九天菜菜的机器学习sklearn课堂

课程简介

聚焦 scikit-learn 核心工作流这门课的核心价值在于剥离掉深度学习框架的复杂性，回归到传统机器学习最扎实的部分。它不是泛泛而谈算法原理，而是直接切入 scikit-learn 库的工程化使用场景。对于刚接触数据科学或后端开发中需要集成模型服务的工程师来说，这里解决的是“如何快速构建一个可复现、可部署的预测管线”的问题。课程避开了复杂的数学推导，…

已有 17 人浏览发布 2026-03-01 更新 2026-09-24

聚焦 scikit-learn 核心工作流

这门课的核心价值在于剥离掉深度学习框架的复杂性，回归到传统机器学习最扎实的部分。它不是泛泛而谈算法原理，而是直接切入 scikit-learn 库的工程化使用场景。对于刚接触数据科学或后端开发中需要集成模型服务的工程师来说，这里解决的是“如何快速构建一个可复现、可部署的预测管线”的问题。课程避开了复杂的数学推导，重点讲解数据预处理、特征工程、模型选择与评估的标准化流程，让学习者能直接上手处理真实的结构化数据任务，而不是停留在玩具数据集上。

适合基础与学习路径建议

这门课适合具备 Python 基础语法知识，熟悉 NumPy 和 Pandas 基本操作，但对机器学习具体实现感到陌生的开发者。你不需要精通线性代数，但需要理解基本的统计概念。建议的学习路径是：首先深入理解 Pipeline（管道）机制，这是复用代码的关键；接着掌握 Cross-Validation（交叉验证）以评估模型泛化能力；最后重点攻克 GridSearchCV 进行超参数调优。不要急于看复杂的集成算法，先把线性回归和决策树这两个基础模型的完整生命周期跑通，理解从数据加载到模型持久化的每一步代码细节。

独立实践能力与资料配合

学完这套内容，你应当能够独立完成一个端到端的机器学习项目：从 CSV 数据清洗开始，构建特征工程模块，训练并评估分类或回归模型，最后将模型封装为可被 Flask 或 FastAPI 调用的服务接口。资料包中的代码示例应作为对照参考，而非直接复制粘贴。建议你在本地环境复现每一个 Notebook 的代码，尝试修改数据源或增加特征列，观察模型指标的变化。重点练习如何将预处理步骤与模型训练解耦，这种模块化思维是后续维护大型数据项目的关键。通过反复调试断点和打印中间结果，真正理解每个 Transformer 和 Estimator 在内存中的数据流转过程，才能将这套方法论内化为自己的工程能力。

网盘截图：

课程目录：

九天菜菜的机器学习sklearn课堂
├──第八章 支持向量机与Kaggle案例：澳大利亚天气数据集
| ├──0 目录：本周将学习什么内容.mp4 30.50M
| ├──1.1 简单复习支持向量机的基本原理.mp4 23.66M
| ├──1.2 参数C的深入理解：多个支持向量存在的理由.mp4 38.72M
| ├──1.3 二分类SVC中的样本不均衡问题.mp4 28.44M
| ├──1.3 如何使用参数class_weight (1).mp4 17.56M
| ├──1.3 如何使用参数class_weight (2).mp4 107.42M
| ├──2 SVC的模型评估指标.mp4 40.84M
| ├──2.1 混淆矩阵与准确率.mp4 67.74M
| ├──2.1 样本不平衡的艺术(1)：精确度Precision.mp4 26.67M
| ├──2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure.mp4 28.61M
| ├──2.1.3 对多数类样本的关怀：特异度Specificity和假正率.mp4 51.30M
| ├──2.1.4 sklearn中的混淆矩阵.mp4 5.53M
| ├──2.2 ROC曲线：Recall与假正率FPR的平衡.mp4 24.48M
| 鈹溾攢鈹€2.2.3 缁樺埗ROC鏇茬嚎 (1).mp4 47.48M
| 鈹溾攢鈹€2.2.3 缁樺埗ROC鏇茬嚎 (2).mp4 23.02M
| 鈹溾攢鈹€2.2.3 缁樺埗ROC鏇茬嚎 (3).mp4 17.33M
| ├──2.2.4 sklearn中的ROC曲线和AUC面积.mp4 119.96M
| ├──2.2.5 利用ROC曲线求解最佳阈值.mp4 23.28M
| ├──3 选学说明：使用SVC时的其他考虑.mp4 14.64M
| ├──4 案例：预测明天是否会下雨 – 案例背景.mp4 13.19M
| ├──4.1 案例：导库导数据，探索特征.mp4 155.81M
| ├──4.2 案例：分集，优先处理标签.mp4 37.20M
| ├──4.3.1 案例：描述性统计，处理异常值.mp4 47.61M
| ├──4.3.2 案例：现实数据上的数据预处理 – 处理时间.mp4 130.04M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (1).mp4 12.16M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (2).mp4 45.45M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (3).mp4 130.94M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (4).mp4 43.93M
| ├──4.3.4 案例：现实数据上的数据预处理 – 填补分类型变量的缺失值.mp4 55.10M
| ├──4.3.5 案例：现实数据上的数据预处理 – 编码分类型变量.mp4 18.90M
| ├──4.3.6 & 4.3.7 案例：现实数据集上的数据预处理：连续型变量.mp4 32.24M
| ├──4.4 案例：建模与模型评估 (1).mp4 19.40M
| ├──4.4 案例：建模与模型评估 (2).mp4 40.73M
| ├──4.5.1 案例：模型调参：追求最高的recall.mp4 21.44M
| ├──4.5.2 案例：模型调参：追求最高的精确度 (1).mp4 49.60M
| ├──4.5.2 案例：模型调参：追求最高的精确度 (2).mp4 22.42M
| ├──4.5.3 案例：模型调参：追求精确度与recall的平衡.mp4 63.19M
├──第二章 随机森林与医疗数据集调参
| ├──任务20：1 集成算法概述.mp4 49.97M
| ├──任务21：2.1 随机森林分类器 参数n_estimators与建立一片森林.mp4 159.06M
| ├──任务22：2.2 参数boostrap & oob_score + 重要属性和接口.mp4 136.08M
| ├──任务23：2.3 [选学] 袋装法的另一个必要条件.mp4 20.73M
| ├──任务24：3.1 随机森林回归器.mp4 40.10M
