课程目录

• 【电信用户流失】Part1.1业务背景与
• 【电信用户流失】Part1.2数据字段解
• 【电信用户流失】Part1.6数据探索性
• 【电信用户流失】Part2.10逻辑回归
• 【电信用户流失】Part2.11决策树模
• 【电信用户流失】Part2.12决策树模
• 【电信用户流失】Part2.7逻辑回归机
• 【电信用户流失】Part2.8逻辑回归机
• 【电信用户流失】Part2.9自定义sklea
• 【实战技巧】Part4.0第四部分导学
• 【实战技巧】Part4.1海量特征衍生与(下)
• 【实战技巧】Part4.1海量特征衍生与筛选（上）
• 【实战技巧】Part4.2网格搜索超参数(上)
• 【实战技巧】Part4.2网格搜索超参数（下）
• 【特征工程】Part1.3字段类型转化与
• 【特征工程】Part1.4异常值检测
• 【特征工程】Part1.5相关性分析
• 【特征工程】Part2.1数据重编码：Or
• 【特征工程】Part2.2数据重编码：O
• 【特征工程】Part2.3转化器流水线：
• 【特征工程】Part2.4特征变换：数据
• 【特征工程】Part2.5连续变量分箱：
• 【特征工程】Part2.6连续变量分箱：
• 【特征工程】Part3.1.1特征衍生方法
• 【特征工程】Part3.1.2基于业务的新
• 【特征工程】Part3.1.3基于业务的服
• 【特征工程】Part3.1.4基于数据探索
• 【特征工程】Part3.1.5借助IV值检验
• 【特征工程】Part3.1.6基于数据探索
• 【特征工程】Part3.2.1单变量特征衍
• 【特征工程】Part3.2.10多变量多项式
• 【特征工程】Part3.2.11时序特征分析
• 【特征工程】Part3.2.12时序特征衍生
• 【特征工程】Part3.2.13时序特征衍生
• 【特征工程】Part3.2.14时序特征衍生
• 【特征工程】Part3.2.15时间序列分析
• 【特征工程】Part3.2.16词向量化与T
• 【特征工程】Part3.2.17NLP特征衍生方
• 【特征工程】Part3.2.18NLP特征衍生函
• 【特征工程】Part3.2.19交叉组合与多
• 【特征工程】Part3.2.2四则运算衍生
• 【特征工程】Part3.2.20分组统计高阶
• 【特征工程】Part3.2.21目标编码
• 【特征工程】Part3.2.22关键特征衍生
• 【特征工程】Part3.2.23特征衍生实战
• 【特征工程】Part3.2.24特征衍生实战
• 【特征工程】Part3.2.25特征衍生实战
• 【特征工程】Part3.2.26特征衍生实战
• 【特征工程】Part3.2.3分组统计特征
• 【特征工程】Part3.2.4多项式特征衍
• 【特征工程】Part3.2.5统计演变特
• 【特征工程】Part3.2.6多变量交叉组
• 【特征工程】Part3.2.7多变量分组统
• 【特征工程】Part3.2.8多变量分组统
• 【特征工程】Part3.2.9多变量多项式
• 【特征筛选】Part3.3.0特征筛选技术
• 【特征筛选】Part3.3.1缺失值过滤与
• 【特征筛选】Part3.3.10互信息法特征
• 【特征筛选】Part3.3.11feature_importan
• 【特征筛选】Part3.3.12RFE筛选与RFEC
• 【特征筛选】Part3.3.13SFS方法与SFM方
• 【特征筛选】Part3.3.14特征筛选方法
• 【特征筛选】Part3.3.2评分函数与特
• 【特征筛选】Part3.3.3假设检验基本
• 【特征筛选】Part3.3.4卡方检验与特
• 【特征筛选】Part3.3.5方差分析与特
• 【特征筛选】Part3.3.6线性相关性的
• 【特征筛选】Part3.3.7离散变量之间
• 【特征筛选】Part3.3.8连续变量与离
• 【特征筛选】Part3.3.9连续变量之间
• LESSON0前言与导学（上）
• LESSON0前言与导学（下）
• LESSON1机器学习基本概念与建模流程（上）
• LESSON1机器学习基本概念与建模流程（下）
• LESSON10.1开篇：超参数优化与枚举网
• LESSON10.2随机网格搜索（上）
• LESSON10.2随机网格搜索（下）
• LESSON10.3Halving网格搜索（上）
