频拼写纠错实例11:45 课时166视频垃圾邮件过滤实例10:22 章节21:贝叶斯代码实现试看 课时167视频朴素贝叶斯算法整体框架06:04可试看 课时168视频邮件数据读取05:38 课时169视频语料表与特征向量构建09:49 课时170视频分类别统计词频09:00 课时171视频贝叶斯公式对数变换08:07 课时172视频完成预测模块08:40 章节22:关联规则实战分析试看 课时173视频关联规则概述06:57可试看 课时174视频支持度与置信度08:58可试看 课时175视频提升度的作用08:44 课时176视频Python实战关联规则09:04 课时177视频数据集制作07:51 课时178视频电影数据集题材关联分析07:53 章节23:关联规则代码实现 课时179视频Apripri算法整体流程11:57 课时180视频数据集demo04:11 课时181视频扫描模块07:26 课时182视频拼接模块06:17 课时183视频挖掘频繁项集07:11 课时184视频规则生成模块07:37 课时185视频完成全部算法流程07:36 课时186视频规则结果展示07:10 章节24:词向量word2vec通俗解读试看 课时187视频词向量模型通俗解释08:14 课时188视频模型整体框架10:09 课时189视频训练数据构建05:10 课时190视频CBOW与Skip-gram模型08:20 课时191视频负采样方案07:40 章节25:代码实现word2vec词向量模型 课时192视频数据与任务流程10:36 课时193视频数据清洗06:34 课时194视频batch数据制作12:24 课时195视频网络训练12:36 课时196视频可视化展示06:19 章节26:推荐系统原理分析 课时197视频推荐系统应用10:34 课时198视频推荐系统要完成的任务06:39 课时199视频相似度计算10:46 课时200视频基于用户的协同过滤10:02 课时201视频基于物品的协同过滤14:45 课时202视频隐语义模型07:31 课时203视频隐语义模型求解09:45 课时204视频模型评估标准07:43 章节27:打造音乐推荐系统 课时205视频音乐推荐任务概述17:35 课时206视频数据集整合08:19 课时207视频基于物品的协同过滤13:17 课时208视频物品相似度计算与推荐19:14 课时209视频SVD矩阵分解16:54 课时210视频基于矩阵分解的音乐推荐14:44 章节28:线性判别分析降维算法原理解读试看 课时211视频线性判别分析要解决的问题12:20可试看 课时212视频线性判别分析要优化的目标12:03 课时213视频线性判别分析求解12:08 课时214视频求解得出降维结果08:55 章节29:主成分分析降维算法原理解读试看 课时215视频PCA基本概念需购买观看 课时216视频方差与协方差06:51 课时217视频PCA结果推导09:03 课时218视频PCA降维实例