响木课堂-响木SVIP目录-【待整理】合集/知识共享整理（001-1288）/整理001-299/迪哥Ai大讲堂【Python数据分析与机器学习实战】704节_998.0

主页/【待整理】合集/知识共享整理（001-1288）/整理001-299/迪哥Ai大讲堂【Python数据分析与机器学习实战】704节_998.0/

资料【迪哥Ai大讲堂】Python数据分析与机器学习实战_迪哥推荐
01-课程介绍.mp4
02-1-回归问题概述.mp4
03-2-误差项定义.mp4
04-3-独立同分布的意义.mp4
05-4-似然函数的作用.mp4
06-5-参数求解.mp4
07-6-梯度下降通俗解释.mp4
08-7参数更新方法.mp4
09-8-优化参数设置.mp4
10-1-线性回归整体模块概述.mp4
100-1-树模型可视化展示.mp4
101-2-决策边界展示分析.mp4
102-3-树模型预剪枝参数作用.mp4
103-4-回归树模型.mp4
104-1-随机森林算法原理.mp4
105-2-随机森林优势与特征重要性指标.mp4
106-3-提升算法概述.mp4
107-4-stacking堆叠模型.mp4
108-1-构建实验数据集.mp4
109-2-硬投票与软投票效果对比.mp4
11-2-初始化步骤.mp4
110-3-Bagging策略效果.mp4
111-4-集成效果展示分析.mp4
112-5-OOB袋外数据的作用.mp4
113-6-特征重要性热度图展示.mp4
114-7-Adaboost算法概述.mp4
115-8-Adaboost决策边界效果.mp4
116-9-GBDT提升算法流程.mp4
117-10-集成参数对比分析.mp4
118-11-模型提前停止策略.mp4
119-12-停止方案实施.mp4
12-3-实现梯度下降优化模块.mp4
120-13-堆叠模型.mp4
121-1-支持向量机要解决的问题.mp4
122-2-距离与数据定义.mp4
123-3-目标函数推导.mp4
124-4-拉格朗日乘子法求解.mp4
125-5-化简最终目标函数.mp4
126-6-求解决策方程.mp4
127-7-软间隔优化.mp4
128-8-核函数的作用.mp4
129-9-知识点总结.mp4
13-4-损失与预测模块.mp4
130-1-支持向量机所能带来的效果.mp4
131-2-决策边界可视化展示.mp4
132-3-软间隔的作用.mp4
133-4-非线性SVM.mp4
134-5-核函数的作用与效果.mp4
135-1-深度学习要解决的问题.mp4
136-2-深度学习应用领域.mp4
137-3-计算机视觉任务.mp4
138-4-视觉任务中遇到的问题.mp4
139-5-得分函数.mp4
14-5-数据与标签定义.mp4
140-6-损失函数的作用.mp4
141-7-前向传播整体流程.mp4
142-8-返向传播计算方法.mp4
143-9-神经网络整体架构.mp4
144-10-神经网络架构细节.mp4
145-11-神经元个数对结果的影响.mp4
146-12-正则化与激活函数.mp4
147-13-神经网络过拟合解决方法.mp4
148-1-神经网络整体框架概述.mp4
149-2-参数初始化操作.mp4
15-6-训练线性回归模型.mp4
150-3-矩阵向量转换.mp4
151-4-向量反变换.mp4
152-5-完成前向传播模块.mp4
153-6-损失函数定义.mp4
154-7-准备反向传播迭代.mp4
155-8-差异项计算.mp4
156-9-逐层计算.mp4
157-10-完成全部迭代更新模块.mp4
158-11-手写字体识别数据集.mp4
159-12-算法代码错误修正.mp4
16-7-得到线性回归方程.mp4
160-13-模型优化结果展示.mp4
161-13-测试效果可视化展示.mp4
162-1-贝叶斯要解决的问题.mp4
163-2-贝叶斯公式推导.mp4
164-3-拼写纠错实例.mp4
165-4-垃圾邮件过滤实例.mp4
166-1-朴素贝叶斯算法整体框架.mp4
167-2-邮件数据读取.mp4
168-3-预料表与特征向量构建.mp4
169-4-分类别统计词频.mp4
17-8-整体流程debug解读.mp4
170-5-贝叶斯公式对数变换.mp4
171-6-完成预测模块.mp4
172-1-关联规则概述.mp4
173-2-支持度与置信度.mp4
