课程目录

• 110.Part 2.12 决策树模型解释与结果解读
• 065.Lesson 12.2 迭代过程中的参数(1)：GBDT的初始化与多分类
• 014.Lesson 4.1.2 逻辑回归模型构建与多分类学习方法（下）
• 132.Part 3.2.16 词向量化与TF-IDF
• 146.Part 3.3.2 评分函数与特征筛选评估器
• 043.Lesson 8.4 CART回归树的建模流程与sklearn中评估器参数解释
• 255_【WDSM时序案例】34-机器学习中的时间序列(2)-Pmdarima实现滚动交叉验证
• 140.Part 3.2.24 特征衍生实战-2
• 069.Lesson 12.6 袋外数据与其他参数
• 227_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息
• 195_【金融案例】07-主表的领域特征：还款业务指标
• 188_Part-4.3.12.2-回归问题的Stacking&Blending融合方法
• 082.Lesson 13.2.6 XGBoost中的必要功能性参数
• 058.Lesson 10.7 基于HyperOpt实现TPE优化
• 126.Part 3.2.10 多变量多项式衍生函数创建
• 139.Part 3.2.23特征衍生实战-1
• 228_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息
• 108.【用户流失】Part 2.10 逻辑回归模型解释与特征系数解读
• 141.Part 3.2.25 特征衍生实战-3
• 089.Lesson 14.1.2 LightGBM EFB互斥特征捆绑策略
• 040.Lesson 8.2.1 CART分类树的建模流程
• 218_【股价项目】12-市场波动特征
• 221_【股价项目】14-行业分段建模与模型融合
• 136.Part 3.2.20 分组统计高阶函数编写
• 137.Part 3.2.21 目标编码
• 001.Lesson 0.1 前言与导学（上）
• 115.Part 3.1.5 借助IV值检验衍生特征有效性方法
• 114.Part 3.1.4 基于数据探索的用户属性字段创建：基本思路与IV值计算过程
• 055.Lesson 10.4 贝叶斯优化的基本流程
• 249_【WDSM时序案例】27【加餐】ARIMA模型的实现-(3)-确定d值，进行建模
• 096.Part 1.4 异常值检测
• 162.Part 4.2.1 网格搜索超参数优化实战（上）
• 143.Part 3.2.27 特征衍生流程总结
• 031.Lesson 6.4 机器学习调参入门
• 204_【金融案例】17-Leaking-Usage：重复申请人漏洞
• 144.Part 3.3.0 特征筛选技术介绍
• 124.Part 3.2.8 多变量分组统计函数编写
• 207_【金融案例】19-逆向工程与无限融合
• 057.Lesson 10.6 基于BayesOpt实现高斯过程gp优化
• 033.Lesson 6.5.2 Scikit-Learn中网格搜索参数详解
• 049.Lesson 9.6 Bagging及随机森林6大面试热点问题
• 172.Part 4.3.4.2 随机森林模型的交叉训练过程
• 180_Part-4.3.7.2-Stacking元学习器优化流程
• 166.Part 4.3.2.2 阈值移动的TPE搜索与交叉验证
• 197_【金融案例】09-GAME策略和bureau表单的业务特征衍生
• 210_【股价项目】03-kaggle三大经典比赛形式
• 211_【股价项目】04-股票数据的特征含义与业务理解
• 154.Part 3.3.10 互信息法特征筛选实践
• 149.Part 3.3.5 方差分析与特征筛选
• 016.Lesson 4.3.1 梯度下降基本原理与手动实现（上）
• 097.Part 1.5 相关性分析
• 235_【WDSM时序案例】13-理解时序预测(6)-深度学习领域的时间序列模型
• 241_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算
• 022.Lesson 4.6.1 逻辑回归的手动实现方法（上）
• 008.Lesson 3.0 线性回归的手动实现
• 109.【用户流失】Part 2.11 决策树模型训练与优化
• 168.Part 4.3.3.2（新） 加权平均法的经验法权重设置策略
• 107.【用户流失】Part 2.9 自定义sklearn评估器网格搜索
• 246_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标
• 030.Lesson 6.3.2 Scikit-Learn逻辑回归参数详解
• 098.Part 1.6 数据探索性分析与可视化呈现
• 112.Part 3.1.2 基于业务的新用户标识字段创建与验证
• 086.Lesson 13.4.2 化简XGBoost的目标函数
• 050.Lesson 10.1 开篇：超参数优化与枚举网格搜索的理论极限
• 047.Lesson 9.4 集成算法的参数空间与网格优化
• 219_【股价项目】11-指数加权移动平均
