Ι 课程介绍
* 课程包括：视频+课程资料
* 课程售价：¥24.9元（会员&永久会员免费）
* 课程目录：如下
├─一、基础理论
│ LESSON 0.1 前言与导学（上）.mp4
│ LESSON 0.2 前言与导学（下）.mp4
│ LESSON 1.1 机器学习基本概念与建模流程（上）.mp4
│ LESSON 1.2 机器学习基本概念与建模流程（下）.mp4
│ LESSON 10.1 开篇：超参数优化与枚举网格搜索的理论极限.mp4
│ LESSON 10.2 随机网格搜索（上）.mp4
│ LESSON 10.2 随机网格搜索（下）.mp4
│ LESSON 10.3 Halving网格搜索（上）.mp4
│ LESSON 10.3 Halving网格搜索（下）.mp4
│ LESSON 10.4 贝叶斯优化的基本流程.mp4
│ LESSON 10.5 BayesOpt vs HyperOpt vs Optuna.mp4
│ LESSON 10.6 基于BayesOpt实现高斯过程gp优化.mp4
│ LESSON 10.7 基于HyperOpt实现TPE优化.mp4
│ LESSON 10.8 基于Optuna实现多种优化.mp4
│ LESSON 11.1 Boosting的基本思想与基本元素.mp4
│ LESSON 11.2 AdaBoost的参数（上）：弱评估器与学习率.mp4
│ LESSON 11.4 原理进阶：AdaBoost算法流程详解.mp4
│ LESSON 12.1 梯度提升树的基本思想与实现.mp4
│ LESSON 12.2 迭代过程中的参数(1)：GBDT的初始化与多分类.mp4
│ LESSON 12.3 迭代过程中的参数(2)：GBDT的8种损失函数.mp4
│ LESSON 12.4 弱评估器结构参数：弗里德曼均方误差.mp4
│ LESSON 12.5 梯度提升树的提前停止.mp4
│ LESSON 12.6 袋外数据与其他参数.mp4
│ LESSON 12.7 梯度提升树的参数空间与TPE优化.mp4
│ LESSON 12.8 原理进阶 (1)：GBDT数学流程与残差概念辨析.mp4
│ LESSON 12.9 原理进阶 (2)：拟合伪残差的数学意义与数学证明.mp4
│ LESSON 13.1.1 本周内容导学 + XGBoost的基本思想.mp4
│ LESSON 13.1.2 实现XGBoost回归：sklearnAPI详解.mp4
│ LESSON 13.1.3 实现XGBoost回归：xgb原生代码详解.mp4
│ LESSON 13.1.4 实现XGBoost分类：目标函数与评估指标详解.mp4
│ LESSON 13.2.1 基本迭代过程中的参数群.mp4
│ LESSON 13.2.2 目标函数及其相关参数.mp4
│ LESSON 13.2.3 三种弱评估器与DART树详解.mp4
│ LESSON 13.2.4 弱评估器的分枝：结构分数与结构分数增益.mp4
│ LESSON 13.2.5 控制复杂度：弱评估器的减枝与训练数据.mp4
│ LESSON 13.2.6 XGBoost中的必要功能性参数.mp4
│ LESSON 13.3.1 XGBoost的参数空间.mp4
│ LESSON 13.3.2 XGBoost基于TPE的调参.mp4
│ LESSON 13.4.1 XGBoost的基本数学流程.mp4
│ LESSON 13.4.2 化简XGBoost的目标函数.mp4
│ LESSON 13.4.3 求解XGBoost的损失函数.mp4
│ LESSON 2.1 矩阵运算基础、矩阵求导与最小二乘法（一）.mp4
│ LESSON 2.2 矩阵运算基础、矩阵求导与最小二乘法（二）.mp4
│ LESSON 2.3 矩阵运算基础、矩阵求导与最小二乘法（三）.mp4
│ LESSON 3.0 线性回归的手动实现.mp4
│ LESSON 3.1 变量相关性基础理论.mp4
│ LESSON 3.2 数据生成器与Python模块编写.mp4
│ LESSON 3.3 线性回归手动实现与模型局限.mp4
│ LESSON 3.4 机器学习模型可信度理论与交叉验证基础.mp4
│ LESSON 4.1 逻辑回归模型构建与多分类学习方法（上）.mp4