174-3-提升度的作用.mp4
175-4-Python实战关联规则.mp4
176-5-数据集制作.mp4
177-6-电影数据集题材关联分析.mp4
178-1-Apripri算法整体流程.mp4
179-2-数据集demo.mp4
18-9-多特征回归模型.mp4
180-3-扫描模块.mp4
181-4-拼接模块.mp4
182-5-挖掘频繁项集.mp4
183-6-规则生成模块.mp4
184-7-完成全部算法流程.mp4
185-8-规则结果展示.mp4
186-1-词向量模型通俗解释.mp4
187-2-模型整体框架.mp4
188-3-训练数据构建.mp4
189-4-CBOW与Skip-gram模型.mp4
19-10-非线性回归.mp4
190-5-负采样方案.mp4
191-1-数据与任务流程.mp4
192-2-数据清洗.mp4
193-3-batch数据制作.mp4
194-4-网络训练.mp4
195-5-可视化展示.mp4
196-1-推荐系统应用.mp4
197-2-推荐系统要完成的任务.mp4
198-3-相似度计算.mp4
199-4-基于用户的协同过滤.mp4
20-1-Sklearn工具包简介.mp4
200-5-基于物品的协同过滤.mp4
201-6-隐语义模型.mp4
202-7-隐语义模型求解.mp4
203-8-模型评估标准.mp4
204-1-音乐推荐任务概述.mp4
205-2-数据集整合.mp4
206-3-基于物品的协同过滤.mp4
207-4-物品相似度计算与推荐.mp4
208-5-SVD矩阵分解.mp4
209-6-基于矩阵分解的音乐推荐.mp4
21-2-数据集切分.mp4
210-1-线性判别分析要解决的问题.mp4
211-2-线性判别分析要优化的目标.mp4
212-3-线性判别分析求解.mp4
213-4-实现线性判别分析进行降维任务.mp4
214-5-求解得出降维结果.mp4
215-1-PCA基本概念.mp4
216-2-方差与协方差.mp4
217-3-PCA结果推导.mp4
218-4-PCA降维实例.mp4
219-1-马尔科夫模型.mp4
22-3-交叉验证的作用.mp4
220-2-隐马尔科夫模型基本出发点.mp4
221-3-组成与要解决的问题.mp4
222-4-暴力求解方法.mp4
223-5-复杂度计算.mp4
224-6-前向算法.mp4
225-7-前向算法求解实例.mp4
226-8-Baum-Welch算法.mp4
227-9-参数求解.mp4
228-10-维特比算法.mp4
229-1-hmmlearn工具包.mp4
23-4-交叉验证实验分析.mp4
230-2-工具包使用方法.mp4
231-3-中文分词任务.mp4
232-4-实现中文分词.mp4
233-1-PCA降维流程.mp4
234-2-特征向量的重要程度.mp4
235-3-降维结果可视化展示.mp4
236-4-LDA降维效果.mp4
237-5-T-SNE降维效果.mp4
238-kiva贷款数据集介绍.mp4
239-2-各个国家贷款需求.mp4
24-5-混淆矩阵.mp4
240-3-贷款金额与还款间隔.mp4
241-6-时间序列分析.mp4
242-1-任务与数据概述.mp4
243-2-双变量热度图绘制方法.mp4
244-3-复购情况.mp4
245-4-购物车情况与复购.mp4
246-5-聚类划分.mp4
247-1-纽约出租车运行情况数据概述.mp4
248-2-聚类区域划分.mp4
249-3-客流趋势动态展示.mp4
25-6-评估指标对比分析.mp4
250-4-邻居情况分析.mp4
251-5-数据特征.mp4
252-6-不同类别的出租车情况.mp4
253-7-特征可视化分析.mp4
254-8-聚类特征.mp4
255-9-xgboost模型.mp4
256-10-加入天气特征.mp4
257-1-多变量分析概述.mp4
258-2-深入散点图.mp4
259-3-善用apply函数.mp4
26-7-阈值对结果的影响.mp4
260-4-方差与协方差.mp4
261-5-相关系数展示.mp4
262-6-标准化的作用.mp4
263-7-主成分分析.mp4
264-1-数据与环境配置.mp4
265-2-数据与关键词信息.mp4
266-3-关键词云与直方图展示.mp4
267-4-特征可视化.mp4
268-5-数据清洗概述.mp4
269-6-缺失值填充方法.mp4
