响木SVIP目录
响木最新
响木众筹
响木众筹
当前目录
全盘
查全部
文件夹
文件
主页
/
【待整理】合集
/
待整理0
/
1117---【夏季班】机器学习实战
/
001.【金融案例】01 认识捷信金融还款风险预测.mp4
002.【金融案例】19 逆向工程与无限融合.mp4
003.【金融案例】18 optuna实现贝叶斯优化.mp4
004.【金融案例】17 Leaking Usage:重复申请人漏洞.mp4
005.【金融案例】 16 focal loss在多分类上的实现.mp4
006.【金融案例】 15 focal loss 在二分类上的实现.mp4
007.【金融案例】 14 特征工程成果与focal loss原理精讲.mp4
008.【金融案例】13 featuretools在HomeCredit数据集的进阶应用.mp4
009.【金融项目】捷信金融还款预测金牌方案分享 Live5.mp4
010.【金融案例】12 自动化衍生技巧以及featuretools库的基本流程.mp4
011.【金融案例】11 GAME策略在附表中的综合应用.mp4
012.【金融案例】10 GAME策略的进阶应用:相对性行为分析和分层聚合分析.mp4
013.【金融案例】09 GAME策略和bureau表单的业务特征衍生.mp4
014.【金融案例】08 Leaking-proof式目标编码.mp4
015.【金融案例】07 还款业务指标与业务特征衍生.mp4
016.【金融案例】06 三剑客建立baseline.mp4
017.【金融案例】05 海量数据处理入门.mp4
018.【金融案例】04 数据探索:主表的异常值处理以及相关性分析.mp4
019.【金融案例】03 数据探索:主表的特征字段讲解以及缺失值的处理.mp4
020.【金融案例】02 比赛背景与目标.mp4
021.【金融案例】01 认识捷信金融还款风险预测.mp4
022.Lesson 0.1 前言与导学(上).mp4
023.Lesson 0.2 前言与导学(下).mp4
024.Lesson 1.1 机器学习基本概念与建模流程(上).mp4
025.Lesson 1.2 机器学习基本概念与建模流程(下).mp4
026.Lesson 2.1 矩阵运算基础、矩阵求导与最小二乘法(一).mp4
027.Lesson 2.2 矩阵运算基础、矩阵求导与最小二乘法(二).mp4
028.Lesson 2.3 矩阵运算基础、矩阵求导与最小二乘法(三).mp4
029.Lesson 3.0 线性回归的手动实现.mp4
030.Lesson 3.1 变量相关性基础理论.mp4
031.Lesson 3.2 数据生成器与Python模块编写.mp4
032.Lesson 3.3 线性回归手动实现与模型局限.mp4
033.Lesson 3.4 机器学习模型可信度理论与交叉验证基础.mp4
034.Lesson 4.1.1 逻辑回归模型构建与多分类学习方法(上).mp4
035.Lesson 4.1.2 逻辑回归模型构建与多分类学习方法(下).mp4
036.Lesson 4.2 逻辑回归参数估计.mp4
037.Lesson 4.3.1 梯度下降基本原理与手动实现(上).mp4
038.Lesson 4.3.2 梯度下降基本原理与手动实现(下).mp4
039.Lesson 4.4.1 随机梯度下降与小批量梯度下降(上).mp4
040.Lesson 4.4.2 随机梯度下降与小批量梯度下降(下).mp4
041.Lesson 4.5.1 梯度下降优化基础:数据归一化与学习率调度(上).mp4
042.Lesson 4.5.2 梯度下降优化基础:数据归一化与学习率调度(下).mp4
043.Lesson 4.6.1 逻辑回归的手动实现方法(上).mp4
044.Lesson 4.6.2 逻辑回归的手动实现方法(下).mp4
045.Lesson 5.1 分类模型决策边界.mp4
046.Lesson 5.2 混淆矩阵与F1-Score.mp4
047.Lesson 5.3 ROC-AUC的计算方法、基本原理与核心特性.mp4
048.Lesson 6.1 Scikit-Learn快速入门.mp4
049.Lesson 6.2 Scikit-Learn常用方法速通.mp4
050.Lesson 6.3.1 正则化、过拟合抑制与特征筛选.mp4
051.Lesson 6.3.2 Scikit-Learn逻辑回归参数详解.mp4
