【数据技术课堂】机器学习实战三期

【数据技术课堂】机器学习实战三期

〖课程介绍〗:

机器学习实战-时序模型+超参数优化+特征工程+模型融合+企业级实战案例教程(53.32G)

〖课程目录〗:

LESSON 0 前言与导学（上）.mp4 507.92M
LESSON 0 前言与导学（下）.mp4 665.72M
LESSON 1 机器学习基本概念与建模流程（上）.mp4 667.04M
LESSON 1 机器学习基本概念与建模流程（下）.mp4 873.00M
LESSON 10.1 开篇：超参数优化与枚举网.mp4 208.09M
LESSON 10.2 随机网格搜索（上）.mp4 404.30M
LESSON 10.2 随机网格搜索（下）.mp4 247.64M
LESSON 10.3 Halving网格搜索（上）.mp4 284.70M
LESSON 10.3 Halving网格搜索（下）.mp4 215.13M
LESSON 10.4 贝叶斯优化的基本流程.mp4 413.20M
LESSON 10.5 BayesOpt vs HyperOpt vs Optuna.mp4 106.73M
LESSON 10.6 基于BayesOpt实现高斯过程gp.mp4 363.15M
LESSON 10.7 基于HyperOpt实现TPE优化.mp4 348.48M
LESSON 10.8 基于Optuna实现多种优化.mp4 297.32M
LESSON 11.1 Boosting的基本思想与基本元.mp4 134.00M
LESSON 11.2 AdaBoost的参数（上）：弱评.mp4 219.18M
LESSON 11.3 AdaBoost的参数（下）：实践.mp4 264.49M
LESSON 11.4 原理进阶：AdaBoost算法流程.mp4 271.85M
LESSON 12.1 梯度提升树的基本思想与实.mp4 331.82M
LESSON 12.2 迭代过程中的参数(1)：GBDT.mp4 334.71M
LESSON 12.3 迭代过程中的参数(2)：GBDT.mp4 229.97M
LESSON 12.4 弱评估器结构参数：弗里德.mp4 278.19M
LESSON 12.5 梯度提升树的提前停止.mp4 258.54M
LESSON 12.6 袋外数据与其他参数.mp4 220.94M
LESSON 12.7 梯度提升树的参数空间与TP.mp4 444.51M
LESSON 12.8 原理进阶 (1)：GBDT数学流程.mp4 313.68M
LESSON 12.9 原理进阶 (2)：拟合伪残差的.mp4 314.91M
LESSON 13.1.1 XGBoost的基本思想.mp4 240.86M
LESSON 13.1.2 实现XGBoost回归：sklearnAPI详.mp4 179.27M
LESSON 13.1.3 实现XGBoost回归：xgb原生代.mp4 202.73M
LESSON 13.1.4 实现XGBoost分类：目标函数.mp4 275.45M
LESSON 13.2.1 基本迭代过程中的参数.mp4 154.26M
LESSON 13.2.2 目标函数及其相关参数.mp4 249.79M
LESSON 13.2.3 三种弱评估器与DART树详.mp4 299.00M
LESSON 13.2.4 弱评估器的分枝：结构分.mp4 191.51M
LESSON 13.2.5 控制复杂度：弱评估器的.mp4 254.70M
LESSON 13.2.6 XGBoost中的必要功能性参.mp4 98.96M
LESSON 13.3.1 XGBoost的参数空间.mp4 295.38M
LESSON 13.3.2 XGBoost基于TPE的调参.mp4 198.23M
LESSON 13.4.1 XGBoost的基本数学流程.mp4 217.80M
LESSON 13.4.2 化简XGBoost的目标函数.mp4 188.57M
LESSON 13.4.3 求解XGBoost的损失函数.mp4 140.54M
LESSON 2 矩阵运算基础、矩阵求导与最小二乘法1.mp4 548.95M
LESSON 2 矩阵运算基础、矩阵求导与最小二乘法2.mp4 471.44M
LESSON 2 矩阵运算基础、矩阵求导与最小二乘法3.mp4 1.09G
LESSON 3 线性回归的手动实现.mp4 53.64M
LESSON 3.1 变量相关性基础理论.mp4 395.16M
LESSON 3.2 数据生成器与Python模块编写.mp4 576.97M
LESSON 3.3 线性回归手动实现与模型局限.mp4 657.89M
