响木课堂-响木SVIP目录-我的资源/01 响木最新众筹课/4000-4999/4100-4199/4111.Python统计建模到深度学习全程班/玩转数据挖掘-Python数据分析课程【New】

主页/我的资源/01 响木最新众筹课/4000-4999/4100-4199/4111.Python统计建模到深度学习全程班/玩转数据挖掘-Python数据分析课程【New】/

01_1.1-如何用python做机器学习或数据挖掘？.mp4
02_1.2-玩转数据挖掘课程内容介绍.mp4
03_1.3-使用sklearn的样本数据集.mp4
04_1.4-sklearn基本操作入门.mp4
05_2.1-连续变量的标准化.mp4
06_2.2-考虑异常分布的标准化.mp4
07_2.3-分类变量的预处理.mp4
08_2.4-缺失值的填充.mp4
09_2.5-生成多项式特征.mp4
10_2.6-自定义转换器.mp4
11_3.1-特征筛选概述.mp4
12_3.2-基于简单统计特征进行筛选.mp4
13_3.3-基于统计误差进行筛选.mp4
14_3.4-基于建模结果进行筛选.mp4
15_3.-5-数据降维与信息浓缩.mp4
16_4.1-回归类模型概述.mp4
17_4.2-回归类模型的种类.mp4
18_4.3-线性回归的sklearn实现.mp4
19_4.4-多项式回归.mp4
20_4.5-岭回归的基本原理.mp4
21_4.6-岭回归的实现.mp4
22_4.7-LASSO回归与弹性网络.mp4
23_4.8-最小角回归.mp4
24_4.9-梯度下降法的基本原理.mp4
25_4.10-随机梯度下降回归.mp4
26_5.1-类别预测模型概述.mp4
27_5.2-类别预测模型的实现原理.mp4
28_5.3-类别预测模型的种类.mp4
29_5.4-logistic回归.mp4
30_5.5-神经网络的基本原理.mp4
31_5.6-神经网络的实现.mp4
32_5.7-树模型的基本原理.mp4
33_5.8-树模型的实现.mp4
34_5.9-随机梯度下降分类.mp4
35_6.1-聚类分析概述.mp4
36_6.2-聚类分析的种类.mp4
37_6.3-K均值聚类.mp4
38_6.4-birch聚类.mp4
39_6.5-DBSCAN聚类.mp4
40_7.1-类别预测模型的评价.mp4
41_7.2-分类模型评价：混淆矩阵.mp4
42_7.3-分类模型评价：准确率与召回率.mp4
43_7.4-分类模型评价：结果的汇总.mp4
44_7.5-分类模型评价：ROC曲线.mp4
45_7.6-回归模型的评价.mp4
46_7.7-聚类模型的评价.mp4
47_7.8-将模型结果与随机预测结果相比较.mp4
48_8.1-数据拆分方法概述.mp4
49_8.2-二分法的sklearn实现.mp4
50_8.3-交叉验证的sklearn实现1.mp4
51_8.4-交叉验证的sklearn实现2.mp4
52_9.1-如何改进数据挖掘模型的效果.mp4
53_9.2-参数的网格搜索.mp4
54_9.3-参数的随机搜索.mp4
55_9.4-验证曲线.mp4
56_9.5-学习曲线.mp4
57_10.1-用模型集成改进效果的基本思路.mp4
58_10.2-投票分类器.mp4
59_10.3-模型集成的基本原理.mp4
60_10.4-Bagging方法的sklearn实现.mp4
61_10.5-随机森林.mp4
62_10.6-adaboost方法.mp4
63_10.7-GBDT方法.mp4

Copyright © All rights reserved.

信息加载中,请等待...