052.Lesson 6.4 机器学习调参入门.mp4
053.Lesson 6.5.1 机器学习调参基础理论.mp4
054.Lesson 6.5.2 Scikit-Learn中网格搜索参数详解.mp4
055.Lesson 6.6.1 多分类评估指标函数的使用方法.mp4
056.Lesson 6.6.2 GridSearchCV的进阶使用方法.mp4
057.Lesson 7.1.1 无监督学习与K-Means基本原理.mp4
058.Lesson 7.1.2 K-Means聚类的Scikit-Learn实现.mp4
059.Lesson 7.2 Mini Batch K-Means与DBSCAN聚类.mp4
060.Lesson 8.1 决策树模型的核心思想与建模流程.mp4
061.Lesson 8.2.1 CART分类树的建模流程.mp4
062.Lesson 8.2.2 sklearn中CART分类树的参数详解.mp4
063.Lesson 8.3【加餐】ID3和C4.5的基本原理介绍.mp4
064.Lesson 8.4 CART回归树的建模流程与sklearn中评估器参数解释.mp4
065.Lesson 9.1 集成算法开篇:Bagging方法的基本思想.mp4
066.Lesson 9.2 随机森林回归器的实现.mp4
067.Lesson 9.3 随机森林回归器的参数.mp4
068.Lesson 9.4 集成算法的参数空间与网格优化.mp4
069.Lesson 9.5 随机森林在巨量数据上的增量学习.mp4
070.Lesson 9.6 Bagging及随机森林6大面试热点问题.mp4
071.Lesson 10.1 开篇:超参数优化与枚举网格搜索的理论极限.mp4
072.Lesson 10.2.1 随机网格搜索(上).mp4
073.Lesson 10.2.2 随机网格搜索(下).mp4
074.Lesson 10.3.1 Halving网格搜索(上).mp4
075.Lesson 10.3.2 Halving网格搜索(下).mp4
076.Lesson 10.4 贝叶斯优化的基本流程.mp4
077.Lesson 10.5 BayesOpt vs HyperOpt vs Optuna.mp4
078.Lesson 10.6 基于BayesOpt实现高斯过程gp优化.mp4
079.Lesson 10.7 基于HyperOpt实现TPE优化.mp4
080.Lesson 10.8 基于Optuna实现多种优化.mp4
081.Lesson 11.1 Boosting的基本思想与基本元素.mp4
082.Lesson 11.2 AdaBoost的参数(上):弱评估器与学习率.mp4
083.Lesson 11.3 AdaBoost的参数(下):实践算法与损失函数.mp4
084.Lesson 11.4 原理进阶:AdaBoost算法流程详解.mp4
085.Lesson 12.1 梯度提升树的基本思想与实现.mp4
086.Lesson 12.2 迭代过程中的参数(1):GBDT的初始化与多分类.mp4
087.Lesson 12.3 迭代过程中的参数(2):GBDT的8种损失函数.mp4
088.Lesson 12.4 弱评估器结构参数:弗里德曼均方误差.mp4
089.Lesson 12.5 梯度提升树的提前停止.mp4
090.Lesson 12.6 袋外数据与其他参数.mp4
091.Lesson 12.7 梯度提升树的参数空间与TPE优化.mp4
092.Lesson 12.8 原理进阶 (1):GBDT数学流程与残差概念辨析.mp4
093.Lesson 12.9 原理进阶 (2):拟合伪残差的数学意义与数学证明.mp4
094.Lesson 13.1.1 XGBoost的基本思想.mp4
095.Lesson 13.1.2 实现XGBoost回归:sklearnAPI详解.mp4
096.Lesson 13.1.3 实现XGBoost回归:xgb原生代码详解.mp4
097.Lesson 13.1.4 实现XGBoost分类:目标函数与评估指标详解.mp4
098.Lesson 13.2.1 基本迭代过程中的参数群.mp4
099.Lesson 13.2.2 目标函数及其相关参数.mp4
100.Lesson 13.2.3 三种弱评估器与DART树详解.mp4
第一页
下一页
© 2026
⚠
信息加载中,请等待...