bobo老师机器学习全套实战课 Python3+scikit-learn 14章视频教程

🗂️ 完整文件清单（109 个文件 / 11.5GB）

• 📁 第10章 评价分类结果 8 项

  • 📄 10-3.mp4103.8MB
  • 📄 10-5.mp491.7MB
  • 📄 10-4.mp469.4MB
  • 📄 10-7.mp465.7MB
  • 📄 10-6.mp485.0MB
  • 📄 10-8.mp495.3MB
  • 📄 10-1 准确度的陷阱和混淆矩阵.mp438.3MB
  • 📄 10-2 精准率和召回率.mp429.5MB
• 📁 第11章 支撑向量机 SVM 9 项

  • 📄 11-3.mp439.7MB
  • 📄 11-9.mp491.6MB
  • 📄 11-6.mp440.1MB
  • 📄 11-7.mp451.9MB
  • 📄 11-8.mp476.4MB
  • 📄 11-5.mp484.8MB
  • 📄 11-1.mp438.3MB
  • 📄 11-4.mp4117.9MB
  • 📄 11-2.mp451.1MB
• 📁 第12章 决策树 7 项

  • 📄 12-1.mp457.4MB
  • 📄 12-5 CART与决策树中的超参数.mp461.1MB
  • 📄 12-2 信息熵.mp448.5MB
  • 📄 12-3 使用信息熵寻找最优划分.mp4137.1MB
  • 📄 12-4 基尼系数.mp466.5MB
  • 📄 12-7.mp432.8MB
  • 📄 12-6.mp438.0MB
• 📁 第13章 集成学习和随机森林 7 项

  • 📄 13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp431.9MB
  • 📄 13-6 Ada Boosting和Gradient Boosting.mp428.7MB
  • 📄 13-2 SoftVoting Classifier.mp428.4MB
  • 📄 13-7 Stacking.mp411.5MB
  • 📄 13-5 随机森林和Extra-Trees.mp426.0MB
  • 📄 13-1什么是集成学习.mp453.5MB
  • 📄 13-3 Bagging和Pasting.mp433.4MB
• 📁 第14章 更多机器学习算法 1 项

  • 📄 14-1 学习scikit-learn文档.mp466.5MB
• 📁 第1章 欢迎来到 Python3 玩转机器学习 3 项

  • 📄 1-3 课程所使用的主要技术栈.mp459.8MB
  • 📄 1-1导学.mp468.1MB
  • 📄 1-2 课程涵盖的内容和理念.mp490.2MB
• 📁 第2章 机器学习基础 5 项

  • 📄 2-4 批量学习，在线学习，参数学习和非参数学习.mp433.4MB
  • 📄 2-3 监督学习，非监督学习，半监督学习和增强学习.mp493.6MB
  • 📄 2-5 和机器学习相关的哲学思考.mp436.8MB
  • 📄 2-2 机器学习的主要任务.mp4126.5MB
  • 📄 2-1 机器学习世界的数据.mp484.3MB
• 📁 第3章 Jupyter Notebook, numpy和m 12 项

  • 📄 3-8 Numpy中的聚合运算.mp4107.9MB
  • 📄 3-7 Numpy中的矩阵运算.mp4206.0MB
  • 📄 3-1 jupyter notebook基础.mp4169.2MB
  • 📄 3-3 Numpy数据基础.mp468.2MB
  • 📄 3-6 Numpy数组的合并与分割.mp4156.5MB
  • 📄 3-9 Numpy中的arg运算.mp495.4MB
  • 📄 3-12 数据加载和简单的数据探索.mp4112.9MB
  • 📄 3-11 Matplotlib数据可视化基础.mp4153.5MB
  • 📄 3-10 Numpy中的比较和FancyIndexing.mp4190.7MB
  • 📄 3-2 jupyter notebook中的魔法命令.mp4189.5MB
  • 📄 3-4 创建numpy数组和矩阵.mp4188.1MB
  • 📄 3-5 Numpy数组的基本操作.mp4119.1MB
• 📁 第4章 最基础的分类算法-k近邻算法 kNN 9 项

