课程目录

/2-113-python3机器学习/
│├─1-1 什么是机器学习.mp4 113.9MB
│├─1-2 课程涵盖的内容和理念.mp4 90.2MB
│├─1-3 课程所使用的主要技术栈.mp4 59.8MB
│├─2-1 机器学习世界的数据.mp4 84.3MB
│├─2-2 机器学习的主要任务.mp4 126.5MB
│├─2-3 监督学习，非监督学习，半监督学习和增强学习.mp4 93.6MB
│├─2-4 批量学习，在线学习，参数学习和非参数学习.mp4 33.4MB
│├─2-5 和机器学习相关的哲学思考.mp4 36.8MB
│├─3-1 jupyter notebook基础.mp4 169.2MB
│├─3-10 Numpy中的比较和FancyIndexing.mp4 190.7MB
│├─3-11 Matplotlib数据可视化基础.mp4 153.5MB
│├─3-12 数据加载和简单的数据探索.mp4 112.9MB
│├─3-2 jupyter notebook中的魔法命令.mp4 189.5MB
│├─3-3 Numpy数据基础.mp4 68.2MB
│├─3-4 创建numpy数组和矩阵.mp4 188.1MB
│├─3-5 Numpy数组的基本操作.mp4 119.1MB
│├─3-6 Numpy数组的合并与分割.mp4 156.5MB
│├─3-7 Numpy中的矩阵运算.mp4 206MB
│├─3-8 Numpy中的聚合运算.mp4 107.9MB
│├─3-9 Numpy中的arg运算.mp4 95.4MB
│├─4-1 k近邻算法基础.mp4 136.8MB
│├─4-2 scikit-learn中的机器学习算法封装.mp4 206.3MB
│├─4-3 训练数据集，测试数据集.mp4 213.3MB
│├─4-4 分类准确度.mp4 174.8MB
│├─4-5 超参数.mp4 207.2MB
│├─4-6 网格搜索与k近邻算法中更多超参数.mp4 168.1MB
│├─4-7 数据归一化.mp4 105.9MB
│├─4-8 scikit-learn中的Scaler.mp4 185.3MB
│├─4-9 更多有关k近邻算法的思考.mp4 33MB
│├─5-1 简单线性回归.mp4 63.9MB
│├─5-10 线性回归的可解性和更多思考.mp4 86.8MB
│├─5-2 最小二乘法.mp4 33.5MB
│├─5-3 简单线性回归的实现.mp4 130.4MB
│├─5-4 向量化.mp4 105.4MB
│├─5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4 183.3MB
│├─5-6 最好的衡量线性回归法的指标 R Squared.mp4 109.9MB
│├─5-7 多元线性回归和正规方程解.mp4 44MB
│├─5-8 实现多元线性回归.mp4 118.7MB
│├─5-9 使用scikit-learn解决回归问题.mp4 118.2MB
│├─6-1 什么是梯度下降法.mp4 44.2MB
│├─6-2 模拟实现梯度下降法.mp4 185.4MB
│├─6-3 线性回归中的梯度下降法.mp4 70.4MB
│├─6-4 实现线性回归中的梯度下降法.mp4 136.9MB
│├─6-5 梯度下降的向量化和数据标准化.mp4 203.3MB
│├─6-6 随机梯度下降法.mp4 160.2MB
│├─6-7 scikit-learn中的随机梯度下降法.mp4 132.4MB
│├─6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4 113.1MB
│├─6-9 有关梯度下降法的更多深入讨论.mp4 24.8MB
│├─7-1 什么是PCA.mp4 51.1MB
│├─7-2 使用梯度上升法求解PCA问题.mp4 27.4MB
│├─7-3 求数据的主成分PCA.mp4 178.6MB
│├─7-4 求数据的前n个主成分.mp4 125.3MB
│├─7-5 高维数据映射为低维数据.mp4 168.6MB
│├─7-6 scikit-learn中的PCA.mp4 172.4MB
│├─7-7 试手MNIST数据集.mp4 112.9MB
│├─7-8 使用PCA对数据进行降噪.mp4 99.2MB
│├─7-9 人脸识别与特征脸.mp4 131.9MB
│├─8-1 什么是多项式回归.mp4 75.1MB
│├─8-10 L1,L2和弹性网络.mp4 34.2MB
│├─8-2 scikit-learn中的多项式回归于pipeline.mp4 146.5MB
│├─8-3 过拟合与前拟合.mp4 131.7MB
│├─8-4 为什么要训练数据集与测试数据集.mp4 144.4MB
│├─8-5 学习曲线.mp4 134.3MB
│├─8-6 验证数据集与交叉验证.mp4 222.6MB
│├─8-7 偏差方差平衡.mp4 57.8MB
│├─8-8 模型泛化与岭回归.mp4 180.3MB
│├─8-9 LASSO.mp4 115.1MB
│├─9-1 什么是逻辑回归.mp4 58MB
│├─9-2 逻辑回归的损失函数.mp4 55.9MB
│├─9-3 逻辑回归损失函数的梯度.mp4 80.3MB
│├─9-4 实现逻辑回归算法.mp4 123.4MB
│├─9-5 决策边界.mp4 193.5MB
│├─9-6 在逻辑回归中使用多项式特征.mp4 137.4MB
│├─9-7 scikit-learn中的逻辑回归.mp4 167.1MB
│├─9-8 OvR与OvO.mp4 124.9MB
│├─project (1).zip 5.6KB