课程目录

• 01 课程介绍_ok
• 02 Python基本知识_ok
• 03 Windows下安装Anaconda_ok
• 04 虚拟机环境的使用_导入虚拟机_ok
• 05 虚拟机环境的使用_认识环境_ok
• 06 Python工作环境_ok
• 07 Python基本语法_ok
• 08 Python对象_ok
• 09 Python流程控制_ok
• 10 函数的定义与使用_ok
• 10 函数的定义与使用_ok_ok
• 100 附1-sclklt-learn引导篇_ok
• 101 附2-Oange引导篇_ok
• 102 附3-Xgboost安装篇_ok
• 103 课程概述_ok
• 104 特征构造的常用方法_ok
• 105 用户RFM行为特征提取（代码演示）_ok
• 106 用户RFM行为特征提取_ok
• 107 特征转换之连续变量无量纲化_ok
• 108 特征转换之连续变量数据变换_ok
• 109 连续变量特征转换（代码演示）_ok
• 11 闭包和装饰器_ok
• 110 特征转换之连续变量离散化_ok
• 111 类别变量编码（代码演示）_ok
• 112 特征转换之类别变量编码_ok
• 113 日期型变量处理（代码演示）_ok
• 114 特征转换之缺失值处理（代码演示）_ok
• 115 特征转换之缺失值处理_ok
• 116 特征转换之特征组合（代码演示）_ok
• 117 特征转换之特征组合_ok
• 118 数据降维概述_ok
• 119 数据降维之主成分分析（PCA）_ok
• 12 Python的面向对象编程1_ok
• 120 数据降维之主成分分析（PCA代码演示）_ok
• 121 数据降维之线性判别分析法（LDA）~1_ok
• 121 数据降维之线性判别分析法（LDA）_ok
• 122 数据降维之线性判别分析法（LDA代码演示）_ok
• 123 特征选择概述_ok
• 124 单特征重要性评估_ok
• 125 单特征重要性评估（代码演示）_ok
• 126 课程总结_ok
• 127 本章引言_ok
• 128 构建你的第一个简单分类模型_ok
• 129 构建你的第一个简单分类模型_代码演示_ok
• 13 Python的面向对象编程2_ok
• 130 用测试集对模型进行交叉验证_ok
• 131 尝试其他的分类算法_ok
• 132 准备一个更好的训练集_ok
• 133 将多个模型的预测结果融合起来_ok
• 134 模型优化的三个要素_ok
• 135 本章引言_ok
• 136 偏差与方差_过拟合与欠拟合_ok
• 137 通过学习曲线诊断偏差和方差_ok
• 138 通过验证曲线诊断过拟合和欠拟合_ok
• 139 模型交叉验证方法之数据集划分_ok
• 14 输入输出_ok
• 140 模型交叉验证方法之k折交叉验证_ok
• 141 模型评估指标之准确率和召回率_ok
• 142 模型评估指标之收益曲线_ok
• 143 模型评估指标之ROC与AUC_ok
• 144 模型评估指标之KS值_ok
• 145 本章引言_ok
• 146 什么是逻辑回归_ok
• 147 逻辑回归模型参数求解_ok
• 148 逻辑回归模型正则化方法_ok
• 149 逻辑回归代码示例_ok
• 15 字符和编码_ok
• 150 逻辑回归模型结果解释_ok
• 151 逻辑回归模型自动化调参_ok
• 152 逻辑回归的多分类问题_ok
• 153 类别型特征变量转换_ok
• 154 连续型特征变量转换_ok
• 155 特征变量的组合_ok
• 156 预测概率转换为分数_ok
• 157 本章总结_ok
• 158 本章引言_ok
• 159 什么是K近邻_ok
• 16 正则表达式_ok
• 160 K近邻之距离度量_ok
• 161 K近邻算法基本原理_ok
• 162 K近邻算法代码演示_ok
• 163 K近邻参数优化_ok
• 164 特征标准化和转换_ok
• 165 K近邻总结_ok
• 166 本章引言_ok
• 167 什么是决策树_ok
• 168 决策树属性分裂基本概念_ok
• 169 决策树节点不纯度_ok
• 17 课程介绍_ok
• 170 决策树最佳分裂_ok
• 171 决策树算法对比_ok
• 172 决策树剪枝_ok
• 173 决策树代码演示_ok
• 174 决策树参数调优_ok
• 175 决策树总结_ok
• 176 本章引言_ok
• 177 什么是支持向量机_ok
