课程介绍
07:23
2.人工智能概述_
20:01
3.人工智能发展历程_
16:13
4.人工智能的主要分支_
22:03
5.人工智能的三要素_
16:16
6.什么是机器学习_
08:06
7.机器学习工作流程_1_
02:03
8.机器学习工作流程_2_
07:27
9.机器学习的几个基本概念_
20:26
10.数据基本处理和特征工程_
17:12
11.监督学习和无监督学习_
10:36
12.半监督学习和强化学习_
15:08
13.分类模型的评估_
17:46
14.回归模型的评估_
16:54
15.拟合_
08:56
16.Azure机器学习模型搭建实验_
21:19
17.深度学习简介_
08:53
18.Jupyter notebook的使用_
27:53
19.今日总结_
10:40
1.昨日复习_
05:16
2.Matplotlib三层结构_
12:49
3.画图的三个步骤_
08:49
4.保存图像_
08:22
5.完善原始折线图_1_
19:30
6.同一坐标系绘制多根曲线_
11:10
7.多个坐标系绘图_
13:07
8.绘制函数图像_
06:42
9.常见图形的意义_
19:59
10.常见图形的绘制_
09:26
11.Numpy是什么_
16:54
12.Numpy的优势_
12:35
13.ndarray的属性_
24:27
14.ndarray的生成_1_
11:58
15.生成固定范围的数组_
08:43
16.均匀分布数组生成_
09:03
17.正态分布_
15:04
18.正态分布数组生成_
06:21
19.均匀分布和正态分布的直方图_
07:21
20.ndarray的基本操作_
29:27
21.今日总结_
11:36
1.昨日复习_
17:03
2.逻辑运算_
21:04
3.统计运算_
13:54
4.矩阵乘法_
21:14
5.矩阵乘法的性质_
13:42
6.数组与数组的运算_
29:02
7.Pandas介绍_
04:09
8.Pandas介绍_2_
09:31
9.【重点】 DataFrame介绍_1_
10:02
10.DataFrame的索引设置_
09:50
11.Multiindex和Series_
12:47
12.索引操作和赋值操作_
16:27
13.排序操作_
06:37
14.逻辑运算_
16:13
15.统计运算_
11:36
16.累计统计函数_
12:34
17.自定义运算_
07:02
18.Pandas画图_
04:02
19.文件读取和存储_
24:42
20.今日总结_
15:48
1.昨日复习_
17:47
2.缺失值处理_1_
25:04
3.缺失值处理_2_
07:27
4.数据离散化_
17:51
5.one_hot编码_
13:19
6.数据合并_1_
07:02
7.数据合并_2_
21:40
8.交叉表与透视表_
28:59
9分组与聚合_1_
04:03
9.分组与聚合_2_
14:23
10.KNN的原理及实现步骤_
14:52
11.k近邻算法api初步使用_
11:53
12.距离的度量_1_
14:18
13.距离的度量_2_
15:09
14.K值的选择对模型的影响_
10:32
15.kd树的原理_
14:13
16.今日总结_
12:11
1.pandas案例_
24:03
2.昨日复习_
14:40
3.kd树的构造方法_
12:21
4.kd树查找最近点的方法_
16:57
5.scikit-learn的数据集API介绍_
14:46
6.查看数据分布_
12:19
7.数据集划分_
08:12
8.去量纲化_
25:14
9.鸢尾花种类预测步骤分析_
05:54
10.交叉验证和网格搜索_1_
16:54
10.鸢尾花种类预测实现_
12:02
11.KNN的优点和缺点_
11:08
11.交叉验证和网格搜索的使用_
10:47
12.预测facebook签到位置步骤分析_
14:30
13.预测facebook签到位置案例实现_
27:02
14.线性回归的公式_
11:05
15.线性回归的应用_
11:31
16.线性回归api初步使用_
10:44
17.一个问题：机器学习算法是如何学习的_
03:03
18.今日总结_
12:24
1.昨日复习_
08:56
2.数学：求导_
20:18
3.机器学习算法是如何学习的_
16:01
18.今日总结_
12:24
1.昨日复习_
08:56
2.数学：求导_
20:18
3.机器学习算法是如何学习的_
16:01
4.正规方程_
20:58
5.线性回归的损失和优化_
26:38
6.梯度下降法_
12:35
7.线性回归api再介绍_
04:38
8.波士顿房价预测步骤分析_
07:53
9.波士顿房价预测_
15:28
10.过拟合和欠拟合_
11:56
11.正则化_
13:20
12.正则化线性模型_
09:45
13.岭回归_
05:37
14.模型的保存和加载_
06:37
15.逻辑回归简介_
04:54
16.逻辑回归的原理_
14:43
17.逻辑回归的损失以及优化_
06:48
18.逻辑回归api介绍_
03:15
19.癌症分类预测步骤分析_
05:32
20.癌症分类预测实现_
17:00
21.分类评估方法_
13:18
22.ROC曲线的绘制_
14:19
23.今日总结_
09:50
1.昨日复习_
29:06
2.AUC指标的计算_
04:11
3.决策树算法简介_
16:45
4.熵的计算_
14:34
5.信息增益_
18:28
6.信息增益率_
06:29
7.基尼值和基尼指数_
22:44
8.决策树构建的步骤_
04:44
9.常见决策树类型_
04:41
10.cart剪枝_
10:30
11.字典特征提取_
13:26
12.文本特征提取_
29:40
13.泰坦尼克号乘客生存预测步骤分析_
10:12
14.泰坦尼克号乘客生存预测实现_
13:58
15.决策树可视化_
05:10
16.决策树的优缺点_
02:17
17.集成学习算法简介_
06:25
18.Bagging集成学习的原理_
12:52
19.随机森林_
13:59
20.今日总结_
08:40
1.昨日复习_
11:58
2.boosting集成原理_
20:29
3.bagging和boosting的区别_
05:40
4.GBDT和XGBOOST_
24:03
5.聚类算法简介_
07:24
6.聚类算法api初步使用_
13:25
7.聚类算法实现流程（原理）_
11:19
8.聚类的模型评估_
19:25
9.算法优化_
18:19
10.特征选择_
33:31
11.主成分分析PCA_
10:20
12.探究用户对物品类别的喜好_
26:55
13.算法选择指导_
05:49
14.今日总结_
06:43
15.总复习_1_
21:41
16.总复习_2_
13:05