27-8-ROC曲线.mp4
270-7-推荐引擎构造.mp4
271-8-数据特征构造.mp4
272-9-得出推荐结果.mp4
273-1-任务概述.mp4
274-2-商品类别划分.mp4
275-3-商品类别可视化展示.mp4
276-4-描述长度对价格的影响.mp4
277-5-词云展示.mp4
278-6-tf-idf结果.mp4
279-7-降维可视化展示.mp4
28-1-实验目标分析.mp4
280-8-聚类与主题模型.mp4
281-1-人口普查预测任务概述.mp4
282-2-单特征与缺失值展示.mp4
283-3-第一步：数据清洗.mp4
284-4-特征工程.mp4
285-5-单变量展示.mp4
286-6-双变量分析.mp4
287-7-开发新变量.mp4
288-8-ROC与AUC.mp4
289-9-机器学习模型.mp4
29-2-参数直接求解方法.mp4
290-1-数据与任务分析.mp4
291-2-提取月份信息进行统计分析.mp4
292-3-房价随星期变化的可视化展示.mp4
293-4-房屋信息指标分析.mp4
294-5-提取房屋常见设施.mp4
295-6-房屋规格热度图分析.mp4
296-7-预处理与建模准备.mp4
297-8-随机森林与LightGBM.mp4
298-9-训练与评估.mp4
299-1-数据与任务介绍.mp4
30-3-预处理对结果的影响.mp4
300-2-文本词频统计.mp4
301-3-ngram结果可视化展示.mp4
302-4-文本清洗.mp4
303-5-相似度计算.mp4
304-6-得出推荐结果.mp4
305-1-数据任务分析.mp4
306-2-特征工程制作.mp4
307-3-统计指标生成.mp4
308-4-特征信息提取.mp4
309-5-标签变换.mp4
31-4-梯度下降模块.mp4
310-6-输入数据制作.mp4
311-7-Xgboost训练模型.mp4
312-8-生成输出结果.mp4
313-1-数据与任务简介.mp4
314-2-数据问题探索与解决方案.mp4
315-3-剔除开挂数据.mp4
316-4-类别变量处理.mp4
317-5-绘图统计分析.mp4
318-6-热度图展示.mp4
319-7-随机森林建模.mp4
32-5-学习率对结果的影响.mp4
320-8-特征重要性.mp4
321-1-模型解释方法与实践.mp4
322-2-部分依赖图解释.mp4
323-3-双变量分析.mp4
324-4-ShapValues指标分析.mp4
325-5-疾病引起原因分析实战.mp4
326-1-Python字符串处理.mp4
327-2-正则表达式基本语法.mp4
328-2-正则常用符号.mp4
329-4-常用函数介绍.mp4
33-6-随机梯度下降得到的效果.mp4
330-5-NLTK工具包简介.mp4
331-6-停用词过滤.mp4
332-7-词性标注.mp4
333-8-数据清洗实例.mp4
334-9-Spacy工具包.mp4
335-10-名字实体匹配.mp4
336-11-恐怖袭击分析.mp4
337-12-统计分析结果.mp4
338-13-结巴分词器.mp4
339-1-任务概述.mp4
34-7-MiniBatch方法.mp4
340-2-词袋模型.mp4
341-3-词袋模型分析.mp4
342-4-TFIDF模型.mp4
343-5-word2vec词向量模型.mp4
344-6-深度学习模型.mp4
345-1-数据与任务介绍.mp4
346-2-数据分析与可视化展示.mp4
347-3-连续值离散化与可视化细节.mp4
348-4-加载数据坐标到实际地图中进行分析.mp4
349-5-特征相关性分析.mp4
35-8-不同策略效果对比.mp4
350-6-缺失值填充.mp4
351-7-sklearn工具包预处理模块.mp4
352-8-离散属性特征处理.mp4
353-9-构建合适的特征.mp4
354-10-序列化执行预处理操作.mp4
355-11-完成所有预处理操作.mp4
356-12-构建回归模型.mp4
357-1-数据任务介绍及缺失值处理.mp4
358-2-EDA数据探索分析.mp4
359-3-特征展示分析.mp4
36-9-多项式回归.mp4
360-4-KDEPLOT展示.mp4
361-5-部分特征分析与可视化.mp4
362-6-数据检查与特征工程.mp4