  • 📄 4-8 scikit-learn中的Scaler.mp4185.3MB
  • 📄 4-2 scikit-learn中的机器学习算法封装.mp4206.3MB
  • 📄 4-4 分类准确度.mp4174.8MB
  • 📄 4-7 数据归一化.mp4105.9MB
  • 📄 4-6 网格搜索与k近邻算法中更多超参数.mp4168.1MB
  • 📄 4-1 k近邻算法基础.mp4136.8MB
  • 📄 4-9 更多有关k近邻算法的思考.mp433.0MB
  • 📄 4-3 训练数据集，测试数据集.mp4213.3MB
  • 📄 4-5 超参数.mp4207.2MB
• 📁 第5章 线性回归法 10 项

  • 📄 5-2 最小二乘法.mp433.5MB
  • 📄 5-6 最好的衡量线性回归法的指标 R Squared.mp4109.9MB
  • 📄 5-7 多元线性回归和正规方程解.mp444.0MB
  • 📄 5-4 向量化.mp4105.4MB
  • 📄 5-1 简单线性回归.mp463.9MB
  • 📄 5-10 线性回归的可解性和更多思考.mp486.8MB
  • 📄 5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4183.3MB
  • 📄 5-8 实现多元线性回归.mp4118.7MB
  • 📄 5-9 使用scikit-learn解决回归问题.mp4118.2MB
  • 📄 5-3 简单线性回归的实现.mp4130.4MB
• 📁 第6章 梯度下降法 9 项

  • 📄 6-1 什么是梯度下降法.mp444.2MB
  • 📄 6-9 有关梯度下降法的更多深入讨论.mp424.8MB
  • 📄 6-6 随机梯度下降法.mp4160.2MB
  • 📄 6-7 scikit-learn中的随机梯度下降法.mp4132.4MB
  • 📄 6-2 模拟实现梯度下降法.mp4185.4MB
  • 📄 6-5 梯度下降的向量化和数据标准化.mp4203.3MB
  • 📄 6-4 实现线性回归中的梯度下降法.mp4136.9MB
  • 📄 6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4113.1MB
  • 📄 6-3 线性回归中的梯度下降法.mp470.4MB
• 📁 第7章 PCA与梯度上升法 9 项

  • 📄 7-4 求数据的前n个主成分.mp4125.3MB
  • 📄 7-3 求数据的主成分PCA.mp4178.6MB
  • 📄 7-1 什么是PCA.mp451.1MB
  • 📄 7-2 使用梯度上升法求解PCA问题.mp427.4MB
  • 📄 7-7 试手MNIST数据集.mp4112.9MB
  • 📄 7-8 使用PCA对数据进行降噪.mp499.2MB
  • 📄 7-5 高维数据映射为低维数据.mp4168.6MB
  • 📄 7-9 人脸识别与特征脸.mp4131.9MB
  • 📄 7-6 scikit-learn中的PCA.mp4172.4MB
• 📁 第8章 多项式回归与模型泛化 10 项

  • 📄 8-4 为什么要训练数据集与测试数据集.mp4144.4MB
  • 📄 8-10 L1,L2和弹性网络.mp434.2MB
  • 📄 8-8 模型泛化与岭回归.mp4180.3MB
  • 📄 8-1 什么是多项式回归.mp475.1MB
  • 📄 8-9 LASSO.mp4115.1MB
  • 📄 8-6 验证数据集与交叉验证.mp4222.6MB
  • 📄 8-7 偏差方差平衡.mp457.8MB
  • 📄 8-5 学习曲线.mp4134.3MB
  • 📄 8-2 scikit-learn中的多项式回归于pipeline.mp4146.5MB
  • 📄 8-3 过拟合与前拟合.mp4131.7MB
• 📁 第9章 逻辑回归 8 项

  • 📄 9-6 在逻辑回归中使用多项式特征.mp4137.4MB
  • 📄 9-7 scikit-learn中的逻辑回归.mp4167.1MB
  • 📄 9-3 逻辑回归损失函数的梯度.mp480.3MB
  • 📄 9-8 OvR与OvO.mp4124.9MB
  • 📄 9-2 逻辑回归的损失函数.mp455.9MB
  • 📄 9-1 什么是逻辑回归.mp458.0MB
  • 📄 9-5 决策边界.mp4193.5MB
  • 📄 9-4 实现逻辑回归算法.mp4123.4MB
• 📄 project0.zip4.7MB
• 📄 project (1).zip6KB