• LESSON10.3Halving网格搜索（下）
• LESSON10.4贝叶斯优化的基本流程
• LESSON10.5BayesOptvsHyperOptvsOptuna
• LESSON10.6基于BayesOpt实现高斯过程gp
• LESSON10.7基于HyperOpt实现TPE优化
• LESSON10.8基于Optuna实现多种优化
• LESSON11.1Boosting的基本思想与基本元
• LESSON11.2AdaBoost的参数（上）：弱评
• LESSON11.3AdaBoost的参数（下）：实践
• LESSON11.4原理进阶：AdaBoost算法流程
• LESSON12.1梯度提升树的基本思想与实
• LESSON12.2迭代过程中的参数(1)：GBDT
• LESSON12.3迭代过程中的参数(2)：GBDT
• 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
• LESSON13.1.1XGBoost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
• LESSON13.2.6XGBoost中的必要功能性参
• LESSON13.3.1XGBoost的参数空间
• LESSON13.3.2XGBoost基于TPE的调参
• LESSON13.4.1XGBoost的基本数学流程
• LESSON13.4.2化简XGBoost的目标函数
• LESSON13.4.3求解XGBoost的损失函数
• LESSON2矩阵运算基础、矩阵求导与最小二乘法1
• LESSON2矩阵运算基础、矩阵求导与最小二乘法2
• LESSON2矩阵运算基础、矩阵求导与最小二乘法3
• LESSON3线性回归的手动实现
• LESSON3.1变量相关性基础理论
• LESSON3.2数据生成器与Python模块编写
• LESSON3.3线性回归手动实现与模型局限
• LESSON3.4机器学习模型可信度理论与交叉验证基础
• LESSON4.1逻辑回归模型构建与多分类学习方法（上）
• LESSON4.1逻辑回归模型构建与多分类学习方法（下）
• LESSON4.2逻辑回归参数估计
• LESSON4.3梯度下降基本原理与手动实现(上)
• LESSON4.3梯度下降基本原理与手动实现（下）
• LESSON4.4随机梯度下降与小批量梯度下降（上）
• LESSON4.4随机梯度下降与小批量梯度下降（下）
• LESSON4.5梯度下降优化基础：数据归一化与学习率调度（上）
• LESSON4.5梯度下降优化基础：数据归一化与学习率调度（下）
• LESSON4.6逻辑回归的手动实现方法（上）
• LESSON4.6逻辑回归的手动实现方法（下)
• LESSON5.1分类模型决策边界
• LESSON5.2混淆矩阵与F1-Score
• LESSON5.3ROC-AUC的计算方法、基本原理
• LESSON6.1Scikit-Learn快速入门
• LESSON6.2Scikit-Learn常用方法速通
• LESSON6.3（上）正则化、过拟合抑制
• LESSON6.3（下）Scikit-Learn逻辑回归参
• LESSON6.4机器学习调参入门
• LESSON6.5（上）机器学习调参基础理
• LESSON6.5（下）Scikit-Learn中网格搜索
• LESSON6.6.1多分类评估指标的macro与we
• LESSON6.6.2GridSearchCV的进阶使用方
• LESSON7.1（上）无监督学习与K-Means基
• LESSON7.1（下）K-Means聚类的Scikit-Lear
• LESSON7.2MiniBatchK-Means与DBSCAN聚类
• LESSON8.1决策树模型的核心思想与建
• LESSON8.2（上）CART分类树的建模流
• LESSON8.2（下）sklearn中CART分类树的参
• LESSON8.3【加餐】ID3和C4.5的基本原理
• LESSON8.4CART回归树的建模流程与skle
• LESSON9.1集成算法开篇：Bagging方法的
• LESSON9.2随机森林回归器的实现
• LESSON9.3随机森林回归器的参数
• LESSON9.4集成算法的参数空间与网格
• LESSON9.5随机森林在巨量数据上的增
• LESSON9.6Bagging及随机森林6大面试热