• 170.Part 4.3.3.4 交叉训练与Stacking融合的基本思路
• 151.Part 3.3.7 离散变量之间的互信息法
• 119.Part 3.2.3 分组统计特征衍生
• 257_【WDSM时序案例】35-机器学习中的时间序列(3)-Pmdarima实现滑窗交叉验证
• 133.Part 3.2.17 NLP特征衍生方法介绍
• 239_【WDSM时序案例】17【加餐】时序模型-(4)-MA模型训练与测试流程
• 123.Part 3.2.7 多变量分组统计衍生方法介绍
• 177_Part-4.3.6.1-Stacking基本原理与手动实现方法
• 046.Lesson 9.3 随机森林回归器的参数
• 021.Lesson 4.5.2 梯度下降优化基础：数据归一化与学习率调度（下）
• 094.Part 1.2 数据字段解释与数据质量检验
• 068.Lesson 12.5 梯度提升树的提前停止
• 128.Part 3.2.12 时序特征衍生与自然周期划分
• 229_【WDSM时序案例】08-理解时序预测(1)-单变量vs多变量时间序列
• 075.Lesson 13.1.3 实现XGBoost回归：xgb原生代码详解
• 024.Lesson 5.1 分类模型决策边界
• 192_【金融案例】04数据探索：主表的异常值处理以及相关性分析
• 073.Lesson 13.1.1 XGBoost的基本思想
• 236_【WDSM时序案例】14【加餐】ARIMA模型详解(1)-AR自回归模型原理与公式
• 048.Lesson 9.5 随机森林在巨量数据上的增量学习
• 064.Lesson 12.1 梯度提升树的基本思想与实现
• 129.Part 3.2.13 时序特征衍生本质与时间差值衍生
• 189_【金融案例】01-认识捷信金融还款风险预测
• 252_【WDSM时序案例】31-多变量时序模型(2)-VAR与VARMA模型的数学表示
• 053.Lesson 10.3.1 Halving网格搜索（上）
• 026.Lesson 5.3 ROC-AUC的计算方法、基本原理与核心特性
• 067.Lesson 12.4 弱评估器结构参数：弗里德曼均方误差
• 017.Lesson 4.3.2 梯度下降基本原理与手动实现（下）
• 104.Part 2.6 连续变量分箱：目标编码与有监督分箱
• 237_【WDSM时序案例】16【加餐】时序模型-(3)-MA模型原理与公式讲解
• 080.Lesson 13.2.4 弱评估器的分枝：结构分数与结构分数增益
• 205_【金融案例】-16-focal-loss在多分类上的实现
• 184_Part-4.3.10-Blending融合进阶优化策略
• 066.Lesson 12.3 迭代过程中的参数(2)：GBDT的8种损失函数
• 158.Part 3.3.14 特征筛选方法总结
• 051.Lesson 10.2.1 随机网格搜索（上）
• 223_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分
• 087.Lesson 13.4.3 求解XGBoost的损失函数
• 039.Lesson 8.1 决策树模型的核心思想与建模流程
• 222_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务
• 163.Part 4.2.2 网格搜索超参数优化实战（下）
• 009.Lesson 3.1 变量相关性基础理论
• 036.Lesson 7.1.1 无监督学习与K-Means基本原理
• 045.Lesson 9.2 随机森林回归器的实现
• 238_【WDSM时序案例】15【加餐】ARIMA模型详解(2)-AR自回归模型的训练与测试流程
• 181_Part-4.3.8.1-Stacking自动超参数交叉训练函数
• 220_【股价项目】13-时序特征工程在股价数据中的应用
• 174.Part 4.3.4.4 基于交叉训练的TPE搜索融合
• 203_【金融案例】-15-focal-loss-在二分类上的实现
• 077.Lesson 13.2.1 基本迭代过程中的参数群
• 178_Part-4.3.6.2-Stacking优化方法初阶
• 193_【金融案例】05海量数据处理入门
• 004.Lesson 1.2 机器学习基本概念与建模流程（下）
• 042.Lesson 8.3【加餐】ID3和C4.5的基本原理介绍
• 173.Part 4.3.4.3 决策树&逻辑回归的交叉训练
• 187_Part-4.3.12.1-回归问题的加权平均融合方法实践
• 150.Part 3.3.6 线性相关性的F检验
• 062.Lesson 11.3 AdaBoost的参数（下）：实践算法与损失函数
• 254_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现
• 165.Part 4.3.2.1 投票法与均值法
• 122.Part 3.2.6 多变量交叉组合特征衍生
• 074.Lesson 13.1.2 实现XGBoost回归：sklearnAPI详解
• 116.Part 3.1.6 基于数据探索的合约字段创建与验证
• 060.Lesson 11.1 Boosting的基本思想与基本元素