• 178 支持向量机算法基本原理_ok
• 179 支持向量机代码演示_ok
• 18 Numpy基础_ok
• 180 支持向量机参数优化_ok
• 181 支持向量机总结_ok
• 182 本章引言_ok
• 183 贝叶斯公式_ok
• 184 朴素贝叶斯分类原理_ok
• 185 朴素贝叶斯代码演示_ok
• 186 朴素贝叶斯总结_ok
• 187 课程概述_ok
• 188 相关和回归_ok
• 189 一元线性回归模型_ok
• 19 多维数组类型_ndarray_ok
• 190 最小二乘法_ok
• 191 一元线性回归excel操作_ok
• 192 一元线性回归python操作_ok
• 193 课程总结_ok
• 194 多元线性回归模型_ok
• 195 多重共线性概念_ok
• 196 逐步回归方法_ok
• 197 过拟合与正则化_ok
• 198 多元线性回归excel操作_ok
• 199 多元线性回归python操作_ok
• 20 创建ndarray_ok
• 200 非线性回归简介_ok
• 201 非线性回归在Excel中的操作_ok
• 202 非线性回归在python的操作_ok
• 203 回归模型常用评估指标_ok
• 204 回归树（CART）基本原理_ok
• 205 回归树代码演示_ok
• 206 课程概述_ok
• 207 什么是聚类分析_ok
• 208 相似度与距离度量_ok
• 209 聚类之K均值算法_ok
• 21 numpy中的数据类型_ok
• 210 K均值算法代码演示_ok
• 211 K均值算法调参_ok
• 212 聚类模型评估指标_ok
• 213 聚类分析总结_ok
• 214 什么是关联规则_ok
• 215 关联规则Apriori算法_ok
• 216 关联规则的lift指标_ok
• 217 关联规则的理解与应用_ok
• 218 关联规则代码演示_ok
• 219 关联规则总结_ok
• 22 ndarray的文件IO_ok
• 220 课程总结_ok
• 221 什么是推荐系统_ok
• 222 基于Item的协同过滤算法_ok
• 223 基于User的协同过滤算法_ok
• 224 SVD矩阵分解算法_ok
• 225 机器学习经典案例：垃圾邮件过滤模型_ok
• 226 机器学习经典案例：KNN算法实现手写字体识别~1_ok
• 226 机器学习经典案例：KNN算法实现手写字体识别_ok
• 227 机器学习经典案例：餐馆菜肴推荐系统_ok
• 228 课程概述_ok
• 229 模型融合基本概念_ok
• 23 操作多维数组ndarray_ok
• 230 Voting和Averaging融合_ok
• 231 Bagging融合_ok
• 232 Boosting融合_ok
• 233 随机森林算法基本原理_ok
• 234 随机森林算法（分类）代码演示_ok
• 235 随机森林算法（回归）代码演示_ok
• 236 Adaboost算法基本原理_ok
• 237 Adaboost算法（分类）代码演示_ok
• 238 Adaboost算法（回归）代码演示_ok
• 239 GBDT算法基本原理_ok
• 24 选择ndarray的元素_索引_ok
• 240 GBDT算法（分类）代码演示_ok
• 241 GBDT算法（回归）代码演示_ok
• 242 Xgboost基本介绍_ok
• 243 Xgboost算法（分类）代码演示_ok
• 244 Xgboost算法（回归）代码演示_ok
• 245 课程总结_ok
• 246 文本分析的基本概念_ok
• 247 文本特征表示方法（词袋模型）_ok
• 248 TF-IDF算法_ok
• 249 词表征方法（词向量）_ok
• 25 选择ndarray的元素_索引数组_ok
• 250 神经网络与深度学习_ok
• 251 卷积神经网络CNN介绍_ok
• 252 循环神经网络RNN介绍_ok
• 253 深度学习的应用场景_ok
• 254 背景与部分原理_ok
• 255 模型原理_ok
• 256 数据_ok
• 257 代码_ok
• 258 总结_ok
• 259 项目概述_ok
• 26 选择ndarray的元素_布尔数组_ok
• 260 数据观察_ok
• 261 基于item的协同过滤推荐_ok
• 262 基于user的协同过滤推荐_ok
• 263 基于SVD的协同过滤推荐_ok
