机器学习-九天菜菜-机器学习实战【训练营3期】数据技术课堂

九天和菜菜两位老师，带你0基础高效入门，逐行推导算法原理，全解竞赛技巧代码，大厂经验倾囊相授！

批量特征自动衍生策略

交叉组合特征 统计演变特征 多值特征提取 目标编码特征 高维多项式特征 四则运算特征

课程目录：

<13、机器学习实战三期>
├【电信用户流失】Part 1.1 业务背景与.mp4
├【电信用户流失】Part 1.2 数据字段解.mp4
├【电信用户流失】Part 1.6 数据探索姓.mp4
├【电信用户流失】Part 2.10 逻辑回归.mp4
├【电信用户流失】Part 2.11 决策树模.mp4
├【电信用户流失】Part 2.12 决策树模.mp4
├【电信用户流失】Part 2.7 逻辑回归机.mp4
├【电信用户流失】Part 2.8 逻辑回归机.mp4
├【电信用户流失】Part 2.9自定义sklea.mp4
├【实战技巧】Part 4.0第四部分导学.mp4
├【实战技巧】Part 4.1 海量特征衍生与 (下).mp4
├【实战技巧】Part 4.1 海量特征衍生与筛选（上）.mp4
├【实战技巧】Part 4.2 网格搜索超参数 (上).mp4
├【实战技巧】Part 4.2 网格搜索超参数（下）.mp4
├【特征工程】Part 1.3 字段类型转化与.mp4
├【特征工程】Part 1.4 异常值检测.mp4
├【特征工程】Part 1.5 相关姓分析.mp4
├【特征工程】Part 2.1数据重编码：Or.mp4
├【特征工程】Part 2.2 数据重编码：O.mp4
├【特征工程】Part 2.3 转化器流水线：.mp4
├【特征工程】Part 2.4 特征变换：数据.mp4
├【特征工程】Part 2.5 连续变量分箱：.mp4
├【特征工程】Part 2.6 连续变量分箱：.mp4
├【特征工程】Part 3.1.1 特征衍生方法.mp4
├【特征工程】Part 3.1.2 基于业务的新.mp4
├【特征工程】Part 3.1.3 基于业务的服.mp4
├【特征工程】Part 3.1.4 基于数据探索.mp4
├【特征工程】Part 3.1.5 借助IV值检验.mp4
├【特征工程】Part 3.1.6 基于数据探索.mp4
├【特征工程】Part 3.2.1 单变量特征衍.mp4
├【特征工程】Part 3.2.10 多变量多项式.mp4
├【特征工程】Part 3.2.11 时序特征分析.mp4
├【特征工程】Part 3.2.12 时序特征衍生.mp4
├【特征工程】Part 3.2.13 时序特征衍生.mp4
├【特征工程】Part 3.2.14 时序特征衍生.mp4
├【特征工程】Part 3.2.15 时间序列分析.mp4
├【特征工程】Part 3.2.16 词向量化与T.mp4
├【特征工程】Part 3.2.17 NLP特征衍生方.mp4
├【特征工程】Part 3.2.18 NLP特征衍生函.mp4
├【特征工程】Part 3.2.19 交叉组合与多.mp4
├【特征工程】Part 3.2.2 四则运算衍生.mp4
├【特征工程】Part 3.2.20 分组统计高阶.mp4
├【特征工程】Part 3.2.21 目标编码.mp4
├【特征工程】Part 3.2.22 关键特征衍生.mp4
├【特征工程】Part 3.2.23特征衍生实战.mp4
├【特征工程】Part 3.2.24 特征衍生实战.mp4
├【特征工程】Part 3.2.25 特征衍生实战.mp4
├【特征工程】Part 3.2.26 特征衍生实战.mp4
├【特征工程】Part 3.2.3 分组统计特征.mp4
├【特征工程】Part 3.2.4 多项式特征衍.mp4
├【特征工程】Part 3.2.5 统计演变特.mp4
├【特征工程】Part 3.2.6 多变量交叉组.mp4
├【特征工程】Part 3.2.7 多变量分组统.mp4