363-7-多项式特征.mp4
364-8-自定义特征.mp4
365-9-逻辑回归模型.mp4
366-10-结果评估.mp4
367-12-必杀神奇：lightgbm.mp4
368-1-数据与任务流程分析.mp4
369-2-图片数据导入.mp4
37-10-模型复杂度.mp4
370-3-图像特征编码.mp4
371-4-数组保存与读取.mp4
372-5-得出聚类结果.mp4
373-6-聚类效果可视化展示.mp4
374-1-任务目标与数据分析_.mp4
375-2-整体模型架构.mp4
376-3-构建用户特征序列.mp4
377-4-序列特征提取方法.mp4
378-5-生成特征汇总表.mp4
379-6-标签制作.mp4
38-11-样本数量对结果的影响.mp4
380-7-网络训练模块.mp4
381-8-得出最终模型结果.mp4
382-1-数据任务概述.mp4
383-2-数据异常检查.mp4
384-3-时间特征提取.mp4
385-4-各道工序特征构建.mp4
386-5-准备训练数据.mp4
387-6-训练xgboost模型.mp4
388-1-数据与任务目标分析.mp4
389-2-数据清洗与标签转换.mp4
39-12-正则化的作用.mp4
390-3-道路通行时间序列数据生成.mp4
391-4-序列缺失补全方法.mp4
392-5-基于回归与插值完成序列特征.mp4
393-6-基于回归与插值进行序列补全.mp4
394-7-特征汇总.mp4
395-8-建立回归模型进行预测.mp4
396-1-竞赛与目标分析.mp4
397-2-特征对比分析方法.mp4
398-3-结果对比分析.mp4
399-1-数据与任务介绍.mp4
40-13-岭回归与lasso.mp4
400-2-整体模型架构.mp4
401-3-数据-标签-语料库处理.mp4
402-4-输入样本填充补齐.mp4
403-5-训练网络模型.mp4
404-6-医疗数据集（糖尿病）实体识别.mp4
405-1-竞赛任务目标.mp4
406-2-图模型信息提取.mp4
407-3-节点权重特征提取(PageRank).mp4
408-4-deepwalk构建图顶点特征.mp4
409-5-各项统计特征.mp4
41-14-实验总结.mp4
410-6-app安装特征.mp4
411-7-图中联系人特征.mp4
412-1-任务目标与数据集介绍.mp4
413-2-数据清洗与预处理.mp4
414-3-基本特征抽取.mp4
415-4-文章与词向量分析.mp4
416-5-权重划分.mp4
417-6-候选词统计特征.mp4
418-7-textrank特征提取.mp4
419-8-候选词相似度特征.mp4
42-1-逻辑回归算法原理.mp4
420-8-特征工程汇总.mp4
421-1-基本数值特征.mp4
422-2-常用特征构造手段.mp4
423-3-时间特征处理.mp4
424-4-文本特征处理.mp4
425-5-构造文本向量.mp4
426-6-词向量特征.mp4
427-7-计算机眼中的图像.mp4
428-1-任务与解决框架概述.mp4
429-2-特征工程分析与特征提取.mp4
43-2-化简与求解.mp4
430-3-离散数据处理.mp4
431-4-统计与文本特征.mp4
432-5-文本特征构建.mp4
433-6-构建低敏用户模型.mp4
434-7-高敏模型概述.mp4
435-1-Python环境配置.mp4
436-2-Python库安装工具.mp4
437-3-Notebook工具使用.mp4
438-4-Python简介.mp4
439-5-Python数值运算.mp4
44-1-多分类逻辑回归整体思路.mp4
440-6-Python字符串操作.mp4
441-7-索引结构.mp4
442-7-2-List基础结构.mp4
443-8-List核心操作.mp4
444-9-字典基础定义.mp4
445-10-字典的核心操作.mp4
446-11-Set结构.mp4
447-11-赋值机制.mp4
448-13-判断结构.mp4
449-14-循环结构.mp4
45-2-训练模块功能.mp4
450-15-函数定义.mp4
451-16-模块与包.mp4
452-17-异常处理模块.mp4
453-18-文件操作.mp4
454-19-类的基本定义.mp4
455-20-类的属性操作.mp4
456-21-时间操作.mp4