| ├──任务25：3.2 案例：用随机森林填补缺失值 (1).mp4 103.43M
| ├──任务26：3.3 案例：用随机森林填补缺失值 (2).mp4 60.94M
| ├──任务27：3.4 案例：用随机森林填补缺失值 (3).mp4 104.43M
| ├──任务28：3.5 案例：用随机森林填补缺失值 (4).mp4 27.86M
| ├──任务29：4. 机器学习中调参的基本思想.mp4 62.53M
| ├──任务30：5. 案例：随机森林在乳腺癌数据上的调参 (1).mp4 61.26M
| └──任务31：5. 案例：随机森林在乳腺癌数据上的调参 (2).mp4 98.44M
├──第九章 回归大家族：线性，岭回归，Lasso，多项式
| ├──0 本周要学习什么.mp4.mp4 9.09M
| ├──1 概述，sklearn中的线性回归大家族.mp4 25.21M
| ├──2.1 多元线性回归的基本原理和损失函数.mp4 36.21M
| ├──2.2 用最小二乘法求解多元线性回归的过程.mp4 156.58M
| ├──2.3 多元线性回归的参数，属性及建模代码.mp4 85.63M
| ├──3.1 回归类模型的评估指标：是否预测准确？.mp4 53.13M
| ├──3.2 回归类模型的评估指标：是否拟合了足够的信息？.mp4 100.52M
| ├──4.1 多重共线性：含义，数学，以及解决方案.mp4 128.33M
| ├──4.2.1 岭回归处理多重共线性.mp4 44.19M
| 鈹溾攢鈹€4.2.2 sklearn涓殑宀洖褰掞細linear_model.Ridge.mp4 430.60M
| ├──4.2.3 为岭回归选择最佳正则化参数.mp4 127.69M
| ├──4.3.1 Lasso处理多重共线性.mp4 144.22M
| ├──4.3.2 Lasso的核心作用：特征选择.mp4 84.64M
| ├──4.3.3 Lasso选择最佳正则化参数.mp4 143.71M
| ├──5.1.1 & 5.1.2 线性数据与非线性数据.mp4 31.38M
| ├──5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现.mp4 49.75M
| ├──5.1.3 线性vs非线性模型 (2)：拟合，效果与特点.mp4 70.52M
| ├──5.2 离散化：帮助线性回归解决非线性问题.mp4 155.15M
| ├──5.3.1 多项式对数据做了什么？.mp4 119.64M
| ├──5.3.2 多项式回归提升模型表现.mp4 50.53M
| ├──5.3.3 多项式回归的可解释性.mp4 82.59M
| └──5.3.4 多项式回归：线性还是非线性模型？ + 本周结语.mp4 112.51M
├──第六章 聚类算法与量化案例
| 鈹溾攢鈹€0 姒傝堪.mp4 4.70M
| ├──1.1 无监督学习概述，聚类vs分类.mp4 30.49M
| ├──1.2 sklearn当中的聚类算法.mp4 14.44M
| ├──2.1 Kmeans是如何工作的？.mp4 42.44M
| ├──2.2 & 2.3 簇内平方和，时间复杂度.mp4 196.36M
| ├──3.1.2 聚类算法的模型评估指标 (1).mp4 150.08M
| ├──3.1.2 聚类算法的模型评估指标 (2) – 轮廓系数.mp4 21.07M
| ├──3.1.2 聚类算法的模型评估指标 (3) – CHI.mp4 33.34M
| ├──3.1.3 案例：轮廓系数找最佳n_clusters (1).mp4 38.69M
| ├──3.1.3 案例：轮廓系数找最佳n_clusters (2).mp4 45.86M
| ├──3.1.3 案例：轮廓系数找最佳n_clusters (3).mp4 105.60M
| ├──3.2 重要参数init & random_state & n_init：初始质心怎么决定？.mp4 32.93M
| ├──3.3 重要参数max_iter & tol：如何让聚类停下来？.mp4 50.11M
| ├──3.5 重要属性与接口 & 函数k_means.mp4 29.44M
| ├──4 案例：Kmeans做矢量量化 (1)：案例背景.mp4 47.92M
| ├──4 案例：Kmeans做矢量量化 (2).mp4 61.47M
| ├──4 案例：Kmeans做矢量量化 (3).mp4 25.49M
| └──4 案例：Kmeans做矢量量化 (4).mp4 61.30M
├──第七章 支持向量机与医疗数据集调参
| ├──0 本周要学习什么.mp4 21.88M
| ├──1.1 支持向量机概述：最强大的机器学习算法.mp4 30.13M
| ├──1.2 支持向量机是如何工作的 & sklearn中的SVM.mp4 50.49M
| ├──2.1.1 线性SVC的损失函数 (1).mp4 55.80M
| ├──2.1.1 线性SVC的损失函数 (2).mp4 29.54M
| ├──2.1.2 函数间隔与几何间隔.mp4 18.32M
| ├──2.1.3.1 损失函数的拉格朗日乘数形态.mp4 54.10M
| ├──2.1.3.2 拉格朗日对偶函数 (1).mp4 47.11M
| ├──2.1.3.2 拉格朗日对偶函数 (2).mp4 96.43M
| ├──2.1.3.3 求解拉格朗日对偶函数极其后续过程.mp4 44.44M
| ├──2.1.4 SVM求解可视化 (1)：理解等高线函数contour.mp4 138.47M
| ├──2.1.4 SVM求解可视化 (2)：理解网格制作函数meshgrid与vstack.mp4 92.07M
| ├──2.1.4 SVM求解可视化 (3)：建模，绘制图像并包装函数.mp4 47.70M
| ├──2.1.4 SVM求解可视化 (4)：探索建立好的模型.mp4 8.57M
| ├──2.1.4 SVM求解可视化（5）：非线性数据集上的推广与3D可视化.mp4 26.81M
| ├──2.1.4 SVM求解可视化（6）：Jupyter Notebook中的3D交互功能.mp4 10.59M
| ├──2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel.mp4 126.16M
| ├──2.2.3 案例：如何选取最佳核函数 (1).mp4 85.63M
| ├──2.2.3 案例：如何选取最佳核函数 (2).mp4 64.07M
| ├──2.2.4 案例：在乳腺癌数据集上探索核函数的性质.mp4 113.87M
| ├──2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1）.mp4 23.79M
| ├──2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2).mp4 144.09M
