- 第1章 初识Python机器学习
- 免费 1.1.1机器学习的起源及发展 04:21
- 免费 1.1.2监督学习 03:42
- 1.1.3无监督学习 02:53
- 1.1.4半监督学习 04:09
- 1.1.5强化学习 02:19
- 1.1.6机器学习程序开发步骤 03:57
- 1.1.7机器学习发展现状 03:39
- 1.1.8机器学习的未来 04:37
- 1.2使用Python语言开发 01:36
- 1.3.1NumPy函数库的安装 02:35
- 1.3.2NumPy函数库入门 18:37
- 1.4.1SciPy函数库的安装 01:57
- 1.4.2SciPy函数库入门 05:15
- 1.5.1Matplotlib库的安装 01:15
- 1.5.2Matplotlib库的使用 07:11
- 1.6集成开发环境Anaconda 02:05
- 第2章 K-近邻算法
- 2.1K-近邻算法概述 03:05
- 2.1.1K-近邻算法的基本思想 01:25
- 2.1.2K-近邻的距离度量表示法 04:13
- 2.1.3K值的选择 03:43
- 2.2.1KD树简介 01:58
- 2.2.2KD树的构建 06:26
- 2.2.3搜索KD树 05:33
- 2.3实战 利用 K-近邻算法改进约会网站 08:18
- 第3章 决策树
- 3.1.1决策树简介 06:26
- 3.1.2信息与自信息 03:12
- 3.1.3信息熵 07:24
- 3.1.4信息增益与划分数据集 05:42
- 3.2构建决策树 04:19
- 第4章 朴素贝叶斯
- 4.1概率分布与贝叶斯决策论 03:34
- 4.2条件概率 02:54
- 4.3贝叶斯分类 07:49
- 4.4朴素贝叶斯分类 05:33
- 4.5.1将单词表转换为向量 07:26
- 4.5.2概率计算 03:27
- 4.5.3通过朴素贝叶斯模型进行文件分类 01:41
- 4.6.1切分文本 03:22
- 4.6.2通过朴素贝叶斯模型过滤垃圾邮件 03:46
- 第5章 逻辑回归与梯度下降
- 5.1.1逻辑回归简介 04:06
- 5.1.2 Sigmoid函数简介 04:22
- 5.2梯度下降算法 08:45
- 5.2.1二维坐标系中的梯度下降算法 11:27
- 5.2.2三维坐标系中的梯度下降算法 15:09
- 5.3通过梯度下降算法找到最佳参数 09:53
- 5.4决策边界 13:47
- 5.5.1批量梯度下降算法 06:38
- 5.5.2随机梯度下降算法 03:53
- 第6章 支持向量机
- 6.1.1支持向量机简介 07:11
- 6.2寻找最大间隔 05:32
- 6.3.1序列最小化算法简介 01:55
- 6.3.2通过序列最小优化算法处理小规模数据集 06:07
- 6.3.3通过完整的序列最小优化算法进行优化 05:54
- 6.4核函数及其应用 02:37
- 6.4.1高斯核函数 04:37
- 6.4.2高斯核函数的应用 04:56
- 第7章 AdaBoost算法
- 7.1集成学习算法简介 08:55
- 7.2AdaBoost算法原理 04:23
- 7.3单层决策树与AdaBoost算法 10:33
- 7.4实战：通过AdaBoost算法进行分类 02:38
- 7.5.1分类性能度量指标 正确率、 召回率 05:20
- 7.5.2分类性能度量指标：ROC曲线 05:15
- 7.5.3非均衡数据的采样方法 02:04
- 第8章 线性回归
- 8.1线性回归原理 03:45
- 8.1.1简单的线性回归 11:46
- 8.1.2多元线性回归 10:54
- 8.2局部加权线性回归 07:41
- 第9章 K-means算法
- 9.1无监督学习算法 05:48
- 9.2K-Means算法简介 06:09
- 9.3构建简单的K-means模型 08:30
- 9.4.1肘部法则 08:30
- 9.4.2轮廓系数 05:00
- 9.4.3间隔统计量 04:48
- 9.4.4Canopy算法 06:09
- 9.5二分K-means算法 06:19
- 第10章 Apriori算法
- 10.1关联分析算法简介 10:53
- 10.2Apriori算法的工作原理 08:27
- 10.3实战：Python编程发现频繁项集 11:05
- 10.4实战：Python编程发现强关联规则 07:39
- 第11章 FP-growth算法
- 11.1FP-growth算法 03:13
- 11.2.1创建FP树的数据结构 04:31
- 11.2.2通过Python构建FP树 07:00
- 11.3.1提取条件模式基 03:10
- 第12章 主成分分析
- 12.1数据降维 10:10
- 12.2实战 通过Python 实现简单的主成分分析 06:48
- 12.3对Iris 数据集降维 06:51
- 第13章 奇异值分解
- 13.1特征值分解 06:11
- 13.2奇异值分解简介 06:35
- 13.3实战 通过Python 实现图片压缩 05:13
- 13.4.1推荐算法概述 02:32
- 13.4.2协同推荐系统概述 03:36
- 13.4.3实战 通过Python实现基于用户的协同推荐系统 05:44
- 13.4.4实战 通过Python 实现基于物品的协同推荐系统 06:14
- 13.4.5构建推荐引擎面临的挑战 02:05
授课教师
资源管理