457-22-Python练习题-1.mp4
458-23-Python练习题-2.mp4
459-25-Python练习题-5.mp4
46-3-完成预测模块.mp4
460-1-Numpy概述.mp4
461-2-Array数组.mp4
462-3-数组结构.mp4
463-4-数组类型.mp4
464-5-数值运算.mp4
465-6-排序操作.mp4
466-7-数组形状操作.mp4
467-8-数组生成函数.mp4
468-9-常用生成函数.mp4
469-10-四则运算.mp4
47-4-优化目标定义.mp4
470-11-随机模块.mp4
471-12-文件读写.mp4
472-13-数组保存.mp4
473-14-练习题-1.mp4
474-15-练习题-2.mp4
475-16-练习题-3.mp4
476-1-Pandas概述.mp4
477-2-Pandas基本操作.mp4
478-3-Pandas索引.mp4
479-4-groupby操作.mp4
48-5-迭代优化参数.mp4
480-5-数值运算.mp4
481-6-对象操作.mp4
482-7-对象操作2.mp4
483-8-merge操作.mp4
484-9-显示设置.mp4
485-10-数据透视表.mp4
486-11-时间操作.mp4
487-12-时间序列操作.mp4
488-13-Pandas常用操作.mp4
489-14-Pandas常用操作2.mp4
49-6-梯度计算.mp4
490-15-Groupby操作延伸.mp4
491-16-字符串操作.mp4
492-17-索引进阶.mp4
493-18-Pandas绘图操作.mp4
494-19-大数据处理技巧.mp4
495-1-Matplotlib概述.mp4
496-2-子图与标注.mp4
497-3-风格设置.mp4
498-4-条形图.mp4
499-5-条形图细节.mp4
50-7-得出最终结果.mp4
500-6-条形图外观.mp4
501-7-盒图绘制.mp4
502-8-盒图细节.mp4
503-9-绘图细节设置.mp4
504-10-绘图细节设置2.mp4
505-11-直方图与散点图.mp4
506-12-3D图绘制.mp4
507-13-pie图.mp4
508-14-子图布局.mp4
509-15-结合pandas与sklearn.mp4
51-8-鸢尾花数据集多分类任务.mp4
510-0-课程简介.mp4
511-1整体布局风格设置.mp4
512-2风格细节设置.mp4
513-3调色板.mp4
514-4调色板颜色设置.mp4
515-5单变量分析绘图.mp4
516-6回归分析绘图.mp4
517-7多变量分析绘图.mp4
518-8分类属性绘图.mp4
519-9Facetgrid使用方法.mp4
52-9-训练多分类模型.mp4
520-10Facetgrid绘制多变量.mp4
521-11热度图绘制.mp4
522-1-函数.mp4
523-2-极限.mp4
524-3-无穷小与无穷大.mp4
525-4-连续性与导数.mp4
526-1-偏导数.mp4
527-2-方向导数.mp4
528-3-梯度.mp4
529-1-微积分基本想法.mp4
53-10-准备测试数据.mp4
530-2-微积分的解释.mp4
531-3-定积分.mp4
532-4-定积分性质.mp4
533-5-牛顿-莱布尼茨公式.mp4
534-1-泰勒公式出发点.mp4
535-2-一点一世界.mp4
536-3-阶数的作用.mp4
537-4-阶乘的作用.mp4
538-1-拉格朗日乘子法.mp4
539-2-求解拉格朗日乘子法.mp4
54-11-决策边界绘制.mp4
540-1-行列式概述.mp4
541-2-矩阵与数据的关系.mp4
542-3-矩阵基本操作.mp4
543-4-矩阵的几种变换.mp4
544-5-矩阵的秩.mp4
545-6-内积与正交.mp4
546-1-特征值与特征向量.mp4
547-2-特征空间与应用.mp4
548-1-SVD要解决的问题.mp4
549-2-特征值分解.mp4
55-12-非线性决策边界.mp4
550-3-SVD矩阵分解.mp4
551-1-离散型随机变量.mp4
552-2-连续型随机变量.mp4
553-3-简单随机抽样.mp4
554-1-似然函数.mp4
555-2-极大似然估计.mp4
556-1-概率与频率.mp4
557-2-古典概型.mp4