| ├──2.3.1 SVM在软间隔数据上的推广.mp4 149.21M
| └──2.3.2 重要参数C & 总结.mp4 98.36M
├──第三章 数据预处理与特征工程
| ├──任务33：概述 + 12期课纲.mp4 57.37M
| ├──任务34：数据预处理1：无量纲化：数据归一化.mp4 65.49M
| ├──任务35：数据预处理2：无量纲化：数据标准化.mp4 34.37M
| ├──任务36：数据预处理3：缺失值 (1).mp4 30.01M
| ├──任务37：数据预处理4：缺失值 (2).mp4 59.75M
| ├──任务38：数据预处理5：处理分类型数据：编码与哑变量.mp4 135.35M
| ├──任务39：数据预处理6：处理连续型数据：二值化和分箱.mp4 63.92M
| ├──任务40：特征选择1：过滤法：方差过滤 (1).mp4 56.58M
| ├──任务41：特征选择2：过滤法：方差过滤 (2).mp4 122.07M
| ├──任务42：特征选择3：过滤法：卡方过滤.mp4 77.88M
| ├──任务43：特征选择4：过滤法：F检验和互信息法 (1).mp4 42.03M
| ├──任务44：特征选择5：过滤法：互信息法(2) + 总结.mp4 19.55M
| ├──任务45：特征选择6：嵌入法 (1).mp4 28.56M
| ├──任务46：特征选择7：嵌入法 (2).mp4 83.62M
| └──任务47：特征选择8：包装法 + 总结.mp4 74.09M
├──第十二章 神经网络
| ├──012 神经网络-课件
| | └──12-神经网络.pdf 2.12M
| ├──神经网络1.mp4 54.06M
| ├──神经网络2.mp4 117.43M
| └──神经网络3.mp4 106.34M
├──第十一章 XGBoost
| ├──0 本周要学习什么.mp4 18.31M
| ├──1 XGBoost前瞻：安装xgboost，xgboost库与skleanAPI.mp4 147.19M
| ├──2.1 梯度提升树(1)：集成算法回顾，重要参数n_estimators.mp4 43.37M
| ├──2.1 梯度提升树(2)：参数n_estimators下的建模.mp4 72.24M
| ├──2.1 梯度提升树(3)：参数n_estimators的学习曲线.mp4 160.38M
| ├──2.1 梯度提升树(4)：基于方差-偏差困境改进的学习曲线.mp4 154.21M
| ├──2.2 梯度提升树(5)：控制有放回随机抽样，参数subsample.mp4 75.19M
| ├──2.3 梯度提升树(6)：迭代决策树：重要参数eta.mp4 241.11M
| ├──2.3 梯度提升树(7)：迭代决策树：重要参数eta.mp4 41.37M
| ├──3.1 XGBoost的智慧 (1)：选择弱评估器：重要参数booster.mp4 16.55M
| ├──3.2 XGBoost的智慧 (2)：XGBoost的目标函数，使用xgboost库建模.mp4 330.82M
| ├──3.3 XGBoost的智慧 (3)：求解XGBoost的目标函数 – 推导过程.mp4 46.76M
| ├──3.3 XGBoost的智慧 (4)：XGboost的目标函数 – 泰勒展开相关问题.mp4 68.22M
| ├──3.4 XGBoost的智慧 (5)：参数化决策树，正则化参数lambda与alpha.mp4 60.23M
| ├──3.5 XGBoost的智慧 (6)：建立目标函数与树结构的直接联系.mp4 27.72M
| ├──3.5 XGBoost的智慧 (7)：最优树结构，求解w和T.mp4 251.89M
| ├──3.6 XGBoost的智慧 (8)：贪婪算法求解最优树.mp4 118.95M
| ├──3.7 XGBoost的智慧 (9)：让树停止生长：参数gamma与工具xgb.cv.mp4 402.03M
| ├──4.1 XGBoost应用 (1)：减轻过拟合：XGBoost中的剪枝参数.mp4 41.38M
| ├──4.1 XGBoost应用 (2)：使用xgb.cv进行剪枝参数的调参.mp4 419.74M
| ├──4.2 XGBoost应用 (3)：使用pickle保存和调用训练好的XGB模型.mp4 32.85M
| ├──4.2 XGBoost应用 (4)：使用joblib保存和调用训练好的XGB模型.mp4 27.94M
| ├──4.3 XGBoost应用 (5)：XGB分类中的样本不平衡问题 – sklearnAPI.mp4 36.78M
| ├──4.3 XGBoost应用 (6)：XGB分类中的样本不平衡问题 – xgboost库.mp4 184.12M
| └──4.4 XGBoost应用 (7)：XGB应用中的其他问题.mp4 29.11M
├──第十章 朴素贝叶斯
| ├──0 本周要讲解的内容.mp4 19.70M
| ├──1.1 为什么需要朴素贝叶斯.mp4 46.83M
| ├──1.2 概率论基础 – 贝叶斯理论等式.mp4 17.11M
| ├──1.2.1 瓢虫冬眠：理解条件概率 (1).mp4 22.71M
| ├──1.2.1 瓢虫冬眠：理解条件概率 (2).mp4 29.33M
| ├──1.2.1 瓢虫冬眠：理解条件概率 (3).mp4 69.82M
| ├──1.2.2 贝叶斯的性质与最大后验估计.mp4 21.31M
| ├──1.2.3 汉堡称重：连续型变量的概率估计 (1).mp4 13.69M
| ├──1.2.3 汉堡称重：连续型变量的概率估计 (2).mp4 30.45M
| ├──1.3 sklearn中的朴素贝叶斯.mp4 31.12M
| ├──2.1.1 认识高斯朴素贝叶斯.mp4 232.67M
| ├──2.1.2 高斯朴素贝叶斯擅长的数据集.mp4 47.95M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (1).mp4 30.20M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (2) – 代码讲解 (1).mp4 80.60M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (3) – 代码讲解 (2).mp4 14.51M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (4) – 分析与结论.mp4 30.64M
| ├──2.2.1 概率类模型的评估指标 (1) – 布里尔分数.mp4 41.17M
| ├──2.2.1 概率类模型的评估指标 (2) – 布里尔分数可视化.mp4 17.32M
| ├──2.2.2 概率类模型的评估指标 (3) – 对数损失Logloss.mp4 45.40M
| ├──2.2.3 概率类模型的评估指标 (4) – 可靠性曲线 (1).mp4 96.50M
