Python3入门机器学习 经典算法与应用

┣━mksz169 – Python3入门机器学习 经典算法与应用
┣━第5章 线性回归法
┣━5-5 R Squared.mp4
┣━5-3 简单线性回归的实现.mp4
┣━5-10 线性回归的可解释性.mp4
┣━5-9 使用Scilit-learn解决回归问题.mp4
┣━5-4 衡量线性回归的指标.mp4
┣━5-7多元线性回归和正规方程解.mp4
┣━5-8 实现多元线性回归.mp4
┣━5-1 简单线性回归.mp4
┣━5-2 最小乘法.mp4
┣━5-6 最好的衡量线性回归法的指标.mp4
┣━第10章 评价分类结果
┣━10-1准确度的陷阱和混淆矩阵.mp4
┣━10-2 准确率和召回率.mp4
┣━10-8 多分类问题中的混淆矩阵.mp4
┣━10-6 准确率召回率曲线.mp4
┣━10-5 准确率和召回率的平衡.mp4
┣━10-3 现实混淆矩阵.mp4
┣━10-7 ROC曲线.mp4
┣━10-4 F1 Score.mp4
┣━资料
┣━Mastering Feature Engineering Principles and Techniques for Data Scientists (Early Release)-O’reilly (2016).pdf
┣━project .zip
┣━github地址.txt
┣━ISLR Seventh Printing.pdf
┣━第13章 集成学习和随机森林
┣━13章.mp4
┣━第12章 决策树
┣━12-2 信息熵.mp4
┣━12-3 – 12-5.mp4
┣━12-1 什么是决策树.mp4
┣━12-6 – 12-7 .mp4
┣━第9章 逻辑回归
┣━9-7 scikt-learn中的逻辑回归.mp4
┣━9-2 逻辑回归的损失函数.mp4
┣━9-8 OvR与OvO.mp4
┣━9-4 实现逻辑回归算法.mp4
┣━9-5 决策边界.mp4
┣━9-3 逻辑回归损失函数的梯度.mp4
┣━9-1 什么是逻辑回归.mp4
┣━9-6 在逻辑回归中使用多项式特征.mp4
┣━第14章 更多机器学习算法
┣━14章 学习scikit-learn文档，大家加油！.mp4
┣━第3章 Jupyter Notebook ,numpy
┣━3-11 Matplotlib数据可视化基础.mp4
┣━3-9 Numpy中的arg运算.mp4
┣━3-6 Numpy 数据和矩阵的合并与分割.mp4
┣━3-4 创建Numpy 数据和矩阵.mp4
┣━3-2Jupter Notebook 中的魔法命令.mp4
┣━3-10 Numpy中的比较和Fancy lindexing.mp4
┣━3-1 Jupyter Notebook基础.mp4
┣━3-3 Numpy 数据基础.mp4
┣━3-7 Numpy中的矩阵运算.mp4
┣━3-5 Numpy数组和矩阵的基本操作.mp4
┣━3-8 Numpy 中的聚合运算.mp4
┣━3-12 数据加载和简单的数据搜索.mp4
┣━第6章 梯度下降法
┣━6-5 梯度下降法的向量化.mp4
┣━6-7 scikit-learn中的梯度下降法.mp4
┣━6-1 什么是梯度下降法.mp4
┣━6-8有关梯度下降法的更多深入讨论.mp4
┣━6-6 随机梯度下降法.mp4
┣━6-9 有关梯度下降法的更多讨论.mp4
┣━6-4 实现线性回归中的梯度下降法.mp4
┣━6-3实现线性回归中的梯度下降法.mp4
┣━6-2线性回归中的梯度下降法.mp4
┣━第8章 多项式回归与模型泛化
┣━8-8 模型泛化与岭回归.mp4
┣━8-5 学习曲线.mp4
┣━8-3 过拟合与欠拟合.mp4
┣━8-4 为什么要训练数据集与测试数据集.mp4
┣━8-2 scikit-learn 中的多项式回归.mp4
┣━8-1 什么是多项式回归.mp4
┣━8-9 LASSO.mp4
┣━8-10 L1，L2弹性网络.mp4
┣━8-7 偏差方差平衡.mp4
┣━8-6 验证数据集与交叉验证.mp4
┣━第7章 PCA与梯度上升法
┣━7-8 使用PCA对数据进行降噪.mp4
┣━7-5 高纬数据映射为低纬数据.mp4
┣━7-4 高维数据映射为低维数据（）.mp4
┣━7-9 人脸识别与特征脸.mp4
┣━7-7 试手MNIST数据集.mp4
┣━7-2 求数据的主成分PCA问题.mp4
┣━7-6 scikit-learn中的PCA.mp4
┣━7-1 什么是PCA.mp4
┣━7-3 求数据的主成分.mp4
┣━第1章 欢迎来到Python3玩转机器学习
┣━1-3课程所使用的技术栈.mp4
┣━1-1 什么是机器学习.mp4
┣━1-2课程涵盖的内容和理念.mp4
┣━第4章 最基础的分类算法
┣━4-3 训练数据集.mp4
┣━4-1 K近邻算法.mp4
┣━4-4 分类准确度.mp4
┣━4-2 scikit-learn机器学习算法封装.mp4
┣━4-9 更多有关K近邻算法的思考.mp4
┣━4-6 网络搜索与K邻近算法中更多超参数.mp4
┣━4-7 数据归一化.mp4
┣━4-8 Scikit-learn中的Scaler.mp4
┣━4-5 超参数.mp4
┣━第2章 机器学习基础
┣━2-4 批量、在线学习、参数、非参数学习.mp4
┣━2-5 哲学思考.mp4
┣━2-2 机器学习的主要任务.mp4
┣━2-3 监督学习、非监督学习….mp4
┣━2-6 课程使用环境搭建.mp4
┣━2-1 机器学习的数据.mp4
┣━第11章 支撑向量机SVM
┣━11-9 SVM思想解决回归问题.mp4
┣━11-2 svm背后的最优化问题.mp4
┣━11-6 什么是核函数.mp4
┣━11-7RBF核函数.mp4
┣━11-4 Scikit-learn 中的SVM.mp4
┣━11-8 RBF核函数中的gamma.mp4
┣━11-3 Soft Margin SVM.mp4
┣━11-5 SVM中使用多项式特征和核函数.mp4
┣━11-1 什么是SVM.mp4