【技术干货】菜菜的机器学习sklearn【全85集】Python进阶

Parts

1. P1 · 1 1.0 本周要学什么以及Sklearn入门简介
2. P2 · 1 1.1 决策树是如何工作的
3. P3 · 1 1.2 sklearn中的决策树
4. P4 · 1 1.3重要参数
5. P5 · 1 1.4 数据探索
6. P6 · 1 1.5 数据划分
7. P7 · 1 1.6 建模并进行探索
8. P8 · 1 1.7 分枝随机模式参数
9. P9 · 1 1.8 决策树剪枝
10. P10 · 1 1.9 目标权重参数以及重要接口
11. P11 · 2 2.0 本周要学什么
12. P12 · 2 2.1 随机森林概述
13. P13 · 2 2.2 随机森林建模流程及重要参数
14. P14 · 2 2.3 建模及参数代码实现
15. P15 · 2 2.4 机器学习调参思想
16. P16 · 2 2.5 在乳腺癌数据集上进行建模
17. P17 · 2 2.6 随机森林在乳腺癌数据集上的调参
18. P18 · 3 3.0 本周学什么以及数据预处理和特征工程简介
19. P19 · 3 3.1 数据无量纲化
20. P20 · 3 3.2 数据统一量纲代码实现
21. P21 · 3 3.3 缺失值处理
22. P22 · 3 3.4 编码与哑变量
23. P23 · 3 3.5 独热编码创建哑变量
24. P24 · 3 3.6 处理连续型特征 二值化分段
25. P25 · 4 4.0本周要学什么以及算法概述
26. P26 · 4 4.1 PCA与SVD原理简述
27. P27 · 4 4.2 PCA与SVD算法原理
28. P28 · 4 4.3 重要参数
29. P29 · 4 4.4 降维代码实现
30. P30 · 4 4.5 机器学习问题解答
31. P31 · 5 5.0 本周要学什么
32. P32 · 5 5.1 逻辑回归原理概述
33. P33 · 5 5.2 我们为什么需要逻辑回归
34. P34 · 5 5.3 sklearn中的逻辑回归
35. P35 · 5 5.4 逻辑回归中的正则化
36. P36 · 5 5.5 正则化代码实现
37. P37 · 5 5.6 那种正则化化的效果更好
38. P38 · 5 5.7 正式版会讲什么
39. P39 · 6 6.1 聚类算法概述
40. P40 · 6 6.2 Kmeans是如何工作的
41. P41 · 6 6.3 簇内误差平方和的定义
42. P42 · 6 6.4 重要参数代码实现
43. P43 · 6 6.5 聚类算法中的轮廓系数
44. P44 · 6 6.6 基于轮廓系数进行选择N_clusters
45. P45 · 7 7.1 SVM概述
46. P46 · 7 7.2 SVM是如何工作的
47. P47 · 7 7.3 线性SVM的损失函数
48. P48 · 7 7.4 线性SVM的推导
49. P49 · 7 7.5 线性SVM决策过程的可视化过程
50. P50 · 7 7.6 SVM可视化代码实现
51. P51 · 8 8.1 概述
52. P52 · 8 8.2 SVM中的核函数
53. P53 · 8 8.3 核函数代码实现
54. P54 · 8 8.4 核函数运行结果
55. P55 · 8 8.5 使用网格搜索对SVM进行调整
56. P56 · 8 8.6 软间隔与SVM中的重要参数C
57. P57 · 8 8.7 完整版会讲什么
58. P58 · 9 9.1 多元线性回归基本原理
59. P59 · 9 9.2 最小二乘法求解多元线性回归参数
60. P60 · 9 9.3 回归建模
61. P61 · 9 9.4 探索建立的模型
62. P62 · 9 9.5 多元线性回归的评估指标
63. P63 · 9 9.6 评估指标中的检测
64. P64 · 10 10.1 朴素贝叶斯概述
65. P65 · 10 10.2 朴素贝叶斯是如何工作的
66. P66 · 10 10.3 朴素贝叶斯公式推导
67. P67 · 10 10.4 朴素贝叶斯公式推导案例
68. P68 · 10 10.5 sklearn中的朴素贝叶斯
69. P69 · 10 10.6 不同分布下的贝叶斯
70. P70 · 11 1本周要学习什么
71. P71 · 11 2 XGBoost前瞻：安装xgboost，xgboost库与sklearn API
72. P72 · 11 2.1 梯度提升树(1)：集成算法回顾，重要参数n_estimators
73. P73 · 11 2.1 梯度提升树(2)：参数n_estimators下的建模
74. P74 · 11 2.1 梯度提升树(3)：参数n_estimators的学习曲线
75. P75 · 11 2.1 梯度提升树(4)：基于方差-偏差困境改进的学习曲线
76. P76 · 11 2.2 梯度提升树(5)：控制有放回随机抽样，参数subsample
77. P77 · 11 2.3 梯度提升树(6)：迭代决策树：重要参数eta
78. P78 · 11 2.3 梯度提升树(7)：迭代决策树：重要参数eta
79. P79 · 11 3完整版中会含有的内容
80. P80 · 12 12.1 神经网络概述
81. P81 · 12 12.2 神经网络基本原理
82. P82 · 12 12.3 神经网络的输入、隐藏与输出层
83. P83 · 12 12.4 神经网络中的参数w
84. P84 · 12 12.5 神经网络是如何工作的
85. P85 · 12 12.6 sklearn中的神经网络