• 018.Lesson 4.4.1 随机梯度下降与小批量梯度下降（上）
• 215_【股价项目】08-趋势特征分析简介
• 054.Lesson 10.3.2 Halving网格搜索（下）
• 194_【金融案例】06三剑客建立baseline
• 056.Lesson 10.5 BayesOpt vs HyperOpt vs Optuna
• 113.Part 3.1.3 基于业务的服务购买字段创建
• 155.Part 3.3.11 feature_importance特征筛选
• 253_【WDSM时序案例】30-多变量时序模型(1)-多变量模型的基本思想
• 105.Part 2.7 逻辑回归机器学习流构建与训练
• 212_【股价项目】05-数据探索与股票字段的深入理解
• 152.Part 3.3.8 连续变量与离散变量的互信息法
• 020.Lesson 4.5.1 梯度下降优化基础：数据归一化与学习率调度（上）
• 213_【股价项目】06-basline的建立
• 052.Lesson 10.2.2 随机网格搜索（下）
• 028.Lesson 6.2 Scikit-Learn常用方法速通
• 186_Part-4.3.11.2-回归类集成算法优化策略（下）
• 164.Part 4.3.1 模型融合与深度森林技术体系介绍
• 202_【金融案例】-14-特征工程成果与focal-loss原理精讲
• 084.Lesson 13.3.2 XGBoost基于TPE的调参
• 015.Lesson 4.2 逻辑回归参数估计
• 034.Lesson 6.6.1 多分类评估指标函数的使用方法
• 256_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX
• 135.Part 3.2.19（新） 交叉组合与多项式衍生高阶函数
• 032.Lesson 6.5.1 机器学习调参基础理论
• 100.Part 2.2 数据重编码：OneHotEncoder过程
• 159.Part 4.0第四部分导学
• 099.【用户流失】Part 2.1 数据重编码：OrdinalEncoder过程
• 076.Lesson 13.1.4 实现XGBoost分类：目标函数与评估指标详解
• 209_【股价项目】02-股票相关的金融概念与评估指标
• 153.Part 3.3.9 连续变量之间的互信息计算过程
• 029.Lesson 6.3.1 正则化、过拟合抑制与特征筛选
• 003.Lesson 1.1 机器学习基本概念与建模流程（上）
• 102.Part 2.4 特征变换：数据标准化与归一化
• 093.Part 1.1 业务背景与Kaggle平台使用方法介绍
• 037.Lesson 7.1.2 K-Means聚类的Scikit-Learn实现
• 111.Part 3.1.1 特征衍生方法综述
• 035.Lesson 6.6.2 GridSearchCV的进阶使用方法
• 175_Part-4.3.5.1-细粒度&多级分层加权融合原理
• 247_【WDSM时序案例】25【加餐】ARIMA模型的实现-(1)-ARIMA经典假设与建模流程
• 198_【金融案例】11GAME策略在附表中的综合应用
• 190_【金融案例】02-比赛背景与目标
• 025.Lesson 5.2 混淆矩阵与F1-Score
• 063.Lesson 11.4 原理进阶：AdaBoost算法流程详解
• 217_【股价项目】10-窗口统计特征
• 072.Lesson 12.9 原理进阶 (2)：拟合伪残差的数学意义与数学证明
• 157.Part 3.3.13 SFS方法与SFM方法
• 142.Part 3.2.26 特征衍生实战-4
• 019.Lesson 4.4.2 随机梯度下降与小批量梯度下降（下）
• 225_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上)
• 138.Part 3.2.22 关键特征衍生高阶函数
• 012.Lesson 3.4 机器学习模型可信度理论与交叉验证基础
• 201_【金融案例】13-featuretools在HomeCredit数据集的进阶应用
• 242_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像
• 038.Lesson 7.2 Mini Batch K-Means与DBSCAN聚类
• 148.Part 3.3.4 卡方检验与特征筛选
• 200_【金融案例】12自动化衍生技巧以及featuretools库的基本流程
• 041.Lesson 8.2.2 sklearn中CART分类树的参数详解
• 232_【WDSM时序案例】10-理解时序预测(3)-时间序列的训练与预测（下）
• 010.Lesson 3.2 数据生成器与Python模块编写
• 243_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求
• 002.Lesson 0.2 前言与导学（下）
• 103.Part 2.5 连续变量分箱：等宽、等频与聚类分箱
• 106.Part 2.8 逻辑回归机器学习流超参数搜索调优
• 240_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算