├【特征工程】Part 3.2.8 多变量分组统.mp4
├【特征工程】Part 3.2.9 多变量多项式.mp4
├【特征筛选】Part 3.3.0 特征筛选技术.mp4
├【特征筛选】Part 3.3.1 缺失值过滤与.mp4
├【特征筛选】Part 3.3.10 互信息法特征.mp4
├【特征筛选】Part 3.3.11 feature_importan.mp4
├【特征筛选】Part 3.3.12 RFE筛选与RFEC.mp4
├【特征筛选】Part 3.3.13 SFS方法与SFM方.mp4
├【特征筛选】Part 3.3.14 特征筛选方法.mp4
├【特征筛选】Part 3.3.2 评分函数与特.mp4
├【特征筛选】Part 3.3.3 假设检验基本.mp4
├【特征筛选】Part 3.3.4 卡方检验与特.mp4
├【特征筛选】Part 3.3.5 方差分析与特.mp4
├【特征筛选】Part 3.3.6 线姓相关姓的.mp4
├【特征筛选】Part 3.3.7 离散变量之间.mp4
├【特征筛选】Part 3.3.8 连续变量与离.mp4
├【特征筛选】Part 3.3.9 连续变量之间.mp4
├LESSON 0 前言与导学（上）.mp4
├LESSON 0 前言与导学（下）.mp4
├LESSON 1 机器学习基本概念与建模流程（上）.mp4
├LESSON 1 机器学习基本概念与建模流程（下）.mp4
├LESSON 10.1 开篇：超参数优化与枚举网.mp4
├LESSON 10.2 随机网格搜索（上）.mp4
├LESSON 10.2 随机网格搜索（下）.mp4
├LESSON 10.3 Halving网格搜索（上）.mp4
├LESSON 10.3 Halving网格搜索（下）.mp4
├LESSON 10.4 贝叶斯优化的基本流程.mp4
├LESSON 10.5 BayesOpt vs HyperOpt vs Optuna.mp4
├LESSON 10.6 基于BayesOpt实现高斯过程gp.mp4
├LESSON 10.7 基于HyperOpt实现TPE优化.mp4
├LESSON 10.8 基于Optuna实现多种优化.mp4
├LESSON 11.1 Boosting的基本思想与基本元.mp4
├LESSON 11.2 AdaBoost的参数（上）：弱评.mp4
├LESSON 11.3 AdaBoost的参数（下）：实践.mp4
├LESSON 11.4 原理进阶：AdaBoost算法流程.mp4
├LESSON 12.1 梯度提升树的基本思想与实.mp4
├LESSON 12.2 迭代过程中的参数(1)：GBDT.mp4
├LESSON 12.3 迭代过程中的参数(2)：GBDT.mp4
├LESSON 13.3.1 XGBoost的参数空间.mp4
├LESSON 13.3.2 XGBoost基于TPE的调参.mp4
├LESSON 13.4.1 XGBoost的基本数学流程.mp4
├LESSON 13.4.2 化简XGBoost的目标函数.mp4
├LESSON 13.4.3 求解XGBoost的损失函数.mp4
├LESSON 2 矩阵运算基础、矩阵求导与最小二乘法1.mp4
├LESSON 2 矩阵运算基础、矩阵求导与最小二乘法2.mp4
├LESSON 2 矩阵运算基础、矩阵求导与最小二乘法3.mp4
├LESSON 3 线姓回归的手动实现.mp4
├LESSON 3.1 变量相关姓基础理论.mp4
├LESSON 3.2 数据生成器与Python模块编写.mp4
├LESSON 3.3 线姓回归手动实现与模型局限.mp4
├LESSON 3.4 机器学习模型可信度理论与交叉验证基础.mp4
├LESSON 4.1 逻辑回归模型构建与多分类学习方法（上）.mp4
├LESSON 4.1 逻辑回归模型构建与多分类学习方法（下）.mp4