│ LESSON 4.1 逻辑回归模型构建与多分类学习方法（下）.mp4
│ LESSON 4.2 逻辑回归参数估计.mp4
│ LESSON 4.3 梯度下降基本原理与手动实现（上）.mp4
│ LESSON 4.3 梯度下降基本原理与手动实现（下）.mp4
│ LESSON 4.4 随机梯度下降与小批量梯度下降（上）.mp4
│ LESSON 4.4 随机梯度下降与小批量梯度下降（下）.mp4
│ LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（上）.mp4
│ LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（下）.mp4
│ LESSON 4.6 逻辑回归的手动实现方法（上）.mp4
│ LESSON 4.6 逻辑回归的手动实现方法（下）.mp4
│ LESSON 5.1 分类模型决策边界.mp4
│ LESSON 5.2 混淆矩阵与F1-Score.mp4
│ LESSON 5.3 ROC-AUC的计算方法、基本原理与核心特性.mp4
│ LESSON 6.1 Scikit-Learn快速入门.mp4
│ LESSON 6.2 Scikit-Learn常用方法速通.mp4
│ LESSON 6.3 （上）正则化、过拟合抑制与特征筛选.mp4
│ LESSON 6.3（下） Scikit-Learn逻辑回归参数详解.mp4
│ LESSON 6.4 机器学习调参入门.mp4
│ LESSON 6.5（上）机器学习调参基础理论.mp4
│ LESSON 6.5（下）Scikit-Learn中网格搜索参数详解.mp4
│ LESSON 6.6.1 多分类评估指标的macro与weighted过程.mp4
│ LESSON 6.6.2 GridSearPartCV的进阶使用方法.mp4
│ LESSON 7.1（上）无监督学习与K-Means基本原理.mp4
│ LESSON 7.1（下）K-Means聚类的Scikit-Learn实现.mp4
│ LESSON 7.2 Mini BatPart K-Means与DBSCAN聚类.mp4
│ LESSON 8.1 决策树模型的核心思想与建模流程.mp4
│ LESSON 8.2（上）CART分类树的建模流程.mp4
│ LESSON 8.2（下）sklearn中CART分类树的参数详解.mp4
│ LESSON 8.3【加餐】ID3和C4.5的基本原理介绍.mp4
│ LESSON 8.4 CART回归树的建模流程与sklearn中评估器参数解释.mp4
│ LESSON 9.1 集成算法开篇：Bagging方法的基本思想.mp4
│ LESSON 9.2 随机森林回归器的实现.mp4
│ LESSON 9.3 随机森林回归器的参数.mp4
│ LESSON 9.4 集成算法的参数空间与网格优化.mp4
│ LESSON 9.5 随机森林在巨量数据上的增量学习.mp4
│ LESSON 9.6 Bagging及随机森林6大面试热点问题.mp4
│ LSEEON 11.3 AdaBoost的参数（下）：实践算法与损失函数.mp4
│
└─二、实战项目
Part 1.1 业务背景与Kaggle平台使用方法介绍.mp4
Part 1.2 数据字段解释与数据质量检验.mp4
Part 1.3 字段类型转化与缺失值填补.mp4
Part 1.4 异常值检测.mp4
Part 1.5 相关性分析.mp4
Part 1.6 数据探索性分析与可视化呈现.mp4
Part 2.10 逻辑回归模型解释与特征系数解读.mp4
Part 2.11 决策树模型训练与优化.mp4
Part 2.12 决策树模型解释与结果解读.mp4
Part 2.1数据重编码：OrdinalEncoder过程.mp4
Part 2.2 数据重编码：OneHotEncoder过程.mp4
Part 2.3 转化器流水线：ColumnTransformer过程.mp4
Part 2.4 特征变换：数据标准化与归一化.mp4
Part 2.5 连续变量分箱：等宽、等频与聚类分箱.mp4
Part 2.6 连续变量分箱：目标编码与有监督分箱.mp4
Part 2.7 逻辑回归机器学习流构建与训练.mp4