LESSON 3.4 机器学习模型可信度理论与交叉验证基础.mp4 706.34M
LESSON 4.1 逻辑回归模型构建与多分类学习方法（上）.mp4 689.82M
LESSON 4.1 逻辑回归模型构建与多分类学习方法（下）.mp4 511.95M
LESSON 4.2 逻辑回归参数估计.mp4 752.21M
LESSON 4.3 梯度下降基本原理与手动实现(上).mp4 858.17M
LESSON 4.3 梯度下降基本原理与手动实现（下）.mp4 567.27M
LESSON 4.4 随机梯度下降与小批量梯度下降（上）.mp4 1.01G
LESSON 4.4 随机梯度下降与小批量梯度下降（下）.mp4 368.59M
LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（上）.mp4 1.11G
LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（下）.mp4 796.31M
LESSON 4.6 逻辑回归的手动实现方法（上）.mp4 384.48M
LESSON 4.6 逻辑回归的手动实现方法（下).mp4 803.52M
LESSON 5.1 分类模型决策边界.mp4 750.49M
LESSON 5.2 混淆矩阵与F1-Score.mp4 1.18G
LESSON 5.3 ROC-AUC的计算方法、基本原理.mp4 1.20G
LESSON 6.1Scikit-Learn快速入门.mp4 1.06G
LESSON 6.2 Scikit-Learn常用方法速通.mp4 814.75M
LESSON 6.3 （上）正则化、过拟合抑制.mp4 1.09G
LESSON 6.3（下） Scikit-Learn逻辑回归参.mp4 459.70M
LESSON 6.4 机器学习调参入门.mp4 957.79M
LESSON 6.5（上）机器学习调参基础理.mp4 367.79M
LESSON 6.5（下）Scikit-Learn中网格搜索.mp4 611.61M
LESSON 6.6.1多分类评估指标的macro与we.mp4 181.22M
LESSON 6.6.2 GridSearchCV的进阶使用方.mp4 202.14M
LESSON 7.1（上）无监督学习与K-Means基.mp4 886.32M
LESSON 7.1（下）K-Means聚类的Scikit-Lear.mp4 453.62M
LESSON 7.2 Mini Batch K-Means与DBSCAN聚类.mp4 683.26M
LESSON 8.1 决策树模型的核心思想与建.mp4 808.70M
LESSON 8.2（上）CART分类树的建模流.mp4 745.97M
LESSON 8.2（下）sklearn中CART分类树的参.mp4 567.79M
LESSON 8.3【加餐】ID3和C4.5的基本原理.mp4 516.50M
LESSON 8.4 CART回归树的建模流程与skle.mp4 611.01M
LESSON 9.1 集成算法开篇：Bagging方法的.mp4 233.40M
LESSON 9.2 随机森林回归器的实现.mp4 208.78M
LESSON 9.3 随机森林回归器的参数.mp4 387.30M
LESSON 9.4 集成算法的参数空间与网格.mp4 411.72M
LESSON 9.5 随机森林在巨量数据上的增.mp4 351.50M
LESSON 9.6 Bagging及随机森林6大面试热.mp4 358.45M
【电信用户流失】Part 1.1 业务背景与.mp4 208.35M
【电信用户流失】Part 1.2 数据字段解.mp4 92.59M
【电信用户流失】Part 1.6 数据探索性.mp4 94.12M
【电信用户流失】Part 2.10 逻辑回归.mp4 136.43M
【电信用户流失】Part 2.11 决策树模.mp4 94.25M
【电信用户流失】Part 2.12 决策树模.mp4 144.61M
【电信用户流失】Part 2.7 逻辑回归机.mp4 178.07M
【电信用户流失】Part 2.8 逻辑回归机.mp4 197.40M
【电信用户流失】Part 2.9自定义sklea.mp4 240.75M
【实战技巧】Part 4.0第四部分导学.mp4 53.59M
【实战技巧】Part 4.1 海量特征衍生与 (下).mp4 226.79M
【实战技巧】Part 4.1 海量特征衍生与筛选（上）.mp4 168.60M
【实战技巧】Part 4.2 网格搜索超参数 (上).mp4 392.56M
【实战技巧】Part 4.2 网格搜索超参数（下）.mp4 362.07M
