课程目录

• LESSON 0 前言与导学（上）
• LESSON 0 前言与导学（下）
• LESSON 1 机器学习基本概念与建模流程（上）
• LESSON 1 机器学习基本概念与建模流程（下）
• LESSON 10.1 开篇：超参数优化与枚举网
• LESSON 10.2 随机网格搜索（上）
• LESSON 10.2 随机网格搜索（下）
• LESSON 10.3 Halving网格搜索（上）
• LESSON 10.3 Halving网格搜索（下）
• LESSON 10.4 贝叶斯优化的基本流程
• LESSON 10.5 BayesOpt vs HyperOpt vs Optuna
• LESSON 10.6 基于BayesOpt实现高斯过程gp
• LESSON 10.7 基于HyperOpt实现TPE优化
• LESSON 10.8 基于Optuna实现多种优化
• LESSON 11.1 Boosting的基本思想与基本元
• LESSON 11.2 AdaBoost的参数（上）：弱评
• LESSON 11.3 AdaBoost的参数（下）：实践
• LESSON 11.4 原理进阶：AdaBoost算法流程
• LESSON 12.1 梯度提升树的基本思想与实
• LESSON 12.2 迭代过程中的参数(1)：GBDT
• LESSON 12.3 迭代过程中的参数(2)：GBDT
• LESSON 13.3.1 XGBoost的参数空间
• LESSON 13.3.2 XGBoost基于TPE的调参
• LESSON 13.4.1 XGBoost的基本数学流程
• LESSON 13.4.2 化简XGBoost的目标函数
• LESSON 13.4.3 求解XGBoost的损失函数
• LESSON 2 矩阵运算基础、矩阵求导与最小二乘法1
• LESSON 2 矩阵运算基础、矩阵求导与最小二乘法2
• LESSON 2 矩阵运算基础、矩阵求导与最小二乘法3
• LESSON 3 线性回归的手动实现
• LESSON 3.1 变量相关性基础理论
• LESSON 3.2 数据生成器与Python模块编写
• LESSON 3.3 线性回归手动实现与模型局限
• LESSON 3.4 机器学习模型可信度理论与交叉验证基础
• LESSON 4.1 逻辑回归模型构建与多分类学习方法（上）
• LESSON 4.1 逻辑回归模型构建与多分类学习方法（下）
• LESSON 4.2 逻辑回归参数估计
• LESSON 4.3 梯度下降基本原理与手动实现(上)
• LESSON 4.3 梯度下降基本原理与手动实现（下）
• LESSON 4.4 随机梯度下降与小批量梯度下降（上）
• LESSON 4.4 随机梯度下降与小批量梯度下降（下）
• LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（上）
• LESSON 4.5 梯度下降优化基础：数据归一化与学习率调度（下）
• LESSON 4.6 逻辑回归的手动实现方法（上）
• LESSON 4.6 逻辑回归的手动实现方法（下)
• LESSON 5.1 分类模型决策边界
• LESSON 5.2 混淆矩阵与F1-Score
• LESSON 5.3 ROC-AUC的计算方法、基本原理
• LESSON 6.1Scikit-Learn快速入门
• LESSON 6.2 Scikit-Learn常用方法速通
• LESSON 6.3 （上）正则化、过拟合抑制
• LESSON 6.3（下） Scikit-Learn逻辑回归参
• LESSON 6.4 机器学习调参入门
• LESSON 6.5（上）机器学习调参基础理
• LESSON 6.5（下）Scikit-Learn中网格搜索
• LESSON 6.6.1多分类评估指标的macro与we
• LESSON 6.6.2 GridSearchCV的进阶使用方
• LESSON 7.1（上）无监督学习与K-Means基
• LESSON 7.1（下）K-Means聚类的Scikit-Lear
• LESSON 7.2 Mini Batch K-Means与DBSCAN聚类
• LESSON 8.1 决策树模型的核心思想与建
• LESSON 8.2（上）CART分类树的建模流
• LESSON 8.2（下）sklearn中CART分类树的参
• LESSON 8.3【加餐】ID3和C4.5的基本原理
• LESSON 8.4 CART回归树的建模流程与skle
• LESSON 9.1 集成算法开篇：Bagging方法的
• LESSON 9.3 随机森林回归器的参数
• LESSON 9.4 集成算法的参数空间与网格
• LESSON 9.5 随机森林在巨量数据上的增
• LESSON 9.6 Bagging及随机森林6大面试热
• LESSON12.4 弱评估器结构参数：弗里德
• LESSON12.5 梯度提升树的提前停止
• LESSON12.6 袋外数据与其他参数
• LESSON12.7 梯度提升树的参数空间与TP
• LESSON12.8 原理进阶 (1)：GBDT数学流程