• 145.Part 3.3.1 缺失值过滤与方差过滤
• 216_【股价项目】-09-历史平移和增长率特征
• 092.Lesson 14.2.3 LightGBM直方图优化算法
• 120.Part 3.2.4 多项式特征衍生
• 081.Lesson 13.2.5 控制复杂度：弱评估器的剪枝与训练数据
• 134.Part 3.2.18 NLP特征衍生函数编写与使用
• 199_【金融案例】10-GAME策略的进阶应用：相对性行为分析和分层聚合分析
• 179_Part-4.3.7.1-Stacking一级学习器训练策略
• 234_【WDSM时序案例】11-理解时序预测(4)-2大关键预测类型与前沿时序领域
• 013.Lesson 4.1.1 逻辑回归模型构建与多分类学习方法（上）
• 027.Lesson 6.1 Scikit-Learn快速入门
• 131.Part 3.2.15 时间序列分析简介
• 023.Lesson 4.6.2 逻辑回归的手动实现方法（下）
• 059.Lesson 10.8 基于Optuna实现多种优化
• 061.Lesson 11.2 AdaBoost的参数（上）：弱评估器与学习率
• 090.Lesson 14.2.1 基于梯度的单边采样方法
• 006.Lesson 2.2 矩阵运算基础、矩阵求导与最小二乘法（二）
• 088.Lesson 14.1.1 LightGBM入门与原理框架介绍
• 044.Lesson 9.1 集成算法开篇：Bagging方法的基本思想
• 251_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单
• 169.Part 4.3.3.3 基于搜索空间裁剪的权重搜索策略
• 127.Part 3.2.11 时序特征分析方法
• 117.Part 3.2.1 单变量特征衍生方法
• 085.Lesson 13.4.1 XGBoost的基本数学流程
• 078.Lesson 13.2.2 目标函数及其相关参数
• 011.Lesson 3.3 线性回归手动实现与模型局限
• 245_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势
• 121.Part 3.2.5 统计演变特征
• 083.Lesson 13.3.1 XGBoost的参数空间
• 167.Part 4.3.3.1（新） 加权平均融合与理论最优权重
• 182_Part-4.3.8.2-Stacking自动元学习器优化函数
• 160.Part 4.1.1 海量特征衍生与筛选（上）
• 079.Lesson 13.2.3 三种弱评估器与DART树详解
• 196_【金融案例】08-Leaking-proof式目标编码
• 091.Lesson 14.2.2 LightGBM分裂增益计算过程与叶节点优先生长策略
• 206_【金融案例】-18-optuna实现贝叶斯优化
• 005.Lesson 2.1 矩阵运算基础、矩阵求导与最小二乘法（一）
• 095.Part 1.3 字段类型转化与缺失值填补
• 233_【WDSM时序案例】12-理解时序预测(5)-统计学与机器学习中的时间序列模型
• 250_【WDSM时序案例】29【加餐】ARIMA模型的实现-(5)-选择最佳参数组合
• 071.Lesson 12.8 原理进阶 (1)：GBDT数学流程与残差概念辨析
• 176_Part-4.3.5.2-细粒度&多级分层加权融合实践
• 171.Part 4.3.4.1 交叉训练基本思想和数据准备
• 244_【WDSM时序案例】23【加餐】时序模型-(10)-确定p、d、q的超参数值
• 101.Part 2.3 转化器流水线：ColumnTransformer过程
• 007.Lesson 2.3 矩阵运算基础、矩阵求导与最小二乘法（三）
• 147.Part 3.3.3 假设检验基本流程
• 230_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点
• 118.Part 3.2.2 四则运算衍生与分组交叉衍生
• 224_【WDSM时序案例】03-赛题理解(3)-解读测试数据集
• 161.Part 4.1.2 海量特征衍生与筛选（下）
• 231_【WDSM时序案例】09-理解时序预测(2)-时间序列的训练与预测（上）
• 125.Part 3.2.9 多变量多项式衍生与笛卡尔积运算
• 156.Part 3.3.12 RFE筛选与RFECV筛选
• 248_【WDSM时序案例】26【加餐】ARIMA模型的实现-(2)-平稳性检验与差分运算
• 070.Lesson 12.7 梯度提升树的参数空间与TPE优化
• 130.Part 3.2.14 时序特征衍生函数创建
• 191_【金融案例】03-比赛背景与目标主表的特征字段讲解以及缺失值的处理
• 214_【股价项目】-07-kaggle常见Q&A
• 226_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下)
• 208_【股价项目】01认识量化交易和股票收益预测
• 183_Part-4.3.9-Blending融合原理与实践
• 185_Part-4.3.11.1-回归类集成算法优化策略（上）