名稱：B站 - 機器學習必修課：經典AI算法與編程實戰 瞿煒

描述：集齊人工智能十大經典算法、百張知識腦圖，帶你輕松上手實戰。

鏈接：https://www.alipan.com/s/QHkFSecEu13

目錄：

01-1課程內容和理念.mp4

01-2初識機器學習.mp4

01-3課程使用的技術棧.mp4

02-1本章總覽,mp4

02-2數據長什么樣:常見數據集、典型實例、如何使用.mp4

02-3研究哪些問題:分類、回歸等.mp4

02-4如何分門別類:監督、無監督、強化學習等.mp4

02-5機器學習的七大常見誤區和局限.mp4

03-10Numpy數組矩陣運算:一元運算、二元運算與矩陣運算.mp4

03-11Numpy數組統計運算:常用的都在這兒了.mp4

03-12Numpy數組arg運算和排序.mp4

03-13Numpy數組神奇索引和布爾索引.mp4

03-14Matplotlib數據可視化:基礎繪制與設置.mp4

03-1本章總覽:相互關系與學習路線.mp4

03-2Anaconda圖形化操作.mp4

03-3Anaconda命令行操作.mp4

03-4JupyterNotebook基礎使用.mp4

03-5JupyterNotebook高級使用:常用魔法命令.mp4

03-6Numpy基礎:安裝與性能對比.mp4

03-7Numpy數組創建:特定數組、等差數組、隨機數組,mp4

03-8Numpy數組基礎索引:索引和切片.mp4

03-9Numpy非常重要的數組合并與拆分操作.mp4

04-1本章總覽.mp4

04-2KNN算法核心思想和原理.mp4

04-3KNN分類任務代碼實現.mp4

04-4數據集劃分:訓練集與預測集,mp4

04-5模型評價.mp4

04-6超參數.mp4

04-7特征歸一化.mp4

04-8KNN回歸任務代碼實現.mp4

04-9KNN優缺點和適用條件.mp4

05-10復雜邏輯回歸及代碼實現.mp4

05-11線性算法優缺點和適用條件.mp4

05-1本章總覽.mp4

05-2線性回歸核心思想和原理.mp4

05-3邏輯回歸核心思想和原理.mp4

05-4線性回歸代碼實現,mp4

05-5模型評價:MSE、RMSE、MAE和R方.mp4

05-6多項式回歸代碼實現.mp4

05-7邏輯回歸算法.mp4

05-8線性邏輯回歸代碼實現.mp4

05-9多分類策略,mp4

06-10LASSO和嶺回歸代碼實現.mp4

06-11模型泛化mp4

06-12評價指標:混淆矩陣、精準率和召回率.mp4

06-13評價指標:ROC曲線.mp4

06-1本章總覽,mp4

06-2損失函數.mp4

06-3梯度下降.mp4

06-4決策邊界.mp4

06-5過擬合與欠擬合.mp4

06-6學習曲線.mp4

06-7交叉驗證.mp4

06-8模型誤差.mp4

06-9正則化mp4

07-1本章總覽.mp4

07-2決策樹核心思想和原理,mp4

07-3信息熵,mp4

07-4決策樹分類任務代碼實現mp4

07-5基尼系數.mp4

07-6決策樹剪枝.mp4

07-7決策樹回歸任務代碼實現mp4

07-8決策樹優缺點和適用條件.mp4

08-1本章總覽.mp4

08-2神經網絡核心思想和原理,mp4

08-3激活函數.mp4

08-4正向傳播與反向傳播.mp4

08-5梯度下降優化算法.mp4

08-6神經網絡簡單代碼實現mp4

08-7梯度消失和梯度爆炸.mp4

08-8模型選擇.mp4

08-9神經網絡優缺點和適用條件.mp4

09-10SVM優缺點和適用條件.mp4

09-1本章總覽.mp4

09-2SVM核心思想和原理,mp4

09-3硬間隔SVM.mp4

09-4SVM軟間隔.mp4

09-5線性SVM分類任務代碼實現,mp4

09-6非線性SVM:核技巧.mp4

09-7SVM核函數.mp4

09-8非線性SVM代碼實現mp4

09-9SVM回歸任務代碼實現,mp4

10-1本章總覽.mp4

10-2貝葉斯方法核心思想和原理,mp4

10-3樸素貝葉斯分類.mp4

10-4樸素貝葉斯的代碼實現mp4

10-5多項式樸素貝葉斯代碼實現.mp4

10-6貝葉斯方法優缺點和適用條件.mp4

11-1本章總覽.mp4

11-2集成學習核心思想和原理,mp4

11-3集成學習代碼實現mp4

11-4并行策略:Bagging、OOB等方法,mp4

11-5并行策略:隨機森林.mp4

11-6串行策略:Boosting.mp4

11-7結合策略:Stacking方法.mp4

11-8集成學習優缺點和適用條件.mp4

12-1本章總覽.mp4

12-2聚類算法核心思想和原理.mp4

12-3k-means和分層聚類.mp4

12-4聚類算法代碼實現mp4

12-5聚類評估代碼實現mp4

12-6聚類算法優缺點和適用條件.mp4

13-1本章總覽,mp4

13-2PCA核心思想和原理,mp4

13-3PCA求解算法.mp4

13-4PCA算法代碼實現,mp4

13-5降維任務代碼實現.mp4

13-6PCA在數據降噪中的應用.mp4

13-7PCA在人臉識別中的應用.mp4

13-8主成分分析優缺點和適用條件.mp4

14-1本章總覽.mp4

14-2概率圖模型核心思想和原理,mp4

14-3EM算法參數估計.mp4

14-4隱馬爾可夫模型代碼實現,mp4

14-5概率圖模型優缺點和適用條件.mp4

15-1本章總覽.mp4

15-2泰坦尼克生還預測.mp4

15-3房價預測.mp4

15-4交易反欺詐代碼實現.mp4

15-5如何深入研究機器學習.mp4