1-线性回归介绍
06:45
2-线性回归的基本概念1
20:31
3-线性回归的基本概念2
17:36
4-正规方程介绍
14:10
5-正规方程求解多元一次方程
20:00
6-sklearn中线性方程正规方程运算
13:33
7-sklearn带截距运算
22:31
1-八元一次方程问题再现
20:49
2-八元一次方程增加截距的解决方案
25:59
3-正规方程的公式推导
18:02
4-凸函数判定
07:17
5-最小二乘法公式推导
19:31
6-正规方程进行演示
13:04
7-sklearn线性回归演示
06:34
8-作业介绍
01:39
1-波士顿房价加载和查看
12:11
2-数据拆分建模预测
22:44
3-模型评估
19:03
4-梯度下降的概念介绍
16:44
5-梯度下降步骤
09:15
6-函数与导函数求解最优解
09:46
7-梯度下降代码演示
23:18
8-梯度下降可视化
09:11
9-作业介绍
04:23
1-知识点回顾作业介绍
04:44
2-三种梯度下降对比
10:47
3-线性回归梯度下降更新公式
19:11
4-BGD更新公式
09:16
5-SGD和MBGD更新公式介绍
09:39
6-BGD批量梯度下降代码演示
31:39
7-BGD批量梯度下降求解多元一次方程
06:11
8-SGD随机梯度下降计算了一元一次方程
19:13
9-SGD随机梯度下降多元一次方程求解
06:31
10-MBGD梯度下降代码演示
06:44
11-作业介绍
02:41
1-归一化目的
23:45
3-Z-Score归一化
14:56
4-天池工业蒸汽量项目归一化实战（一）
19:15
5-天池工业蒸汽量项目归一化实战（二）
17:52
6-过拟合和欠拟合正则化介绍
20:48
1-归一化内容总结重点目标值归一化
07:40
2-套索回归介绍
11:17
3-L1正则化可视化图形
15:49
4-L1正则化稀松性缩小系数到0
15:37
5-L1正则化套索回归权重衰减梯度下降公式
10:03
6-L2正则化岭回归原理详解
16:23
7-Ridge算法使用
16:40
8-Lasso回归使用
22:48
9-ElasticNet弹性网络使用
06:32
10-作业
01:13
1-天池工业蒸汽量不同模型不同处理得分整理
11:13
2-多项式回归升维概念介绍
10:08
3-多项式回归升维实战（一）
16:40
4-多项式回归升维维度概念详解
09:01
5-多项式回归升维实战（二）
18:50
6-多项式回归实战天猫双十一销量预测（线性回归模型）
25:27
7-多项式回归实战天猫双十一销量预测（随机梯度下降模型）
10:40
8-中国人寿保费预测（EDA数据探索）
18:48
1-逻辑回归介绍
15:56
2-Sigmoid函数介绍
16:35
3-逻辑回归损失函数推导
09:39
4-损失函数立体化呈现（一）
30:10
5-损失函数立体化呈现（二）
35:09
6-逻辑回归代码实现与概率手动计算
19:49
1-逻辑回归梯度下降更新公式
19:12
3-逻辑回归OVR建模与概率预测
20:46
4-代码实现逻辑回归OVR概率计算
18:42
5-Softmax函数与概率计算
11:29
6-代码实现逻辑回归softmax概率计算
21:31
7-Sigmoid与Softmax异同
05:55
1-支持向量机SVM概念
14:36
2-支持向量机SVM目标函数推导
27:58
3-SVM二分类最大间隔线绘制
34:29
4-拉格朗日乘子法介绍
08:00
5-拉格朗日乘子法原理推导
24:35
6-支持向量机SVM作业介绍
02:55
1-作业讲解和知识点回顾
14:07
2-SVC支持向量机分类不同核函数差异
20:29
3-非线性核函数介绍
15:03
4-核函数对应数学公式
06:18
5-KKT条件介绍
31:26
6-SVR支持向量机回归核函数差异
11:54
7-SVR支持向量机回归拟合天猫双十一销量方程
10:05
1-SVM支持向量机原理可视化
29:32
2-SVM支持向量机KKT条件详解
14:41
3-SVM支持向量机对偶问题转化
09:09
4-SVM支持向量机目标函数构建
11:06
5-SVM支持向量机损失函数SMO求解过程
12:50
6-SVM支持向量机网格搜索参数优化
22:24
7-SVM软间隔及优化
15:19
1-LFW人脸数据数据加载与介绍
22:48
2-SVM支持向量机LFW数据建模与参数选择
26:31
3-SVM支持向量机LFW建模预测可视化
24:14
4-SVM支持向量机软间隔与优化目标函数构建
30:07
5-SVM算法整体回归
18:33
2-Kmeans聚类亚洲国家队类别可视化
10:06
3-聚类算法概念介绍
11:48
4-聚类算法的划分标准
17:33
5-Kmeans算法原理和流程
12:41
6-聚类评价指标轮廓系数
05:57
7-轮廓系数使用
11:52
8-聚类评价指标调整兰德系数
09:16
9-Kmeans聚类提取特征图片压缩
17:56
1-DBSCAN算法介绍
17:19