| ├──2.2.3 概率类模型的评估指标 (5) – 可靠性曲线 (2).mp4 321.80M
| ├──2.2.4 概率类模型的评估指标 (6) – 概率分布直方图.mp4 33.18M
| ├──2.2.5 概率类模型的评估指标 (7) – 概率校准 (1).mp4 219.17M
| ├──2.2.5 概率类模型的评估指标 (8) – 概率校准 (2).mp4 37.94M
| ├──2.3.1 多项式朴素贝叶斯 (1) – 认识多项式朴素贝叶斯.mp4 17.61M
| ├──2.3.1 多项式朴素贝叶斯 (2) – 数学原理.mp4 69.73M
| ├──2.3.1 多项式朴素贝叶斯 (3) – sklearn中的类与参数.mp4 15.20M
| ├──2.3.1 多项式朴素贝叶斯 (4) – 来构造一个分类器吧.mp4 34.30M
| ├──2.3.2 伯努利朴素贝叶斯 (1) – 认识伯努利朴素贝叶斯.mp4 9.62M
| ├──2.3.2 伯努利朴素贝叶斯 (2) – sklearn中的类与参数.mp4 9.48M
| ├──2.3.2 伯努利朴素贝叶斯 (3) – 构造一个分类器.mp4 9.68M
| ├──2.3.3 探索贝叶斯 – 朴素贝叶斯的样本不均衡问题.mp4 163.61M
| ├──2.3.4 补集朴素贝叶斯 – 补集朴素贝叶斯的原理 (1).mp4 52.27M
| ├──2.3.4 补集朴素贝叶斯 – 补集朴素贝叶斯的原理 (2).mp4 20.01M
| ├──2.3.4 补集朴素贝叶斯 – 处理样本不均衡问题.mp4 44.49M
| ├──3.1.1 案例：贝叶斯做文本分类 (1) – 单词计数向量技术.mp4 91.28M
| ├──3.1.1 案例：贝叶斯做文本分类 (2) – 单词计数向量的问题.mp4 56.30M
| ├──3.1.2 案例：贝叶斯做文本分类 (3) – TF-IDF技术.mp4 81.14M
| ├──3.2 案例：贝叶斯做文本分类 (4) – 探索和提取文本数据.mp4 67.46M
| ├──3.3 案例：贝叶斯做文本分类 (5) – 使用TF-IDF编码文本数据.mp4 9.85M
| └──3.4 案例：贝叶斯做文本分类 (6) – 算法应用与概率校准.mp4 43.15M
├──第四章 降维算法PCA与手写数字识别
| ├──1 降维算法概述.mp4 155.09M
| ├──2.1 降维究竟怎样实现？.mp4 104.45M
| ├──2.2 参数 + 案例：高维数据的可视化 (1).mp4 393.43M
| ├──2.2 参数 + 案例：高维数据的可视化 (2).mp4 15.44M
| ├──2.3 PCA中的SVD，重要参数svd_solver.mp4 125.36M
| ├──2.3 参数 + 案例：人脸识别中的components_应用.mp4.mp4 491.62M
| ├──2.4 重要接口 + 案例1：用人脸识别看PCA降维后的信息保存量.mp4 189.68M
| ├──2.4 重要接口 + 案例2：用PCA实现手写数字的噪音过滤.mp4 56.89M
| ├──2.5 原理，流程，重要属性接口和参数的总结.mp4 18.73M
| ├──3.1 案例：PCA实现784个特征的手写数字的降维 (1.mp4 89.31M
| └──3.2 案例：PCA实现784个特征的手写数字的降维 (2).mp4 31.81M
├──第五章 逻辑回归和信用评分卡
| 鈹溾攢鈹€0 鍓嶈█.mp4 41.48M
| ├──1.1 逻辑回归概述：名为“回归”的分类器.mp4 52.36M
| ├──1.2 为什么需要逻辑回归.mp4 39.38M
| ├──1.3 sklearn当中的逻辑回归.mp4 13.82M
| ├──2.1.1 二元逻辑回归的损失函数.mp4 36.50M
| ├──2.2.1 正则化：重要参数penalty & C.mp4 95.28M
| ├──2.2.2 逻辑回归的特征工程 (1).mp4 97.13M
| ├──2.2.2 逻辑回归的特征工程 (2).mp4 17.75M
| ├──2.2.2 逻辑回归的特征工程 (3).mp4 188.35M
| ├──2.2.2 逻辑回归的特征工程 (4).mp4 15.02M
| ├──2.3.1 重要参数max_iter – 梯度下降求解逻辑回归的过程.mp4 24.03M
| ├──2.3.2 梯度的概念与解惑.mp4 38.46M
| ├──2.3.3 步长的概念与解惑.mp4 66.26M
| ├──2.4 二元回归与多元回归：重要参数solver & multi_class.mp4 41.50M
| ├──2.5 样本不均衡与参数class_weight.mp4 63.34M
| ├──3.1 案例：评分卡与完整的模型开发流程.mp4 14.83M
| ├──3.2.1~2 案例：评分卡 – 数据预处理(1) – 重复值与缺失值.mp4 310.75M
| ├──3.2.3 案例：评分卡 – 数据预处理 (2) – 异常值.mp4 172.46M
| ├──3.2.4 案例：评分卡 – 数据预处理 (3) – 标准化.mp4 10.61M
| ├──3.2.5 案例：评分卡 – 数据预处理 (4) – 样本不均衡问题.mp4 24.04M
| ├──3.2.6 案例：评分卡 – 数据预处理 (5) – 保存训练集和测试集数据.mp4 17.90M
| ├──3.3 案例：评分卡 – 分箱 (1) – 概述与概念.mp4 38.76M
| ├──3.3.1 案例：评分卡 – 分箱 (2) – 等频分箱 (1).mp4 25.32M
| ├──3.3.1 案例：评分卡 – 分箱 (3) – 等频分箱 (2).mp4 30.51M
| ├──3.3.2 案例：评分卡 – 分箱 (4) – 选学说明.mp4 13.09M
| ├──3.3.3 案例：评分卡 – 分箱 (5) – 计算WOE与IV.mp4 74.18M
| ├──3.3.4 案例：评分卡 – 分箱 (6) – 卡方检验、箱体合并、IV值等.mp4 79.36M
| ├──3.3.5 案例：评分卡 – 分箱 (7) – 包装分箱函数.mp4 18.81M
| ├──3.3.6 案例：评分卡 – 分箱 (8) – 包装判断分箱个数的函数.mp4 23.47M
| ├──3.3.7 案例：评分卡 – 分箱 (9) – 对所有特征进行分箱.mp4 28.62M
| ├──3.4 案例：评分卡 – 映射数据 (1).mp4 78.40M
| ├──3.4 案例：评分卡 – 映射数据 (2).mp4 29.22M
| ├──3.5 案例：评分卡 – 建模与模型验证.mp4 37.19M
| └──3.6 案例：评分卡 – 评分卡的输出和建立.mp4 56.98M
├──第一章 决策树与泰坦尼克号生存预测
| ├──任务10：6. 分类树：重要属性和接口.mp4 62.06M