• LESSON12.9 原理进阶 (2)：拟合伪残差的
• LESSON13.1.1 XGBoost的基本思想
• LESSON13.1.2 实现XGBoost回归：sklearnAPI详
• LESSON13.1.3 实现XGBoost回归：xgb原生代
• LESSON13.1.4 实现XGBoost分类：目标函数
• LESSON13.2.1 基本迭代过程中的参数
• LESSON13.2.2 目标函数及其相关参数
• LESSON13.2.3 三种弱评估器与DART树详
• LESSON13.2.4 弱评估器的分枝：结构分
• LESSON13.2.5 控制复杂度：弱评估器的
• LESSON13.2.6 XGBoost中的必要功能性参
• LSEEON 9.2 随机森林回归器的实现
• 【实战技巧】Part 4.0第四部分导学
• 【实战技巧】Part 4.1 海量特征衍生与 (下)
• 【实战技巧】Part 4.1 海量特征衍生与筛选（上）
• 【实战技巧】Part 4.2 网格搜索超参数 (上)
• 【实战技巧】Part 4.2 网格搜索超参数（下）
• 【特征工程】Part 1.3 字段类型转化与
• 【特征工程】Part 1.4 异常值检测
• 【特征工程】Part 1.5 相关性分析
• 【特征工程】Part 2.1数据重编码：Or
• 【特征工程】Part 2.2 数据重编码：O
• 【特征工程】Part 2.3 转化器流水线：
• 【特征工程】Part 2.4 特征变换：数据
• 【特征工程】Part 2.5 连续变量分箱：
• 【特征工程】Part 2.6 连续变量分箱：
• 【特征工程】Part 3.1.1 特征衍生方法
• 【特征工程】Part 3.1.2 基于业务的新
• 【特征工程】Part 3.1.3 基于业务的服
• 【特征工程】Part 3.1.4 基于数据探索
• 【特征工程】Part 3.1.5 借助IV值检验
• 【特征工程】Part 3.1.6 基于数据探索
• 【特征工程】Part 3.2.1 单变量特征衍
• 【特征工程】Part 3.2.10 多变量多项式
• 【特征工程】Part 3.2.11 时序特征分析
• 【特征工程】Part 3.2.12 时序特征衍生
• 【特征工程】Part 3.2.13 时序特征衍生
• 【特征工程】Part 3.2.14 时序特征衍生
• 【特征工程】Part 3.2.15 时间序列分析
• 【特征工程】Part 3.2.16 词向量化与T
• 【特征工程】Part 3.2.17 NLP特征衍生方
• 【特征工程】Part 3.2.18 NLP特征衍生函
• 【特征工程】Part 3.2.19 交叉组合与多
• 【特征工程】Part 3.2.2 四则运算衍生
• 【特征工程】Part 3.2.20 分组统计高阶
• 【特征工程】Part 3.2.21 目标编码
• 【特征工程】Part 3.2.22 关键特征衍生
• 【特征工程】Part 3.2.23特征衍生实战
• 【特征工程】Part 3.2.24 特征衍生实战
• 【特征工程】Part 3.2.25 特征衍生实战
• 【特征工程】Part 3.2.26 特征衍生实战
• 【特征工程】Part 3.2.3 分组统计特征
• 【特征工程】Part 3.2.4 多项式特征衍
• 【特征工程】Part 3.2.5 统计演变特
• 【特征工程】Part 3.2.6 多变量交叉组
• 【特征工程】Part 3.2.7 多变量分组统
• 【特征工程】Part 3.2.8 多变量分组统
• 【特征工程】Part 3.2.9 多变量多项式
• 【特征筛选】Part 3.3.0 特征筛选技术
• 【特征筛选】Part 3.3.1 缺失值过滤与
• 【特征筛选】Part 3.3.10 互信息法特征
• 【特征筛选】Part 3.3.11 feature_importan
• 【特征筛选】Part 3.3.12 RFE筛选与RFEC
• 【特征筛选】Part 3.3.13 SFS方法与SFM方
• 【特征筛选】Part 3.3.14 特征筛选方法
• 【特征筛选】Part 3.3.2 评分函数与特
• 【特征筛选】Part 3.3.3 假设检验基本
• 【特征筛选】Part 3.3.4 卡方检验与特
• 【特征筛选】Part 3.3.5 方差分析与特
• 【特征筛选】Part 3.3.6 线性相关性的
• 【特征筛选】Part 3.3.7 离散变量之间
• 【特征筛选】Part 3.3.8 连续变量与离
• 【特征筛选】Part 3.3.9 连续变量之间
• 【电信用户流失】Part 1.1 业务背景与
• 【电信用户流失】Part 1.2 数据字段解
• 【电信用户流失】Part 1.6 数据探索性
• 【电信用户流失】Part 2.10 逻辑回归
• 【电信用户流失】Part 2.11 决策树模
• 【电信用户流失】Part 2.12 决策树模
• 【电信用户流失】Part 2.7 逻辑回归机
• 【电信用户流失】Part 2.8 逻辑回归机
• 【电信用户流失】Part 2.9自定义sklea