└─ Python3入门机器学习 经典算法与应用 ->
├─ 第9章 逻辑回归 ->
├─ 9-8 OvR与OvO.mp4 - 124.9M
├─ 9-7 scikit-learn中的逻辑回归.mp4 - 167.1M
├─ 9-6 在逻辑回归中使用多项式特征.mp4 - 137.4M
├─ 9-5 决策边界.mp4 - 193.5M
├─ 9-4 实现逻辑回归算法.mp4 - 123.4M
├─ 9-3 逻辑回归损失函数的梯度.mp4 - 80.3M
├─ 9-2 逻辑回归的损失函数.mp4 - 55.9M
└─ 9-1 什么是逻辑回归.mp4 - 58M
├─ 第8章 多项式回归与模型泛化 ->
├─ 8-9 LASSO.mp4 - 115.1M
├─ 8-8 模型泛化与岭回归.mp4 - 180.3M
├─ 8-7 偏差方差平衡.mp4 - 57.8M
├─ 8-6 验证数据集与交叉验证.mp4 - 222.6M
├─ 8-5 学习曲线.mp4 - 134.3M
├─ 8-4 为什么要训练数据集与测试数据集.mp4 - 144.4M
├─ 8-3 过拟合与前拟合.mp4 - 131.7M
├─ 8-2 scikit-learn中的多项式回归于pipeline.mp4 - 146.5M
├─ 8-10 L1,L2和弹性网络.mp4 - 34.2M
└─ 8-1 什么是多项式回归.mp4 - 75.1M
├─ 第7章 PCA与梯度上升法 ->
├─ 7-9 人脸识别与特征脸.mp4 - 131.9M
├─ 7-8 使用PCA对数据进行降噪.mp4 - 99.2M
├─ 7-7 试手MNIST数据集.mp4 - 112.9M
├─ 7-6 scikit-learn中的PCA.mp4 - 172.4M
├─ 7-5 高维数据映射为低维数据.mp4 - 168.6M
├─ 7-4 求数据的前n个主成分.mp4 - 125.3M
├─ 7-3 求数据的主成分PCA.mp4 - 178.6M
├─ 7-2 使用梯度上升法求解PCA问题.mp4 - 27.4M
└─ 7-1 什么是PCA.mp4 - 51.1M
├─ 第6章 梯度下降法 ->
├─ 6-9 有关梯度下降法的更多深入讨论.mp4 - 24.8M
├─ 6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4 - 113.1M
├─ 6-7 scikit-learn中的随机梯度下降法.mp4 - 132.4M
├─ 6-6 随机梯度下降法.mp4 - 160.2M
├─ 6-5 梯度下降的向量化和数据标准化.mp4 - 203.3M
├─ 6-4 实现线性回归中的梯度下降法.mp4 - 136.9M
├─ 6-3 线性回归中的梯度下降法.mp4 - 70.4M
├─ 6-2 模拟实现梯度下降法.mp4 - 185.4M
└─ 6-1 什么是梯度下降法.mp4 - 44.2M
├─ 第5章 线性回归法 ->
├─ 5-9 使用scikit-learn解决回归问题.mp4 - 118.2M
├─ 5-8 实现多元线性回归.mp4 - 118.7M
├─ 5-7 多元线性回归和正规方程解.mp4 - 44M
├─ 5-6 最好的衡量线性回归法的指标 R Squared.mp4 - 109.9M
├─ 5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4 - 183.3M
├─ 5-4 向量化.mp4 - 105.4M
├─ 5-3 简单线性回归的实现.mp4 - 130.4M
├─ 5-2 最小二乘法.mp4 - 33.5M
├─ 5-10 线性回归的可解性和更多思考.mp4 - 86.8M
└─ 5-1 简单线性回归.mp4 - 23.3M
├─ 第4章 最基础的分类算法-k近邻算法 kNN ->
├─ 4-9 更多有关k近邻算法的思考.mp4 - 33M
├─ 4-8 scikit-learn中的Scaler.mp4 - 185.3M
├─ 4-7 数据归一化.mp4 - 105.9M
├─ 4-6 网格搜索与k近邻算法中更多超参数.mp4 - 168.1M
├─ 4-5 超参数.mp4 - 207.2M
├─ 4-4 分类准确度.mp4 - 174.8M
├─ 4-3 训练数据集，测试数据集.mp4 - 213.3M
├─ 4-2 scikit-learn中的机器学习算法封装.mp4 - 206.3M
└─ 4-1 k近邻算法基础.mp4 - 136.8M
├─ 第3章 Jupyter Notebook, numpy和m ->
├─ 3-9 Numpy中的arg运算.mp4 - 95.4M
├─ 3-8 Numpy中的聚合运算.mp4 - 107.9M
├─ 3-7 Numpy中的矩阵运算.mp4 - 206M
