响木课堂-响木SVIP目录-我的资源/01 响木最新众筹课/001-999/100-199/164.【训练营5期】机器学习实战

主页/我的资源/01 响木最新众筹课/001-999/100-199/164.【训练营5期】机器学习实战/

1.LESSON 0 前言与导学（上）.mp4
10.LESSON 3.2 数据生成器与Python模块编写.mp4
11.LESSON 3.3 线性回归手动实现与模型局限.mp4
12.LESSON 3.4 机器学习模型可信度理论与交叉验证基础.mp4
13.LESSON 4.1 逻辑回归模型构建与多分类学习方法（上）.mp4
14.LESSON 4.1 逻辑回归模型构建与多分类学习方法（下）.mp4
15.LESSON 4.2 逻辑回归参数估计.mp4
16.LESSON 4.3 梯度下降基本原理与手动实现（上）.mp4
17.LESSON 4.3 梯度下降基本原理与手动实现（下）.mp4
18.LESSON 4.4 随机梯度下降与小批量梯度下降（上）.mp4
19.LESSON 4.4 随机梯度下降与小批量梯度下降（下）.mp4
2.LESSON 0 前言与导学（下）.mp4
20.LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（上）.mp4
21.LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（下）.mp4
22.LESSON 4.6 逻辑回归的手动实现方法（上）.mp4
23.LESSON 4.6 逻辑回归的手动实现方法（下）.mp4
24.LESSON 5.1 分类模型决策边界.mp4
25.LESSON 5.2 混淆矩阵与F1-Score.mp4
26.LESSON 5.3 ROC-AUC的计算方法、基本原理与核心特性.mp4
27.LESSON 6.1 Scikit-Learn快速入门.mp4
28.LESSON 6.2 Scikit-Learn常用方法速通.mp4
29.LESSON 6.3 （上）正则化、过拟合抑制与特征筛选.mp4
3.LESSON 1 机器学习基本概念与建模流程（上）.mp4
30.LESSON 6.3（下） Scikit-Learn逻辑回归参数详解.mp4
31.LESSON 6.4 机器学习调参入门.mp4
32.LESSON 6.5（上）机器学习调参基础理论.mp4
33.LESSON 6.5（下）Scikit-Learn中网格搜索参数详解.mp4
34.LESSON 6.6.1 多分类评估指标的macro与weighted过程.mp4
35.LESSON 6.6.2 GridSearPartCV的进阶使用方法.mp4
36.LESSON 7.1（上）无监督学习与K-Means基本原理.mp4
37.LESSON 7.1（下）K-Means聚类的Scikit-Learn实现.mp4
38.LESSON 7.2 Mini BatPart K-Means与DBSCAN聚类.mp4
39.LESSON 8.1 决策树模型的核心思想与建模流程.mp4
4.LESSON 1 机器学习基本概念与建模流程（下）.mp4
40.LESSON 8.2（上）CART分类树的建模流程.mp4
41.LESSON 8.2（下）sklearn中CART分类树的参数详解.mp4
42.LESSON 8.3【加餐】ID3和C4.5的基本原理介绍.mp4
43.LESSON 8.4 CART回归树的建模流程与sklearn中评估器参数解释.mp4
44.LESSON 9.1 集成算法开篇：Bagging方法的基本思想.mp4
45.LESSON 9.2 随机森林回归器的实现.mp4
46.LESSON 9.3 随机森林回归器的参数.mp4
47.LESSON 9.4 集成算法的参数空间与网格优化.mp4
48.LESSON 9.5 随机森林在巨量数据上的增量学习.mp4
49.LESSON 9.6 Bagging及随机森林6大面试热点问题.mp4
5.LESSON 2.1 矩阵运算基础、矩阵求导与最小二乘法（一）.mp4
50.LESSON 10.1 开篇：超参数优化与枚举网格搜索的理论极限.mp4
51.LESSON 10.2 随机网格搜索（上）.mp4
52.LESSON 10.2 随机网格搜索（下）.mp4
53.LESSON 10.3 Halving网格搜索（上）.mp4
54.LESSON 10.3 Halving网格搜索（下）.mp4
55.LESSON 10.4 贝叶斯优化的基本流程.mp4
56.LESSON 10.5 BayesOpt vs HyperOpt vs Optuna.mp4
57.LESSON 10.6 基于BayesOpt实现高斯过程gp优化.mp4
58.LESSON 10.7 基于HyperOpt实现TPE优化.mp4
59.LESSON 10.8 基于Optuna实现多种优化.mp4
6.LESSON 2.2 矩阵运算基础、矩阵求导与最小二乘法（二）.mp4
60.LESSON 11.1 Boosting的基本思想与基本元素.mp4
61.LESSON 11.2 AdaBoost的参数（上）：弱评估器与学习率.mp4
62.LESSON 11.3 AdaBoost的参数（下）：实践算法与损失函数.mp4
63.LESSON 11.4 原理进阶：AdaBoost算法流程详解.mp4
64.LESSON 12.1 梯度提升树的基本思想与实现.mp4
65.LESSON12.2 迭代过程中的参数(1)：GBDT的初始化与多分类.mp4
66.LESSON12.3 迭代过程中的参数(2)：GBDT的8种损失函数.mp4
67.LESSON12.4 弱评估器结构参数：弗里德曼均方误差.mp4
68.LESSON12.5 梯度提升树的提前停止.mp4
69.LESSON12.6 袋外数据与其他参数.mp4
7.LESSON 2.3 矩阵运算基础、矩阵求导与最小二乘法（三）.mp4
70.LESSON12.7 梯度提升树的参数空间与TPE优化.mp4
71.LESSON12.8 原理进阶 (1)：GBDT数学流程与残差概念辨析.mp4
72.LESSON12.9 原理进阶 (2)：拟合伪残差的数学意义与数学证明.mp4
8.LESSON 3.0 线性回归的手动实现.mp4
9.LESSON 3.1 变量相关性基础理论.mp4

Copyright © All rights reserved.

信息加载中,请等待...