课程目录

• 01 阶段一 人工智能
• 01 第一章 机器学习概述V2.1
• 01 机器学习介绍
• 01 01-0前置-机器学习科学计算库内容简介
• 02 01-1讲解-机器学习科学计算库内容简介
• 03 02-1讲解-人工智能概述
• 04 02-2点评-人工智能概述
• 05 03-1讲解-人工智能的发展历程
• 06 04-1讲解-人工智能主要分支
• 07 04-2点评-人工智能主要分支
• 08 05-1讲解-机器学习定义工作流程概述
• 09 05-2点评-机器学习定义工作流程概述
• 10 06-1讲解-机器学习工作流程各步骤解释
• 11 06-2点评-机器学习工作流程各步骤解释
• 12 06-3点评-机器学习工作流程各步骤解释
• 13 07-1讲解-机器学习算法分类介绍
• 14 07-2点评-机器学习算法分类介绍
• 15 08-1讲解-模型评估
• 16 08-2点评-模型评估
• 17 08-3点评-模型评估
• 18 09-1讲解-Azure机器学习平台实验演示1
• 19 10-1讲解-Azure机器学习平台实验演示2
• 20 11-1讲解-深度学习简介
• 21 11-2点评-深度学习简介
• 02 第二章 环境安装和使用V2.1
• 01 环境安装及使用
• 01 12-1讲解-基础环境安装
• 02 13-1讲解-jupyter notebook的基本使用1
• 03 13-2点评-jupyter notebook的基本使用1
• 04 14-1讲解-jupyter notebook的基本使用2
• 05 14-2点评-jupyter notebook的基本使用2
• 06 15-1讲解-matplotlib的基本使用
• 03 第三章 matplotlibV2.1
• 01 matplotlib使用
• 01 01-1讲解-实现基础绘图-某城市温度变换图
• 02 01-2点评-实现基础绘图-某城市温度变换图
• 03 02-1讲解-绘图辅助功能完善-某城市温度变换图
• 04 02-2点评-绘图辅助功能完善-某城市温度变换图
• 05 03-1讲解-在一个坐标系下绘制多个图像
• 06 03-2点评-在一个坐标系下绘制多个图像
• 07 04-1讲解-在多个坐标系下绘制多个图像
• 08 04-2点评-在多个坐标系下绘制多个图像
• 09 05-1讲解-常见图形绘制
• 10 05-2点评-常见图形绘制
• 04 第四章 numpyV2.1
• 01 numpy使用
• 01 06-1讲解-numpy介绍
• 02 06-2点评-numpy介绍
• 03 07-1讲解-ndarray介绍
• 04 07-2点评-ndarray介绍
• 05 08-1讲解-创建0，1数组，固定范围数组
• 06 08-2点评-创建0，1数组，固定范围数组
• 07 09-1讲解-创建随机数组
• 08 09-2点评-创建随机数组
• 09 10-1讲解-数组的基本操作
• 10 10-2点评-数组的基本操作
• 11 10-3点评-前面总结
• 12 10-4点评-回顾
• 13 11-1讲解-ndarray的运算
• 14 12-1讲解-数组间运算
• 15 11-2点评-ndarray的运算
• 16 12-2点评-数组间运算
• 17 13-1讲解-矩阵复习
• 18 13-2点评-矩阵复习
• 19 13-3点评-矩阵复习
• 05 第五章 pandasV2.1
• 01 pandas数据结构
• 01 14-1讲解-pandas介绍
• 02 14-2点评-pandas介绍
• 03 15-1讲解-pandas数据结构-series
• 04 15-2点评-pandas数据结构-series
• 05 16-1讲解-pandas数据结构-DataFrame1
• 06 16-2点评-pandas数据结构-DataFrame1
• 07 16-3点评-回顾总结
• 08 17-1讲解-pandas数据结构-DataFrame2
• 09 18-1讲解-pandas数据结构-multiindex和panel
• 10 18-2点评-pandas数据结构-multiindex和panel
• 02 pandas基础使用
