黑马程序员机器学习入门，系统学习快速掌握python人工智能
正在缓冲...
本套人工智能课程视频专门以双元模式录制，保证了视频的质量，讲师授课幽默诙谐、循序渐进、细致入微。覆盖人工智能机器学习算法核心知识点，案例丰富、通俗易懂、体系化、结构化、实战性强。同时，本机器学习算法视频教程注重技术体系化和算法原理剖析，深入算法原理，对于各种算法优缺点的对比及应用场景的讲解，讲法和理解别具一格，大家能够快速掌握算法的基础推导，并达到极高算法的的见解和理解能力，真正将算法知识学以致用、活学活用.
视频选集
（1/112）
自动连播
day1-1.机器学习科学计算库内容简介
04:07
day1-2.人工智能概述
12:22
day1-3.人工智能的发展历程
07:01
day1-4.人工智能主要分支
07:05
day1-5.机器学习定义工作流程概述
04:16
day1-6.机器学习工作流程各步骤解释
14:45
day1-7.机器学习算法分类介绍
12:42
day1-8.模型评估
08:52
day1-9.Azure机器学习平台实验演示1
14:52
day1-10.Azure机器学习平台实验演示2
06:05
day1-11.深度学习简介
04:51
day1-12.基础环境安装
03:53
day1-13.jupyter notebook的基本使用1
17:36
day1-14.jupyter notebook的基本使用2
06:41
day1-15.matplotlib的基本使用
07:27
day2-1.实现基础绘图-某城市温度变换图
05:59
day2-2.绘图辅助功能完善-某城市温度变换图
17:07
day2-3.在一个坐标系下绘制多个图像
08:05
day2-4.在多个坐标系下绘制多个图像
17:40
day2-5.常见图形绘制
11:21
day2-6.numpy介绍
10:19
day2-7.ndarray介绍
10:52
day2-8.创建0，1数组，固定范围数组
09:33
day2-9.创建随机数组
13:44
day2-10.数组的基本操作
14:29
day2-11.ndarray的运算
17:00
day2-12.数组间运算
09:11
day2-13.矩阵复习
12:16
day2-14.pandas介绍
02:44
day2-15pandas数据结构-series
07:54
day2-16.pandas数据结构-DataFrame1
10:24
day2-17.pandas数据结构-DataFrame2
06:41
day2-18.pandas数据结构-multiindex和panel
11:11
day3-1.pandas中的索引
12:57
day3-2.赋值和排序
07:45
day3-3.pandas中的算术运算和逻辑运算
08:14
day3-4.pandas中的统计函数
06:12
day3-5.pandas中的累计统计函数和自定义函数
08:57
day3-6.pandas中绘图方式介绍
02:47
day3-7.pandas中文件的读取和写入
19:36
day3-8.缺失值的处理
20:30
day3-9.数据离散化
11:55
day3-10.数据表的合并
07:37
day3-11.交叉表和透视表介绍
13:53
day3-12.分组聚合介绍
07:59
day3-13.星巴克案例实现
06:09
day3-14.电影案例分析1
13:34
day3-15.电影案例分析
15:58
day4-1.K-近邻算法简介
11:15
day4-2.K近邻算法api初步使用
09:37
day4-3.机器学习中距离度量介绍
19:28
day4-4.K值的选择介绍
06:23
day4-5.kd树和kd树的构造过程
09:34
day4-6.kd树案例实现
16:19
day4-7.数据集获取和属性介绍
12:35
day4-8.数据可视化介绍
10:02
day4-9.数据集的划分
09:39
day4-10.特征预处理简介
04:05
day4-11.归一化和标准化介绍
16:14
day4-12.鸢尾花种类预测
14:57
day4-13.KNN算法总结
04:10
day4-14.交叉验证、网格搜索概念介绍
06:29
day4-15.交叉验证、网格搜索案例实现
07:49
day5-1.案例-Facebook位置预测流程分析
09:01
day5-2.案例-Facebook位置预测代码实现1
19:28
day5-3.案例-Facebook位置预测代码实现2
14:37
day5-4.线性回归简介
06:33
day5-5.初始线性回归api
05:50
day5-6.数学：求导
05:30
day5-7.线性回归中损失函数的介绍
05:13
day5-8.使用正规方程对损失函数进行优化
10:39
day5-9.使用梯度下降法对损失函数进行优化
12:24
day5-10.梯度下降法方法介绍
06:07
day5-11.线性回归api再介绍
03:13
day5-12.波士顿房价预测案例
18:24
day5-13.欠拟合和过拟合的介绍
07:38
day5-14.正则化线性模型
06:00
day5-15.岭回归介绍
08:01
day5-16.模型保存和加载
07:38
day6-1.逻辑回归介绍
14:48
day6-2.逻辑回归api介绍
02:44
day6-3.肿瘤预测案例
16:04
day6-4.分类评估方法介绍
21:00
day6-5.roc曲线绘制过程
09:53
day6-6.决策树算法简介
02:52
day6-7.熵的介绍
08:31
day6-8.信息增益的介绍
09:41
day6-9.信息增益率的介绍
13:32
day6-10.基尼指数的介绍
09:14
day6-11.决策树划分原理小结
05:22
day6-12.cart剪枝介绍
03:45
day6-13.字典特征提取
13:27
day6-14.英文文本特征提取
09:11
day6-15.中文文本特征提取
16:40
day6-16.tfidf内容讲解
07:31
day6-17.决策树算法api介绍
02:22
day6-18.泰坦尼克号乘客生存预测
20:17
day6-19.树木可视化操作
08:12
day7-1.集成学习简介
04:26
day7-2.bagging和随机森林概念介绍
05:50
day7-3.随机森林api实现
10:43
day7-4.boosting概念介绍
10:10
day7-5.GBDT内容介绍
11:25
day7-6.聚类算法介绍
03:23
day7-7.聚类算法api初步实现
10:58
day7-8.聚类算法实现流程
05:59
day7-9.模型评估
10:45
day7-10.算法优化介绍
11:57
day7-11.特征降维内容介绍
19:33
day7-12.pca降维介绍
06:54
day7-13.用户对物品类别的喜好细分案例
15:10
day7-14.算法选择指导
02:06
顶部