【特征工程】Part 1.3 字段类型转化与.mp4 206.89M
【特征工程】Part 1.4 异常值检测.mp4 67.52M
【特征工程】Part 1.5 相关性分析.mp4 112.83M
【特征工程】Part 2.1数据重编码：Or.mp4 119.91M
【特征工程】Part 2.2 数据重编码：O.mp4 138.55M
【特征工程】Part 2.3 转化器流水线：.mp4 128.08M
【特征工程】Part 2.4 特征变换：数据.mp4 57.80M
【特征工程】Part 2.5 连续变量分箱：.mp4 159.94M
【特征工程】Part 2.6 连续变量分箱：.mp4 104.52M
【特征工程】Part 3.1.1 特征衍生方法.mp4 149.74M
【特征工程】Part 3.1.2 基于业务的新.mp4 139.17M
【特征工程】Part 3.1.3 基于业务的服.mp4 133.75M
【特征工程】Part 3.1.4 基于数据探索.mp4 148.29M
【特征工程】Part 3.1.5 借助IV值检验.mp4 181.29M
【特征工程】Part 3.1.6 基于数据探索.mp4 45.76M
【特征工程】Part 3.2.1 单变量特征衍.mp4 212.10M
【特征工程】Part 3.2.10 多变量多项式.mp4 166.63M
【特征工程】Part 3.2.11 时序特征分析.mp4 198.72M
【特征工程】Part 3.2.12 时序特征衍生.mp4 135.39M
【特征工程】Part 3.2.13 时序特征衍生.mp4 211.98M
【特征工程】Part 3.2.14 时序特征衍生.mp4 127.96M
【特征工程】Part 3.2.15 时间序列分析.mp4 186.64M
【特征工程】Part 3.2.16 词向量化与T.mp4 238.88M
【特征工程】Part 3.2.17 NLP特征衍生方.mp4 234.36M
【特征工程】Part 3.2.18 NLP特征衍生函.mp4 210.06M
【特征工程】Part 3.2.19 交叉组合与多.mp4 242.59M
【特征工程】Part 3.2.2 四则运算衍生.mp4 162.32M
【特征工程】Part 3.2.20 分组统计高阶.mp4 248.80M
【特征工程】Part 3.2.21 目标编码.mp4 289.33M
【特征工程】Part 3.2.22 关键特征衍生.mp4 155.13M
【特征工程】Part 3.2.23特征衍生实战.mp4 332.08M
【特征工程】Part 3.2.24 特征衍生实战.mp4 366.76M
【特征工程】Part 3.2.25 特征衍生实战.mp4 368.95M
【特征工程】Part 3.2.26 特征衍生实战.mp4 306.65M
【特征工程】Part 3.2.3 分组统计特征.mp4 342.96M
【特征工程】Part 3.2.4 多项式特征衍.mp4 111.53M
【特征工程】Part 3.2.5 统计演变特.mp4 119.68M
【特征工程】Part 3.2.6 多变量交叉组.mp4 154.68M
【特征工程】Part 3.2.7 多变量分组统.mp4 156.09M
【特征工程】Part 3.2.8 多变量分组统.mp4 141.22M
【特征工程】Part 3.2.9 多变量多项式.mp4 181.84M
【特征筛选】Part 3.3.0 特征筛选技术.mp4 138.51M
【特征筛选】Part 3.3.1 缺失值过滤与.mp4 178.20M
【特征筛选】Part 3.3.10 互信息法特征.mp4 188.41M
【特征筛选】Part 3.3.11 feature_importan.mp4 312.40M
【特征筛选】Part 3.3.12 RFE筛选与RFEC.mp4 349.96M
【特征筛选】Part 3.3.13 SFS方法与SFM方.mp4 199.38M
【特征筛选】Part 3.3.14 特征筛选方法.mp4 284.13M
【特征筛选】Part 3.3.2 评分函数与特.mp4 216.77M
【特征筛选】Part 3.3.3 假设检验基本.mp4 157.20M
【特征筛选】Part 3.3.4 卡方检验与特.mp4 329.43M
【特征筛选】Part 3.3.5 方差分析与特.mp4 231.76M
【特征筛选】Part 3.3.6 线性相关性的.mp4 65.39M
【特征筛选】Part 3.3.7 离散变量之间.mp4 297.79M
【特征筛选】Part 3.3.8 连续变量与离.mp4 328.42M
【特征筛选】Part 3.3.9 连续变量之间.mp4 186.11M