├─ 3-6 Numpy数组的合并与分割.mp4 - 156.5M
├─ 3-5 Numpy数组的基本操作.mp4 - 119.1M
├─ 3-4 创建numpy数组和矩阵.mp4 - 188.1M
├─ 3-3 Numpy数据基础.mp4 - 68.2M
├─ 3-2 jupyter notebook中的魔法命令.mp4 - 189.5M
├─ 3-12 数据加载和简单的数据探索.mp4 - 112.9M
├─ 3-11 Matplotlib数据可视化基础.mp4 - 153.5M
├─ 3-10 Numpy中的比较和FancyIndexing.mp4 - 190.7M
└─ 3-1 jupyter notebook基础.mp4 - 169.2M
├─ 第2章 机器学习基础 ->
├─ 2-6 课程使用环境搭建.mp4 - 91.8M
├─ 2-5 和机器学习相关的哲学思考.mp4 - 36.8M
├─ 2-4 批量学习，在线学习，参数学习和非参数学习.mp4 - 33.4M
├─ 2-3 监督学习，非监督学习，半监督学习和增强学习.mp4 - 93.6M
├─ 2-2 机器学习的主要任务.mp4 - 126.5M
└─ 2-1 机器学习世界的数据.mp4 - 84.3M
├─ 第1章 欢迎来到 Python3 玩转机器学习 ->
├─ 1-3 课程所使用的主要技术栈.mp4 - 19.7M
├─ 1-2 课程涵盖的内容和理念.mp4 - 90.2M
└─ 1-1导学.mp4 - 68.1M
├─ 第14章 更多机器学习算法 ->
└─ 14-1 学习scikit-learn文档.mp4 - 66.5M
├─ 第13章 集成学习和随机森林 ->
├─ 13-7 Stacking.mp4 - 11.5M
├─ 13-6 Ada Boosting和Gradient Boosting.mp4 - 28.7M
├─ 13-5 随机森林和Extra-Trees.mp4 - 26M
├─ 13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp4 - 31.9M
├─ 13-3 Bagging和Pasting.mp4 - 33.4M
├─ 13-2 SoftVoting Classifier.mp4 - 28.4M
└─ 13-1什么是集成学习.mp4 - 53.5M
├─ 第12章 决策树 ->
├─ 12-7.mp4 - 32.8M
├─ 12-6.mp4 - 38M
├─ 12-5 CART与决策树中的超参数.mp4 - 61.1M
├─ 12-4 基尼系数.mp4 - 66.5M
├─ 12-3 使用信息熵寻找最优划分.mp4 - 137.1M
├─ 12-2 信息熵.mp4 - 48.5M
└─ 12-1.mp4 - 57.4M
├─ 第11章 支撑向量机 SVM ->
├─ 11-9.mp4 - 91.6M
├─ 11-8.mp4 - 76.4M
├─ 11-7.mp4 - 51.9M
├─ 11-6.mp4 - 40.1M
├─ 11-5.mp4 - 84.8M
├─ 11-4.mp4 - 117.9M
├─ 11-3.mp4 - 39.7M
├─ 11-2.mp4 - 51.1M
└─ 11-1.mp4 - 38.3M
├─ 第10章 评价分类结果 ->
├─ 10-8.mp4 - 95.3M
├─ 10-7.mp4 - 65.7M
├─ 10-6.mp4 - 85M
├─ 10-5.mp4 - 91.7M
├─ 10-4.mp4 - 69.4M
├─ 10-3.mp4 - 103.8M
├─ 10-2 精准率和召回率.mp4 - 29.5M
└─ 10-1 准确度的陷阱和混淆矩阵.mp4 - 38.3M
├─ project1.zip - 6KB
└─ project0.zip - 4.7M
微信视频投屏：
1、在手机端微信中会拦截投屏功能，需要首先点击视频页面右上角“...”图标，选择“在浏览器中打开”，在列表中选取具备投屏功能的浏览器，推荐使用QQ浏览器
2、在新打开的浏览器视频页面里，点击播放按钮，可在视频框右上角看到一个“TV”投屏小图标，只要电视和手机在同一WiFi环境下，点击按钮即刻享受大屏观感！
本站资源声明：
1、如需免费下载云盘资源，请先点击页面右上角的“登录”按钮，注册并登录您的账号后即可查看到网盘资源下载地址；
2、本站所有资源信息均由网络爬虫自动抓取，以非人工方式自动筛选长效资源并更新发布，资源内容只作交流和学习使用，本站不储存、复制、传播任何文件，其资源的有效性和安全性需要您自行判断；
3、本站高度重视知识产权保护，如有侵犯您的合法权益或违法违规，请立即向网盘官方举报反馈，并提供相关有效书面证明与侵权页面链接联系我们处理；
4、作为非盈利性质网站，仅提供网络资源的免费搜索和检测服务，无需额外支付其他任何费用，学习和交流的同时请小心防范网络诈骗。