• 01 01-1讲解-pandas中的索引
• 02 01-2点评-pandas中的索引
• 03 02-1讲解-赋值和排序
• 04 02-2点评-赋值和排序
• 05 03-1讲解-pandas中的算术运算和逻辑运算
• 06 03-2点评-pandas中的算术运算和逻辑运算
• 07 04-1讲解-pandas中的统计函数
• 08 04-2点评-pandas中的统计函数
• 09 05-1讲解-pandas中的累计统计函数和自定义函数
• 10 05-2点评-pandas中的累计统计函数和自定义函数
• 11 06-1讲解-pandas中绘图方式介绍
• 12 07-1讲解-pandas中文件的读取和写入
• 13 07-2点评-pandas中文件的读取和写入
• 14 07-3点评-pandas中文件的读取和写入
• 15 07-4点评-内容总结
• 03 pandas高级使用
• 01 08-1讲解-缺失值的处理
• 02 08-2点评-缺失值的处理
• 03 09-1讲解-数据离散化
• 04 09-2点评-数据离散化
• 05 10-1讲解-数据表的合并
• 06 10-2点评-数据表的合并
• 07 11-1讲解-交叉表和透视表介绍
• 08 11-2点评-交叉表和透视表介绍
• 09 11-3点评-内容回顾
• 10 12-1讲解-分组聚合介绍
• 11 12-2点评-分组聚合介绍
• 12 13-1讲解-星巴克案例实现
• 13 13-2点评-星巴克案例实现
• 04 电影案例分析
• 01 14-0前置-电影案例分析1
• 02 14-1讲解-电影案例分析1
• 03 14-2点评-电影案例分析1
• 04 15-1讲解-电影案例分析
• 05 15-2点评-电影案例分析
• 06 15-3点评-电影案例分析
• 06 第六章 seabornV2.1
• 01 绘制统计图
• 01 01-1讲解-绘制单变量分布
• 02 01-2点评-绘制单变量分布
• 03 02-1讲解-绘制双变量分布图形
• 04 02-2点评-绘制双变量分布图形
• 02 分类数据绘图
• 01 03-1讲解-类别散点图的绘制
• 02 03-2点评-类别散点图的绘制
• 03 03-3点评-内容回顾
• 04 04-1讲解-类别内的数据分布和统计估计
• 05 04-2点评-类别内的数据分布和统计估计
• 03 NBA案例
• 01 05-1讲解-NBA数据获取和相关性基本分析
• 02 05-2点评-NBA数据获取和相关性基本分析
• 03 06-1讲解-对数据进行分析-seaborn
• 04 06-2点评-对数据进行分析-seaborn
• 05 07-1讲解-衍生变量的可视化实践
• 06 07-2点评-衍生变量的可视化实践
• 07 08-1讲解-球队数据分析
• 08 08-2点评-球队数据分析
• 04 北京租房数据统计分析
• 01 09-0前置-北京市租房数据获取和重复值与空值处理
• 02 09-1讲解-北京市租房数据获取和重复值与空值处理
• 03 09-2点评-北京市租房数据获取和重复值与空值处理
• 04 10-1讲解-数据类型转换（面积，户型）
• 05 10-2点评-数据类型转换（面积，户型）
• 06 11-1讲解-房源数量和位置分布分析
• 07 11-2点评-房源数量和位置分布分析
• 08 12-1讲解-户型数量基本分析
• 09 12-2点评-户型数量基本分析
• 10 12-3点评-户型数量基本分析
• 11 13-1讲解-平均租金基本分析
• 12 13-2点评-平均租金基本分析
• 13 14-1讲解-面积区间分析
• 14 14-2点评-面积区间分析
• 15 14-3点评-内容总结
• 07 第七章 K近邻算法V2.1
• 01 k近邻算法介绍
• 01 01-0前置-K-近邻算法简介
• 02 01-1讲解-K-近邻算法简介
• 03 01-2点评-K-近邻算法简介
• 04 02-1讲解-K近邻算法api初步使用
• 05 02-2点评-K近邻算法api初步使用
• 06 03-1讲解-机器学习中距离度量介绍
• 07 03-2点评-机器学习中距离度量介绍
• 08 04-1讲解-K值的选择介绍