• 264 项目概述_ok
• 265 opencv的安装及使用_ok
• 266 图像特征_颜色直方图_ok
• 267 用随机森林构建图像分类模型_ok
• 268 对新图片进行分类预测_ok
• 269 项目概述_ok
• 27 改变ndarray的形状_ok
• 270 对文档进行分词_ok
• 271 用TFIDF和词袋表示文档特征_ok
• 272 用word2vec词向量表示文档特征_ok
• 273 训练文档分类模型_ok
• 274 模型效果的评估_ok
• 275 对新文档进行分类预测_ok
• 276 预测房价项目概述_ok
• 277 数据理解和整体探索_ok
• 278 数据清洗_ok
• 279 特征转换、衍生、组合_ok
• 28 ndarray的基本运算_ok
• 280 特征筛选_ok
• 281 模型训练_ok
• 282 对新数据进行预测_ok
• 283 项目概述_ok
• 284 从交易数据中提取RFM特征_ok
• 285 客户RFM分析_ok
• 286 响应预测模型训练和选择_ok
• 287 模型部署和应用_ok
• 288 项目概述_ok
• 289 CT图像的预处理技术_ok
• 29 numpy进阶_ok
• 290 图像数据的增强(augmentation)_ok
• 291 训练图像分割模型_ok
• 292 训练三维卷积神经网络_ok
• 293 模型串联+项目总结_ok
• 30 广播_不同维度数组运算_ok
• 31 复制和视图_ok
• 32 附1_Windows下安装Anaconda_ok
• 33 附2_虚拟机环境的使用_导入虚拟机_ok
• 34 附3_虚拟机环境的使用_认识环境_ok
• 35 scipy简介_ok
• 36 线性代数基础知识_向量_ok
• 37 线性代数基础知识_矩阵_ok
• 38 特征值和特征向量_ok
• 39 解线性方程组_ok
• 40 最小二乘法_ok
• 41 本章引言_ok
• 42 Pandas安装&数据结构介绍_ok
• 43 Pandas数据查看_ok
• 44 Pandas数据选择_ok
• 45 Pandas数据修改与基本运算1_ok
• 46 Pandas数据修改与基本运算2_ok
• 47 Pandas数据修改与基本运算3_ok
• 48 Pandas数据加载_ok
• 49 Pandas多层索引_ok
• 50 Pandas数据变形之关联_ok
• 51 Pandas数据变形之分组与聚合_ok
• 52 Pandas数据变形之数据重塑_ok
• 53 本章引言_ok
• 54 Matplotlib主要绘图类型_上_ok
• 55 Matplotlib主要绘图类型_下_ok
• 56 Matplotlib主要绘图参数_ok
• 57 Matplotlib主要绘图装饰函数_ok
• 58 Matplotlib文字标注与注释_ok
• 59 Matplotlib子图_ok
• 60 本章引言_ok
• 61 快速理解数据挖掘和机器学习_ok
• 62 数据挖掘的六大任务_ok
• 63 数据挖掘的方法论（CRISP-DM）_ok
• 64 预测模型的构建和应用流程_ok
• 65 机器学习算法及分类_ok
• 66 数据挖掘与数据仓库和OLAP_ok
• 67 数据挖掘和机器学习的应用案例_ok
• 68 如何成为一名优秀的数据科学家_ok
• 69 本章引言_ok
• 70 认识数据_ok
• 71 描述性统计分析_ok
• 72 分类变量的分析方法_ok
• 73 连续变量的分析方法_ok
• 74 相关性分析_ok
• 75 基本空间与随机事件_ok
• 76 事件的关系与运算_ok
• 77 事件的概率_ok
• 78 随机变量的分布_ok
• 79 期望与方差_ok
• 80 联合分布_ok
• 81 条件分布与条件期望_ok
• 82 正态分布_ok
• 83 总体与样本_ok
• 84 样本均值与方差_ok
• 85 次序统计量与分位数_ok
• 86 矩法估计_ok
• 87 极大似然估计_ok
• 88 贝叶斯估计_ok
• 89 区间估计_ok
• 90 假设检验_ok
• 91 多元线性回归（上）_ok
• 92 多元线性回归（下）_ok
• 93 判别分析（上）_ok
• 94 判别分析（下）_ok
• 95 数据处理_ok
• 96 系统聚类法_ok
• 97 动态聚类法_ok
• 98 主成分分析_ok
• 99 样本主成分及其应用_ok