【Python学习路线·科研】4.2、机器学习 <零基础，有手就行> 2020持续更新（包括人工智能、视觉）
----是python基础课程，为大数据，人工智能，机器学习，深度学习，计算机感知铺垫。
视频选集
（10/43）
01_机器学习简介
23:30
02_机器学习概述
11:59
03_数据集的组成
16:09
04_特征工程的定义
17:04
05_字典特征数据抽取
20:36
06_文本特征抽取以及中文问题
23:43
07_tf-df分析问题
13:34
08_特征预处理-归一化
10:35
09_归一化以及标准化对比
33:56
10_标准化总结以及缺失值处理
01:06
11_标准化总结以及缺失值处理
08:27
12_数据的降维之特征选择
37:39
13_降维案例1
18:31
14_降维案例2
10:03
15_机器学习算法分类以及开发流程
29:03
01_第一天复习
06:28
02_数据的划分和介绍
32:55
03_转换器与估计器
17:36
04_k-近邻算法以及案例预测入住位置
49:20
05_K-近邻算法案例
20:06
06_k-近邻算法总结
09:10
07_朴素贝叶斯算法原理
37:20
08_朴素贝叶斯算法对新闻进行分类案例
15:54
09_朴素贝叶斯算法总结
05:04
10_精确率和召回率
20:34
11_交叉验证与网格搜索对K-近邻算法调优
26:59
12_决策树之信息论基础
22:57
13_决策树的划分以及案例
45:31
14_决策树的保存结果分析
05:56
15_随机森林的原理以及案例调优
22:44
day02_16_每日总结
16:27
01_第二天知识回顾
03:44
02_线性回归的定义以及矩阵的运算
46:30
03_线性回归策略，优化，案例
55:46
04_线性回归两种求解方式总结
11:38
05_过拟合以及欠拟合
31:45
06_Ridge岭回归分析
06:08
07_模型的保存与加载
07:11
08_逻辑回归定义，损失函数，优化与线性回归比较
32:52
09_逻辑回归预测癌症案例
29:29
10_逻辑回归总结
10:59
11_京东金融数据集介绍
04:58
12_k-means原理以及案例
43:16
顶部