| ├──任务11：7. 回归树：参数，属性和接口.mp4 28.28M
| ├──任务12：7. 回归树：交叉验证 (1).mp4 25.15M
| ├──任务13：7. 回归树：交叉验证(2).mp4 10.55M
| ├──任务14：8. 回归树案例：用回归树拟合正弦曲线.mp4 112.40M
| ├──任务15：9. 案例：泰坦尼克号生存者预测 (1).mp4 130.33M
| ├──任务16：9. 案例：泰坦尼克号生存者预测 (2).mp4 32.78M
| ├──任务17：9. 案例：泰坦尼克号生存者预测 (3).mp4 51.82M
| ├──任务18：9.案例：泰坦尼克号生存者预测 (4).mp4 12.47M
| ├──任务4：1. 引言，sklearn入门.mp4 29.39M
| ├──任务5：2. 决策树：概述.mp4 32.92M
| ├──任务6：3. 分类树：参数Criterion.mp4 30.12M
| ├──任务7： 4. 分类树：实现一棵树，随机性参数.mp4 112.61M
| ├──任务8：5. 分类树：剪枝参数调优(1).mp4 56.85M
| └──任务9：5. 分类树：剪枝参数调优(2).mp4 27.81M
└──菜菜sklearn课件.zip 159.62M

课程目录

九天菜菜的机器学习sklearn课堂
第八章 支持向量机与Kaggle案例：澳大利亚天气数据集
| ├──0 目录：本周将学习什么内容.mp4 30.50M
| ├──1.1 简单复习支持向量机的基本原理.mp4 23.66M
| ├──1.2 参数C的深入理解：多个支持向量存在的理由.mp4 38.72M
| ├──1.3 二分类SVC中的样本不均衡问题.mp4 28.44M
| ├──1.3 如何使用参数class_weight (1).mp4 17.56M
| ├──1.3 如何使用参数class_weight (2).mp4 107.42M
| ├──2 SVC的模型评估指标.mp4 40.84M
| ├──2.1 混淆矩阵与准确率.mp4 67.74M
| ├──2.1 样本不平衡的艺术(1)：精确度Precision.mp4 26.67M
| ├──2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure.mp4 28.61M
| ├──2.1.3 对多数类样本的关怀：特异度Specificity和假正率.mp4 51.30M
| ├──2.1.4 sklearn中的混淆矩阵.mp4 5.53M
| ├──2.2 ROC曲线：Recall与假正率FPR的平衡.mp4 24.48M
| 鈹溾攢鈹€2.2.3 缁樺埗ROC鏇茬嚎 (1).mp4 47.48M
| 鈹溾攢鈹€2.2.3 缁樺埗ROC鏇茬嚎 (2).mp4 23.02M
| 鈹溾攢鈹€2.2.3 缁樺埗ROC鏇茬嚎 (3).mp4 17.33M
| ├──2.2.4 sklearn中的ROC曲线和AUC面积.mp4 119.96M
| ├──2.2.5 利用ROC曲线求解最佳阈值.mp4 23.28M
| ├──3 选学说明：使用SVC时的其他考虑.mp4 14.64M
| ├──4 案例：预测明天是否会下雨 – 案例背景.mp4 13.19M
| ├──4.1 案例：导库导数据，探索特征.mp4 155.81M
| ├──4.2 案例：分集，优先处理标签.mp4 37.20M
| ├──4.3.1 案例：描述性统计，处理异常值.mp4 47.61M
| ├──4.3.2 案例：现实数据上的数据预处理 – 处理时间.mp4 130.04M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (1).mp4 12.16M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (2).mp4 45.45M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (3).mp4 130.94M
| ├──4.3.3 案例：现实数据上的数据预处理 – 处理地点 (4).mp4 43.93M
| ├──4.3.4 案例：现实数据上的数据预处理 – 填补分类型变量的缺失值.mp4 55.10M
| ├──4.3.5 案例：现实数据上的数据预处理 – 编码分类型变量.mp4 18.90M
| ├──4.3.6 & 4.3.7 案例：现实数据集上的数据预处理：连续型变量.mp4 32.24M
| ├──4.4 案例：建模与模型评估 (1).mp4 19.40M
| ├──4.4 案例：建模与模型评估 (2).mp4 40.73M
| ├──4.5.1 案例：模型调参：追求最高的recall.mp4 21.44M
| ├──4.5.2 案例：模型调参：追求最高的精确度 (1).mp4 49.60M
| ├──4.5.2 案例：模型调参：追求最高的精确度 (2).mp4 22.42M
| ├──4.5.3 案例：模型调参：追求精确度与recall的平衡.mp4 63.19M
第二章 随机森林与医疗数据集调参
| ├──任务20：1 集成算法概述.mp4 49.97M
| ├──任务21：2.1 随机森林分类器 参数n_estimators与建立一片森林.mp4 159.06M
| ├──任务22：2.2 参数boostrap & oob_score + 重要属性和接口.mp4 136.08M
| ├──任务23：2.3 [选学] 袋装法的另一个必要条件.mp4 20.73M
| ├──任务24：3.1 随机森林回归器.mp4 40.10M
| ├──任务25：3.2 案例：用随机森林填补缺失值 (1).mp4 103.43M
| ├──任务26：3.3 案例：用随机森林填补缺失值 (2).mp4 60.94M
| ├──任务27：3.4 案例：用随机森林填补缺失值 (3).mp4 104.43M
| ├──任务28：3.5 案例：用随机森林填补缺失值 (4).mp4 27.86M
| ├──任务29：4. 机器学习中调参的基本思想.mp4 62.53M
| ├──任务30：5. 案例：随机森林在乳腺癌数据上的调参 (1).mp4 61.26M
| └──任务31：5. 案例：随机森林在乳腺癌数据上的调参 (2).mp4 98.44M
第九章 回归大家族：线性，岭回归，Lasso，多项式
| ├──0 本周要学习什么.mp4.mp4 9.09M
| ├──1 概述，sklearn中的线性回归大家族.mp4 25.21M
| ├──2.1 多元线性回归的基本原理和损失函数.mp4 36.21M
| ├──2.2 用最小二乘法求解多元线性回归的过程.mp4 156.58M
| ├──2.3 多元线性回归的参数，属性及建模代码.mp4 85.63M
| ├──3.1 回归类模型的评估指标：是否预测准确？.mp4 53.13M