558-3-条件概率.mp4
559-4-条件概率小例子.mp4
56-1-逻辑回归实验概述.mp4
560-5-独立性.mp4
561-6-二维离散型随机变量.mp4
562-7-二维连续型随机变量.mp4
563-8-边缘分布.mp4
564-9-期望.mp4
565-10-期望求解.mp4
566-11-马尔科夫不等式.mp4
567-12-切比雪夫不等式.mp4
568-1-后验概率估计.mp4
569-14-贝叶斯拼写纠错实例.mp4
57-2-概率结果随特征数值的变化.mp4
570-15-垃圾邮件过滤实例.mp4
571-1-正太分布.mp4
572-2-二项式分布.mp4
573-3-泊松分布.mp4
574-4-均匀分布.mp4
575-5-卡方分布.mp4
576-6-beta分布.mp4
577-1-核函数的目的.mp4
578-2-线性核函数.mp4
579-3-多项式核函数.mp4
58-3-可视化展示.mp4
580-4-核函数实例.mp4
581-5-高斯核函数.mp4
582-6-参数的影响.mp4
583-1-熵的概念.mp4
584-2-熵的大小意味着什么.mp4
585-1-激活函数.mp4
586-2-激活函数的问题.mp4
587-1-回归分析概述.mp4
588-2-回归方程定义.mp4
589-3-误差项的定义.mp4
59-4-坐标棋盘制作.mp4
590-4-最小二乘法推导与求解.mp4
591-5-回归方程求解小例子.mp4
592-6-回归直线拟合优度.mp4
593-7-多元与曲线回归问题.mp4
594-8-Python工具包介绍.mp4
595-9-statsmodels回归分析.mp4
596-10-高阶与分类变量实例.mp4
597-11-案例：汽车价格预测任务概述.mp4
598-12-案例：缺失值填充.mp4
599-13-案例：特征相关性.mp4
60-5-分类决策边界展示分析.mp4
600-14-案例：预处理问题.mp4
601-15-案例：回归求解.mp4
602-1-假设检验基本思想.mp4
603-2-左右侧检验与双侧检验.mp4
604-3-Z检验基本原理.mp4
605-4-Z检验实例.mp4
606-5-T检验基本原理.mp4
607-6-T检验实例.mp4
608-7-T检验应用条件.mp4
609-8-卡方检验.mp4
61-6-多分类-softmax.mp4
610-9-假设检验中的两类错误.mp4
611-10-Python假设检验实例.mp4
612-11-Python卡方检验实例.mp4
613-1-相关分析概述.mp4
614-2-皮尔森相关系数.mp4
615-3-计算与检验.mp4
616-4-斯皮尔曼等级相关.mp4
617-5-肯德尔系数.mp4
618-6-质量相关分析.mp4
619-7-偏相关与复相关.mp4
62-1-KMEANS算法概述.mp4
620-1-方差分析概述.mp4
621-2-方差的比较.mp4
622-3-方差分析计算方法.mp4
623-4-方差分析中的多重比较.mp4
624-5-多因素方差分析.mp4
625-6-Python方差分析实例.mp4
626-1-层次聚类概述.mp4
627-2-层次聚类流程.mp4
628-3-层次聚类实例.mp4
629-1-贝叶斯分析概述.mp4
63-2-KMEANS工作流程.mp4
630-2-概率的解释.mp4
631-3-贝叶斯学派与经典统计学派的争论.mp4
632-4-贝叶斯算法概述.mp4
633-5-贝叶斯推导实例.mp4
634-7-贝叶斯解释.mp4
635-8-经典求解思路.mp4
636-9-MCMC概述.mp4
637-10-PYMC3概述.mp4
638-11-模型诊断.mp4
639-12-模型决策.mp4
64-3-KMEANS迭代可视化展示.mp4
640-1-RNN网络结构原理与问题.mp4
641-2-注意力结构历史故事介绍.mp4
642-3-self-attention要解决的问题.mp4
643-4-QKV的来源与作用.mp4
644-5-多头注意力机制的效果.mp4
645-6-位置编码与解码器.mp4
646-7-整体架构总结.mp4
647-8-BERT训练方式分析.mp4
648-1-时间序列预测要完成的任务.mp4
649-2-常用模块分析.mp4
65-4-DBSCAN聚类算法.mp4
650-3-论文要解决的问题分析.mp4