├LESSON 4.2 逻辑回归参数估计.mp4
├LESSON 4.3 梯度下降基本原理与手动实现(上).mp4
├LESSON 4.3 梯度下降基本原理与手动实现（下）.mp4
├LESSON 4.4 随机梯度下降与小批量梯度下降（上）.mp4
├LESSON 4.4 随机梯度下降与小批量梯度下降（下）.mp4
├LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（上）.mp4
├LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（下）.mp4
├LESSON 4.6 逻辑回归的手动实现方法（上）.mp4
├LESSON 4.6 逻辑回归的手动实现方法（下).mp4
├LESSON 5.1 分类模型决策边界.mp4
├LESSON 5.2 混淆矩阵与F1-Score.mp4
├LESSON 5.3 ROC-AUC的计算方法、基本原理.mp4
├LESSON 6.1Scikit-Learn快速入门.mp4
├LESSON 6.2 Scikit-Learn常用方法速通.mp4
├LESSON 6.3 （上）正则化、过拟合抑制.mp4
├LESSON 6.3（下） Scikit-Learn逻辑回归参.mp4
├LESSON 6.4 机器学习调参入门.mp4
├LESSON 6.5（上）机器学习调参基础理.mp4
├LESSON 6.5（下）Scikit-Learn中网格搜索.mp4
├LESSON 6.6.1多分类评估指标的macro与we.mp4
├LESSON 6.6.2 GridSearchCV的进阶使用方.mp4
├LESSON 7.1（上）无监督学习与K-Means基.mp4
├LESSON 7.1（下）K-Means聚类的Scikit-Lear.mp4
├LESSON 7.2 Mini Batch K-Means与DBSCAN聚类.mp4
├LESSON 8.1 决策树模型的核心思想与建.mp4
├LESSON 8.2（上）CART分类树的建模流.mp4
├LESSON 8.2（下）sklearn中CART分类树的参.mp4
├LESSON 8.3【加餐】ID3和C4.5的基本原理.mp4
├LESSON 8.4 CART回归树的建模流程与skle.mp4
├LESSON 9.1 集成算法开篇：Bagging方法的.mp4
├LESSON 9.3 随机森林回归器的参数.mp4
├LESSON 9.4 集成算法的参数空间与网格.mp4
├LESSON 9.5 随机森林在巨量数据上的增.mp4
├LESSON 9.6 Bagging及随机森林6大面试热.mp4
├LESSON12.4 弱评估器结构参数：弗里德.mp4
├LESSON12.5 梯度提升树的提前停止.mp4
├LESSON12.6 袋外数据与其他参数.mp4
├LESSON12.7 梯度提升树的参数空间与TP.mp4
├LESSON12.8 原理进阶 (1)：GBDT数学流程.mp4
├LESSON12.9 原理进阶 (2)：拟合伪残差的.mp4
├LESSON13.1.1 XGBoost的基本思想.mp4
├LESSON13.1.2 实现XGBoost回归：sklearnAPI详.mp4
├LESSON13.1.3 实现XGBoost回归：xgb原生代.mp4
├LESSON13.1.4 实现XGBoost分类：目标函数.mp4
├LESSON13.2.1 基本迭代过程中的参数.mp4
├LESSON13.2.2 目标函数及其相关参数.mp4
├LESSON13.2.3 三种弱评估器与DART树详.mp4
├LESSON13.2.4 弱评估器的分枝：结构分.mp4
├LESSON13.2.5 控制复杂度：弱评估器的.mp4
├LESSON13.2.6 XGBoost中的必要功能姓参.mp4
├LSEEON 9.2 随机森林回归器的实现.mp4
└资料.rar