Part 2.8 逻辑回归机器学习流超参数搜索调优.mp4
Part 2.9 自定义sklearn评估器网格搜索.mp4
Part 3.1.1 特征衍生方法综述.mp4
Part 3.1.2 基于业务的新用户标识字段创建与验证.mp4
Part 3.1.3 基于业务的服务购买字段创建.mp4
Part 3.1.4 基于数据探索的用户属性字段创建：基本思路与IV值计算过程.mp4
Part 3.1.5 借助IV值检验衍生特征有效性方法.mp4
Part 3.1.6 基于数据探索的合约字段创建与验证.mp4
Part 3.2.1 单变量特征衍生方法.mp4
Part 3.2.10 多变量多项式衍生函数创建.mp4
Part 3.2.11 时序特征分析方法.mp4
Part 3.2.12 时序特征衍生与自然周期划分.mp4
Part 3.2.13 时序特征衍生本质与时间差值衍生.mp4
Part 3.2.14 时序特征衍生函数创建.mp4
Part 3.2.15 时间序列分析简介.mp4
Part 3.2.16 词向量化与TF-IDF.mp4
Part 3.2.17 NLP特征衍生方法介绍.mp4
Part 3.2.18 NLP特征衍生函数编写与使用.mp4
Part 3.2.19 交叉组合与多项式衍生高阶函数.mp4
Part 3.2.2 四则运算衍生与分组交叉衍生.mp4
Part 3.2.20 分组统计高阶函数编写.mp4
Part 3.2.21 目标编码.mp4
Part 3.2.22 关键特征衍生高阶函数.mp4
Part 3.2.23特征衍生实战-1.mp4
Part 3.2.24 特征衍生实战-2.mp4
Part 3.2.25 特征衍生实战-3.mp4
Part 3.2.26 特征衍生实战-4.mp4
Part 3.2.27 特征衍生流程总结.mp4
Part 3.2.3 分组统计特征衍生.mp4
Part 3.2.4 多项式特征衍生.mp4
Part 3.2.5 统计演变特征.mp4
Part 3.2.6 多变量交叉组合特征衍生.mp4
Part 3.2.7 多变量分组统计衍生方法介绍.mp4
Part 3.2.8 多变量分组统计函数编写.mp4
Part 3.2.9 多变量多项式衍生与笛卡尔积运算.mp4
Part 3.3.0 特征筛选技术介绍.mp4
Part 3.3.1 缺失值过滤与方差过滤.mp4
Part 3.3.10 互信息法特征筛选实践.mp4
Part 3.3.11 feature_importance特征筛选.mp4
Part 3.3.12 RFE筛选与RFECV筛选.mp4
Part 3.3.13 SFS方法与SFM方法.mp4
Part 3.3.14 特征筛选方法总结.mp4
Part 3.3.2 评分函数与特征筛选评估器.mp4
Part 3.3.3 假设检验基本流程.mp4
Part 3.3.4 卡方检验与特征筛选.mp4
Part 3.3.5 方差分析与特征筛选.mp4
Part 3.3.6 线性相关性的F检验.mp4
Part 3.3.7 离散变量之间的互信息法.mp4
Part 3.3.8 连续变量与离散变量的互信息法.mp4
Part 3.3.9 连续变量之间的互信息计算过程.mp4
Part 4.0 第四部分导学.mp4
Part 4.1 海量特征衍生与筛选（上）.mp4
Part 4.1 海量特征衍生与筛选（下）.mp4
Part 4.2 网格搜索超参数优化实战（上）.mp4
Part 4.2 网格搜索超参数优化实战（下）.mp4
Part 4.3.1 模型融合与深度森林技术体系介绍.mp4
Part 4.3.2.1 投票法与均值法.mp4
Part 4.3.2.2 阈值移动的TPE搜索与交叉验证.mp4
Part 4.3.3.1 加权平均融合与理论最优权重.mp4
Part 4.3.3.2 加权平均法的经验法权重设置策略.mp4
Part 4.3.3.3 基于搜索空间裁剪的权重搜索策略.mp4
Part 4.3.3.4 交叉训练与Stacking融合的基本思路.mp4
Part 4.4.1 交叉训练基本思想和数据准备.mp4
Part 4.4.2 随机森林模型的交叉训练过程.mp4
Part 4.4.3 决策树&逻辑回归的交叉训练.mp4
【数据技术学堂】菊安酱与菜菜机器学习训练营4期.zip