651-4-Query采样方法解读.mp4
652-5-probAttention计算流程.mp4
653-6-编码器全部计算流程.mp4
654-7-解码器流程分析.mp4
655-8-各种编码信息.mp4
656-1-项目使用说明.mp4
657-2-数据集解读.mp4
658-3-模型训练所需参数解读.mp4
659-4-数据集构建与读取方式.mp4
66-5-DBSCAN工作流程.mp4
660-5-数据处理相关模块.mp4
661-6-时间相关特征提取方法.mp4
662-7-dataloader构建实例.mp4
663-8-整体架构分析.mp4
664-9-编码器模块实现.mp4
665-10-核心采样计算方法.mp4
666-11-完成注意力机制计算模块.mp4
667-12-平均向量的作用.mp4
668-13-解码器预测输出.mp4
669-1-时序预测故事背景.mp4
67-6-DBSCAN可视化展示.mp4
670-2-论文核心思想解读.mp4
671-3-时序特征周期拆解.mp4
672-4-计算公式流程拆解.mp4
673-5-全部计算流程解读.mp4
674-6-周期间特征分析.mp4
675-7-源码流程解读.mp4
676-8-傅里叶变换流程.mp4
677-9-整体计算流程.mp4
678-1-业务应用场景介绍与分析.mp4
679-2-图神经网络建模解决思路与方法.mp4
68-Kmeans算法模块概述.mp4
680-3-传感器节点特征提取方法.mp4
681-4-图模型结合时间序列.mp4
682-5-ICU传感器数据集介绍.mp4
683-1-医疗数据处理与特征提取.mp4
684-2-时序特征与静态特征处理.mp4
685-3-序列长度处理与统一.mp4
686-4-数据预处理与输入特征构建.mp4
687-5-图结构样本构建.mp4
688-6-图注意力机制模块设计与实现.mp4
689-7-时序特征构建与总结.mp4
69-2-计算得到簇中心点.mp4
690-1-图注意力模块回顾.mp4
691-2-异构图基本结构通俗解读.mp4
692-3-MetaPath与基本计算流程分析.mp4
693-4-路径加权聚合得到节点特征.mp4
694-5-淘宝异构图分析.mp4
695-6-Link边预测方法解读.mp4
696-1-影评数据集读取与处理.mp4
697-2-点和边特征定义.mp4
698-3-边的切分与采样方式.mp4
699-4-异构图模型定义方法.mp4
70-3-样本点归属划分.mp4
700-1-KIE要完成的任务分析.mp4
701-2-任务流程分析概述.mp4
702-3-特征拼接与聚合.mp4
703-4-图结构中节点特征计算方法.mp4
704-5-消息传递计算方法.mp4
71-4-算法迭代更新.mp4
72-5-鸢尾花数据集聚类任务.mp4
73-6-聚类效果展示.mp4
74-1-Kmenas算法常用操作_20190805_232034.mp4
75-2-聚类结果展示_20190805_232030.mp4
76-3-建模流程解读_20190805_232032.mp4
77-4-不稳定结果_20190805_232028.mp4
78-5-评估指标-Inertia_20190805_232027.mp4
79-6-如何找到合适的K值_20190805_232026.mp4
80-7-轮廓系数的作用_20190805_232028.mp4
81-8-Kmenas算法存在的问题_20190805_23202.mp4
82-9-应用实例-图像分割_20190805_232021.mp4
83-10-半监督学习_20190805_232033.mp4
84-11-DBSCAN算法_20190805_232033.mp4
85-1-决策树算法概述.mp4
86-2-熵的作用.mp4
87-3-信息增益原理.mp4
88-4-决策树构造实例.mp4
89-5-信息增益率与gini系数.mp4
90-6-预剪枝方法.mp4
91-7-后剪枝方法.mp4
92-8-回归问题解决.mp4
93-1-整体模块概述.mp4
94-2-递归生成树节点.mp4
95-3-整体框架逻辑.mp4
96-4-熵值计算.mp4
97-5-数据集切分.mp4
98-6-完成树模型构建.mp4
99-7-测试算法效果.mp4

Copyright © All rights reserved.

信息加载中,请等待...