| ├──3.2 回归类模型的评估指标：是否拟合了足够的信息？.mp4 100.52M
| ├──4.1 多重共线性：含义，数学，以及解决方案.mp4 128.33M
| ├──4.2.1 岭回归处理多重共线性.mp4 44.19M
| 鈹溾攢鈹€4.2.2 sklearn涓殑宀洖褰掞細linear_model.Ridge.mp4 430.60M
| ├──4.2.3 为岭回归选择最佳正则化参数.mp4 127.69M
| ├──4.3.1 Lasso处理多重共线性.mp4 144.22M
| ├──4.3.2 Lasso的核心作用：特征选择.mp4 84.64M
| ├──4.3.3 Lasso选择最佳正则化参数.mp4 143.71M
| ├──5.1.1 & 5.1.2 线性数据与非线性数据.mp4 31.38M
| ├──5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现.mp4 49.75M
| ├──5.1.3 线性vs非线性模型 (2)：拟合，效果与特点.mp4 70.52M
| ├──5.2 离散化：帮助线性回归解决非线性问题.mp4 155.15M
| ├──5.3.1 多项式对数据做了什么？.mp4 119.64M
| ├──5.3.2 多项式回归提升模型表现.mp4 50.53M
| ├──5.3.3 多项式回归的可解释性.mp4 82.59M
| └──5.3.4 多项式回归：线性还是非线性模型？ + 本周结语.mp4 112.51M
第六章 聚类算法与量化案例
| 鈹溾攢鈹€0 姒傝堪.mp4 4.70M
| ├──1.1 无监督学习概述，聚类vs分类.mp4 30.49M
| ├──1.2 sklearn当中的聚类算法.mp4 14.44M
| ├──2.1 Kmeans是如何工作的？.mp4 42.44M
| ├──2.2 & 2.3 簇内平方和，时间复杂度.mp4 196.36M
| ├──3.1.2 聚类算法的模型评估指标 (1).mp4 150.08M
| ├──3.1.2 聚类算法的模型评估指标 (2) – 轮廓系数.mp4 21.07M
| ├──3.1.2 聚类算法的模型评估指标 (3) – CHI.mp4 33.34M
| ├──3.1.3 案例：轮廓系数找最佳n_clusters (1).mp4 38.69M
| ├──3.1.3 案例：轮廓系数找最佳n_clusters (2).mp4 45.86M
| ├──3.1.3 案例：轮廓系数找最佳n_clusters (3).mp4 105.60M
| ├──3.2 重要参数init & random_state & n_init：初始质心怎么决定？.mp4 32.93M
| ├──3.3 重要参数max_iter & tol：如何让聚类停下来？.mp4 50.11M
| ├──3.5 重要属性与接口 & 函数k_means.mp4 29.44M
| ├──4 案例：Kmeans做矢量量化 (1)：案例背景.mp4 47.92M
| ├──4 案例：Kmeans做矢量量化 (2).mp4 61.47M
| ├──4 案例：Kmeans做矢量量化 (3).mp4 25.49M
| └──4 案例：Kmeans做矢量量化 (4).mp4 61.30M
第七章 支持向量机与医疗数据集调参
| ├──0 本周要学习什么.mp4 21.88M
| ├──1.1 支持向量机概述：最强大的机器学习算法.mp4 30.13M
| ├──1.2 支持向量机是如何工作的 & sklearn中的SVM.mp4 50.49M
| ├──2.1.1 线性SVC的损失函数 (1).mp4 55.80M
| ├──2.1.1 线性SVC的损失函数 (2).mp4 29.54M
| ├──2.1.2 函数间隔与几何间隔.mp4 18.32M
| ├──2.1.3.1 损失函数的拉格朗日乘数形态.mp4 54.10M
| ├──2.1.3.2 拉格朗日对偶函数 (1).mp4 47.11M
| ├──2.1.3.2 拉格朗日对偶函数 (2).mp4 96.43M
| ├──2.1.3.3 求解拉格朗日对偶函数极其后续过程.mp4 44.44M
| ├──2.1.4 SVM求解可视化 (1)：理解等高线函数contour.mp4 138.47M
| ├──2.1.4 SVM求解可视化 (2)：理解网格制作函数meshgrid与vstack.mp4 92.07M
| ├──2.1.4 SVM求解可视化 (3)：建模，绘制图像并包装函数.mp4 47.70M
| ├──2.1.4 SVM求解可视化 (4)：探索建立好的模型.mp4 8.57M
| ├──2.1.4 SVM求解可视化（5）：非线性数据集上的推广与3D可视化.mp4 26.81M
| ├──2.1.4 SVM求解可视化（6）：Jupyter Notebook中的3D交互功能.mp4 10.59M
| ├──2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel.mp4 126.16M
| ├──2.2.3 案例：如何选取最佳核函数 (1).mp4 85.63M
| ├──2.2.3 案例：如何选取最佳核函数 (2).mp4 64.07M
| ├──2.2.4 案例：在乳腺癌数据集上探索核函数的性质.mp4 113.87M
| ├──2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1）.mp4 23.79M
| ├──2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2).mp4 144.09M
| ├──2.3.1 SVM在软间隔数据上的推广.mp4 149.21M
| └──2.3.2 重要参数C & 总结.mp4 98.36M
第三章 数据预处理与特征工程
| ├──任务33：概述 + 12期课纲.mp4 57.37M
| ├──任务34：数据预处理1：无量纲化：数据归一化.mp4 65.49M
| ├──任务35：数据预处理2：无量纲化：数据标准化.mp4 34.37M
| ├──任务36：数据预处理3：缺失值 (1).mp4 30.01M
| ├──任务37：数据预处理4：缺失值 (2).mp4 59.75M
| ├──任务38：数据预处理5：处理分类型数据：编码与哑变量.mp4 135.35M
| ├──任务39：数据预处理6：处理连续型数据：二值化和分箱.mp4 63.92M
| ├──任务40：特征选择1：过滤法：方差过滤 (1).mp4 56.58M
| ├──任务41：特征选择2：过滤法：方差过滤 (2).mp4 122.07M
| ├──任务42：特征选择3：过滤法：卡方过滤.mp4 77.88M
| ├──任务43：特征选择4：过滤法：F检验和互信息法 (1).mp4 42.03M
| ├──任务44：特征选择5：过滤法：互信息法(2) + 总结.mp4 19.55M