2-DBSCAN算法原理和参数详解
21:45
3-DBSCAN聚类案例数据创建
12:11
4-DBSCAN聚类案例Kmeans算法聚类效果
05:47
5-DBSCAN聚类案例效果
07:56
6-分层聚类概念原理参数介绍
14:53
7-Kmeans聚类瑞士卷数据效果
12:24
8-分层聚类瑞士卷数据效果
11:48
9-作业介绍和知识点总结
04:44
1-数据相关系概念介绍和代码演示
21:51
2-数据降维概念
18:49
3-数据降维方法介绍
02:06
4-PCA算法介绍和使用
16:04
5-PCA降维算法特征值分解代码实现
31:35
6-PCA降维算法奇异值分解代码实现
31:14
1-协方差和散度矩阵
32:36
2-线性代数之特征值特征向量分解
15:08
3-线性代数之SVD奇异值分解
13:27
4-LDA算法原理
07:08
5-LDA算法流程
36:49
6-NMF非负矩阵分解
13:47
1-LLE局部线性嵌入降维法算法原理介绍
11:30
3-EM算法思想与步骤
09:21
4-极大似然思想
09:56
5-EM算法入门举例介绍
17:01
6-EM算法进阶举例介绍
14:45
7-GMM高斯混合模型聚类使用代码举例
27:02
8-Jessen不等式介绍
11:38
1-决策树概述示例一（债务偿还）
11:13
2-决策树概述示例二（找对象）
09:03
3-决策树的应用和可视化
24:41
4-决策树graphviz安装与可视化
16:56
5-信息熵和信息增益概念和公式
08:47
6-手写代码计算信息熵
29:33
7-手写代码计算信息熵对比不同属性信息增益
15:05
8-作业要求
02:42
1-决策树原理：代码筛选决策树的根节点
33:34
3-决策树鸢尾花分类案例
11:54
1-决策树与不同算法综合对比
29:17
2-决策回归树原理概述
10:31
3-决策回归树算法示例演示
29:41
4-决策回归树原理未分裂mse计算
18:28
5-决策回归树原理根节点裂分mse计算
13:37
6-决策回归树最佳裂分条件计算
16:23
7-作业
01:02
1-归一化对不同算法影响
08:00
2-决策回归树VS线性回归
26:06
4-随机森林原理和应用
34:00
5-极限森林原理和应用
17:14
1-极限森林随机性之所在
17:39
2-交叉熵原理概述
34:37
3-GBDT梯度提升分类树结构介绍
06:59
4-GBDT梯度提升分类树使用
15:52
5-GBDT梯度提升分类树数学公式
11:30
6-GBDT梯度提升分类树算例可视化
13:06
7-GBDT梯度提升分类树代码拟合第一棵树
24:38
1-GBDT梯度提升分类树原理知识点回顾
14:40
2-GBDT原理剖析代码拟合第二棵树
26:06
3-GBDT原理剖析代码拟合第三棵树以及概率计算
24:14
4-交叉熵损失函数的介绍
08:40
5-交叉熵损失函数的化简
11:00
6-GBDT初始值F0的推导过程
19:35
7-GBDT叶节点预测值推导损失函数与二阶泰勒展开
18:52
1-GBDT梯度提升树叶节点预测值原理推导
31:12
2-集成算法原理概述
08:16
3-自建集成算法
18:25
4-集成算法之boosting原理
05:45
5-梯度提升回归树原理介绍
05:17
6-梯度提升回归树的应用
22:12
7-梯度提升回归树原理代码展现
28:32
1-梯度提升回归树最佳裂分条件计算代码演示
35:12
2-Adaboost算法原理概述
25:33
3-Adaboost算法应用乳腺癌案例
24:32
4-Adaboost算法应用多分类案例
10:58
5-Adaboost算法应用多分类数据清洗案例
22:28
1-Adaboost二分类算法流程讲解
27:17
2-Adaboost数据建模以及可视化
17:34
3-Adaboost代码构建第一课树拆分条件计算
23:43
4-Adaboost代码构建第一棵树弱学习器权重计算以及样本权重更新
11:27
5-Adaboost代码构建第二棵决策树
28:41
6-Adaboost代码构建第三棵决策树
07:06
7-Adaboost弱学习器聚合
03:53
1-Adaboost二分类概率代码演示计算
34:17
2-Adaboost提升树多分类建模预测
16:31
3-Adaboost多分类代码构建第一棵树
38:35
4-Adaboost多分类代码构建第二棵树
20:47
5-Adaboost多分类代码构建第三棵树
06:07
6-Adaboost多分类概率代码演示计算
10:44
1-Adaboost回归算法建模和算法流程
15:58
2-Adaboost回归树算法原理代码构建
21:27
3-XGBoost算法介绍
05:14
4-XGBoost树结构
11:09
5-XGBoost目标函数方程
14:20
6-XBGoost目标函数泰勒展开
09:46
7-XGBoost目标函数优化
19:41
8-XGBoost叶节点权重计算公式推导
13:37
9-XGBoost三种建模方式介绍
21:43