| ├──任务45：特征选择6：嵌入法 (1).mp4 28.56M
| ├──任务46：特征选择7：嵌入法 (2).mp4 83.62M
| └──任务47：特征选择8：包装法 + 总结.mp4 74.09M
第十二章 神经网络
| ├──012 神经网络-课件
| | └──12-神经网络.pdf 2.12M
| ├──神经网络1.mp4 54.06M
| ├──神经网络2.mp4 117.43M
| └──神经网络3.mp4 106.34M
第十一章 XGBoost
| ├──0 本周要学习什么.mp4 18.31M
| ├──1 XGBoost前瞻：安装xgboost，xgboost库与skleanAPI.mp4 147.19M
| ├──2.1 梯度提升树(1)：集成算法回顾，重要参数n_estimators.mp4 43.37M
| ├──2.1 梯度提升树(2)：参数n_estimators下的建模.mp4 72.24M
| ├──2.1 梯度提升树(3)：参数n_estimators的学习曲线.mp4 160.38M
| ├──2.1 梯度提升树(4)：基于方差-偏差困境改进的学习曲线.mp4 154.21M
| ├──2.2 梯度提升树(5)：控制有放回随机抽样，参数subsample.mp4 75.19M
| ├──2.3 梯度提升树(6)：迭代决策树：重要参数eta.mp4 241.11M
| ├──2.3 梯度提升树(7)：迭代决策树：重要参数eta.mp4 41.37M
| ├──3.1 XGBoost的智慧 (1)：选择弱评估器：重要参数booster.mp4 16.55M
| ├──3.2 XGBoost的智慧 (2)：XGBoost的目标函数，使用xgboost库建模.mp4 330.82M
| ├──3.3 XGBoost的智慧 (3)：求解XGBoost的目标函数 – 推导过程.mp4 46.76M
| ├──3.3 XGBoost的智慧 (4)：XGboost的目标函数 – 泰勒展开相关问题.mp4 68.22M
| ├──3.4 XGBoost的智慧 (5)：参数化决策树，正则化参数lambda与alpha.mp4 60.23M
| ├──3.5 XGBoost的智慧 (6)：建立目标函数与树结构的直接联系.mp4 27.72M
| ├──3.5 XGBoost的智慧 (7)：最优树结构，求解w和T.mp4 251.89M
| ├──3.6 XGBoost的智慧 (8)：贪婪算法求解最优树.mp4 118.95M
| ├──3.7 XGBoost的智慧 (9)：让树停止生长：参数gamma与工具xgb.cv.mp4 402.03M
| ├──4.1 XGBoost应用 (1)：减轻过拟合：XGBoost中的剪枝参数.mp4 41.38M
| ├──4.1 XGBoost应用 (2)：使用xgb.cv进行剪枝参数的调参.mp4 419.74M
| ├──4.2 XGBoost应用 (3)：使用pickle保存和调用训练好的XGB模型.mp4 32.85M
| ├──4.2 XGBoost应用 (4)：使用joblib保存和调用训练好的XGB模型.mp4 27.94M
| ├──4.3 XGBoost应用 (5)：XGB分类中的样本不平衡问题 – sklearnAPI.mp4 36.78M
| ├──4.3 XGBoost应用 (6)：XGB分类中的样本不平衡问题 – xgboost库.mp4 184.12M
| └──4.4 XGBoost应用 (7)：XGB应用中的其他问题.mp4 29.11M
第十章 朴素贝叶斯
| ├──0 本周要讲解的内容.mp4 19.70M
| ├──1.1 为什么需要朴素贝叶斯.mp4 46.83M
| ├──1.2 概率论基础 – 贝叶斯理论等式.mp4 17.11M
| ├──1.2.1 瓢虫冬眠：理解条件概率 (1).mp4 22.71M
| ├──1.2.1 瓢虫冬眠：理解条件概率 (2).mp4 29.33M
| ├──1.2.1 瓢虫冬眠：理解条件概率 (3).mp4 69.82M
| ├──1.2.2 贝叶斯的性质与最大后验估计.mp4 21.31M
| ├──1.2.3 汉堡称重：连续型变量的概率估计 (1).mp4 13.69M
| ├──1.2.3 汉堡称重：连续型变量的概率估计 (2).mp4 30.45M
| ├──1.3 sklearn中的朴素贝叶斯.mp4 31.12M
| ├──2.1.1 认识高斯朴素贝叶斯.mp4 232.67M
| ├──2.1.2 高斯朴素贝叶斯擅长的数据集.mp4 47.95M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (1).mp4 30.20M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (2) – 代码讲解 (1).mp4 80.60M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (3) – 代码讲解 (2).mp4 14.51M
| ├──2.1.3 探索贝叶斯 – 拟合中的特性与运行速度 (4) – 分析与结论.mp4 30.64M
| ├──2.2.1 概率类模型的评估指标 (1) – 布里尔分数.mp4 41.17M
| ├──2.2.1 概率类模型的评估指标 (2) – 布里尔分数可视化.mp4 17.32M
| ├──2.2.2 概率类模型的评估指标 (3) – 对数损失Logloss.mp4 45.40M
| ├──2.2.3 概率类模型的评估指标 (4) – 可靠性曲线 (1).mp4 96.50M
| ├──2.2.3 概率类模型的评估指标 (5) – 可靠性曲线 (2).mp4 321.80M
| ├──2.2.4 概率类模型的评估指标 (6) – 概率分布直方图.mp4 33.18M
| ├──2.2.5 概率类模型的评估指标 (7) – 概率校准 (1).mp4 219.17M
| ├──2.2.5 概率类模型的评估指标 (8) – 概率校准 (2).mp4 37.94M
| ├──2.3.1 多项式朴素贝叶斯 (1) – 认识多项式朴素贝叶斯.mp4 17.61M
| ├──2.3.1 多项式朴素贝叶斯 (2) – 数学原理.mp4 69.73M
| ├──2.3.1 多项式朴素贝叶斯 (3) – sklearn中的类与参数.mp4 15.20M
| ├──2.3.1 多项式朴素贝叶斯 (4) – 来构造一个分类器吧.mp4 34.30M
| ├──2.3.2 伯努利朴素贝叶斯 (1) – 认识伯努利朴素贝叶斯.mp4 9.62M
| ├──2.3.2 伯努利朴素贝叶斯 (2) – sklearn中的类与参数.mp4 9.48M
| ├──2.3.2 伯努利朴素贝叶斯 (3) – 构造一个分类器.mp4 9.68M
| ├──2.3.3 探索贝叶斯 – 朴素贝叶斯的样本不均衡问题.mp4 163.61M
| ├──2.3.4 补集朴素贝叶斯 – 补集朴素贝叶斯的原理 (1).mp4 52.27M
| ├──2.3.4 补集朴素贝叶斯 – 补集朴素贝叶斯的原理 (2).mp4 20.01M
| ├──2.3.4 补集朴素贝叶斯 – 处理样本不均衡问题.mp4 44.49M
| ├──3.1.1 案例：贝叶斯做文本分类 (1) – 单词计数向量技术.mp4 91.28M
| ├──3.1.1 案例：贝叶斯做文本分类 (2) – 单词计数向量的问题.mp4 56.30M
| ├──3.1.2 案例：贝叶斯做文本分类 (3) – TF-IDF技术.mp4 81.14M
| ├──3.2 案例：贝叶斯做文本分类 (4) – 探索和提取文本数据.mp4 67.46M
| ├──3.3 案例：贝叶斯做文本分类 (5) – 使用TF-IDF编码文本数据.mp4 9.85M
| └──3.4 案例：贝叶斯做文本分类 (6) – 算法应用与概率校准.mp4 43.15M
第四章 降维算法PCA与手写数字识别
| ├──1 降维算法概述.mp4 155.09M
| ├──2.1 降维究竟怎样实现？.mp4 104.45M
| ├──2.2 参数 + 案例：高维数据的可视化 (1).mp4 393.43M
| ├──2.2 参数 + 案例：高维数据的可视化 (2).mp4 15.44M
| ├──2.3 PCA中的SVD，重要参数svd_solver.mp4 125.36M
| ├──2.3 参数 + 案例：人脸识别中的components_应用.mp4.mp4 491.62M
| ├──2.4 重要接口 + 案例1：用人脸识别看PCA降维后的信息保存量.mp4 189.68M
| ├──2.4 重要接口 + 案例2：用PCA实现手写数字的噪音过滤.mp4 56.89M
| ├──2.5 原理，流程，重要属性接口和参数的总结.mp4 18.73M
| ├──3.1 案例：PCA实现784个特征的手写数字的降维 (1.mp4 89.31M
| └──3.2 案例：PCA实现784个特征的手写数字的降维 (2).mp4 31.81M
第五章 逻辑回归和信用评分卡
| 鈹溾攢鈹€0 鍓嶈█.mp4 41.48M
| ├──1.1 逻辑回归概述：名为“回归”的分类器.mp4 52.36M
| ├──1.2 为什么需要逻辑回归.mp4 39.38M
| ├──1.3 sklearn当中的逻辑回归.mp4 13.82M
| ├──2.1.1 二元逻辑回归的损失函数.mp4 36.50M
| ├──2.2.1 正则化：重要参数penalty & C.mp4 95.28M
| ├──2.2.2 逻辑回归的特征工程 (1).mp4 97.13M
| ├──2.2.2 逻辑回归的特征工程 (2).mp4 17.75M
| ├──2.2.2 逻辑回归的特征工程 (3).mp4 188.35M
| ├──2.2.2 逻辑回归的特征工程 (4).mp4 15.02M
| ├──2.3.1 重要参数max_iter – 梯度下降求解逻辑回归的过程.mp4 24.03M
| ├──2.3.2 梯度的概念与解惑.mp4 38.46M
| ├──2.3.3 步长的概念与解惑.mp4 66.26M
| ├──2.4 二元回归与多元回归：重要参数solver & multi_class.mp4 41.50M
| ├──2.5 样本不均衡与参数class_weight.mp4 63.34M
| ├──3.1 案例：评分卡与完整的模型开发流程.mp4 14.83M
| ├──3.2.1~2 案例：评分卡 – 数据预处理(1) – 重复值与缺失值.mp4 310.75M
| ├──3.2.3 案例：评分卡 – 数据预处理 (2) – 异常值.mp4 172.46M
| ├──3.2.4 案例：评分卡 – 数据预处理 (3) – 标准化.mp4 10.61M
| ├──3.2.5 案例：评分卡 – 数据预处理 (4) – 样本不均衡问题.mp4 24.04M
| ├──3.2.6 案例：评分卡 – 数据预处理 (5) – 保存训练集和测试集数据.mp4 17.90M
| ├──3.3 案例：评分卡 – 分箱 (1) – 概述与概念.mp4 38.76M
| ├──3.3.1 案例：评分卡 – 分箱 (2) – 等频分箱 (1).mp4 25.32M
| ├──3.3.1 案例：评分卡 – 分箱 (3) – 等频分箱 (2).mp4 30.51M
| ├──3.3.2 案例：评分卡 – 分箱 (4) – 选学说明.mp4 13.09M
| ├──3.3.3 案例：评分卡 – 分箱 (5) – 计算WOE与IV.mp4 74.18M
| ├──3.3.4 案例：评分卡 – 分箱 (6) – 卡方检验、箱体合并、IV值等.mp4 79.36M
| ├──3.3.5 案例：评分卡 – 分箱 (7) – 包装分箱函数.mp4 18.81M
| ├──3.3.6 案例：评分卡 – 分箱 (8) – 包装判断分箱个数的函数.mp4 23.47M
| ├──3.3.7 案例：评分卡 – 分箱 (9) – 对所有特征进行分箱.mp4 28.62M
| ├──3.4 案例：评分卡 – 映射数据 (1).mp4 78.40M
| ├──3.4 案例：评分卡 – 映射数据 (2).mp4 29.22M
| ├──3.5 案例：评分卡 – 建模与模型验证.mp4 37.19M
| └──3.6 案例：评分卡 – 评分卡的输出和建立.mp4 56.98M
第一章 决策树与泰坦尼克号生存预测
| ├──任务10：6. 分类树：重要属性和接口.mp4 62.06M
| ├──任务11：7. 回归树：参数，属性和接口.mp4 28.28M
| ├──任务12：7. 回归树：交叉验证 (1).mp4 25.15M
| ├──任务13：7. 回归树：交叉验证(2).mp4 10.55M
| ├──任务14：8. 回归树案例：用回归树拟合正弦曲线.mp4 112.40M
| ├──任务15：9. 案例：泰坦尼克号生存者预测 (1).mp4 130.33M
| ├──任务16：9. 案例：泰坦尼克号生存者预测 (2).mp4 32.78M
| ├──任务17：9. 案例：泰坦尼克号生存者预测 (3).mp4 51.82M
| ├──任务18：9.案例：泰坦尼克号生存者预测 (4).mp4 12.47M
| ├──任务4：1. 引言，sklearn入门.mp4 29.39M
| ├──任务5：2. 决策树：概述.mp4 32.92M
| ├──任务6：3. 分类树：参数Criterion.mp4 30.12M
| ├──任务7： 4. 分类树：实现一棵树，随机性参数.mp4 112.61M
| ├──任务8：5. 分类树：剪枝参数调优(1).mp4 56.85M
| └──任务9：5. 分类树：剪枝参数调优(2).mp4 27.81M
菜菜sklearn课件.zip 159.62M