• 09 04-2点评-K值的选择介绍
• 02 kd树
• 01 05-1讲解-kd树和kd树的构造过程
• 02 05-2点评-kd树和kd树的构造过程
• 03 06-1讲解-kd树案例实现
• 04 06-2点评-kd树案例实现
• 05 06-3点评-内容回顾
• 06 06-4点评-kd树案例实现
• 03 数据集处理
• 01 07-1讲解-数据集获取和属性介绍
• 02 07-2点评-数据集获取和属性介绍
• 03 08-1讲解-数据可视化介绍
• 04 08-2讲解-数据可视化介绍
• 05 09-1讲解-数据集的划分
• 06 09-2点评-数据集的划分
• 04 特征工程
• 01 10-1讲解-特征预处理简介
• 02 10-2点评-特征预处理简介
• 03 11-1讲解-归一化和标准化介绍
• 04 11-2点评-归一化和标准化介绍
• 05 11-3点评-归一化和标准化介绍
• 05 KNN总结
• 01 12-1讲解-鸢尾花种类预测
• 02 12-2点评-鸢尾花种类预测
• 03 12-3点评-内容总结
• 04 12-4点评-内容回顾
• 05 13-1讲解-KNN算法总结
• 06 13-2点评-KNN算法总结
• 06 交叉验证, 网格搜索
• 01 14-1讲解-交叉验证、网格搜索概念介绍
• 02 14-2点评-交叉验证、网格搜索概念介绍
• 03 15-1讲解-交叉验证、网格搜索案例实现
• 04 15-2点评-交叉验证、网格搜索案例实现
• 07 案例 Facebook位置预测
• 01 01-1讲解-案例-Facebook位置预测流程分析
• 02 01-2点评-案例-Facebook位置预测流程分析
• 03 02-1讲解-案例-Facebook位置预测代码实现1
• 04 02-2点评-案例-Facebook位置预测代码实现1
• 05 03-1讲解-案例-Facebook位置预测代码实现2
• 06 03-3点评-案例-Facebook位置预测代码实现2
• 07 04-1讲解-补充-数据分割和留出法
• 08 04-2点评-补充-数据分割和留出法
• 09 05-1讲解-补充-交叉验证法和自助法
• 10 05-2点评-补充-交叉验证法和自助法
• 08 第八章 线性回归V2.1
• 01 回归介绍
• 01 06-1讲解-线性回归简介
• 02 06-2点评-线性回归简介
• 03 07-1讲解-初始线性回归api
• 04 08-1讲解-数学：求导
• 05 08-2点评-数学：求导
• 02 损失优化
• 01 09-1讲解-线性回归中损失函数的介绍
• 02 09-2点评-线性回归中损失函数的介绍
• 03 10-1讲解-使用正规方程对损失函数进行优化
• 04 10-2点评-使用正规方程对损失函数进行优化
• 05 11-1讲解-使用梯度下降法对损失函数进行优化
• 06 11-2点评-使用梯度下降法对损失函数进行优化
• 03 回归相关知识
• 01 12-1讲解-梯度下降法方法介绍
• 02 12-2点评-梯度下降法方法介绍
• 03 12-3点评-内容回顾
• 04 13-0前置-线性回归api再介绍
• 05 13-1讲解-线性回归api再介绍
• 06 13-2点评-线性回归api再介绍
• 07 14-1讲解-波士顿房价预测案例
• 08 14-2点评-波士顿房价预测案例
• 09 15-1讲解-欠拟合和过拟合的介绍
• 10 15-2点评-欠拟合和过拟合的介绍
• 11 16-1讲解-正则化线性模型
• 12 16-2点评-正则化线性模型
• 13 17-1讲解-岭回归介绍
• 14 17-2点评-岭回归介绍
• 15 18-1讲解-模型保存和加载
• 16 18-2点评-模型保存和加载
• 09 第九章 逻辑回归V2.1
• 01 逻辑回归
• 01 01-1讲解-逻辑回归介绍
• 02 01-2点评-逻辑回归介绍
• 03 02-1讲解-逻辑回归api介绍
• 04 02-2点评-内容回顾
• 05 03-1讲解-肿瘤预测案例
• 06 03-2点评-肿瘤预测案例
• 07 04-1讲解-分类评估方法介绍
• 08 04-2点评-分类评估方法介绍
• 09 05-1讲解-roc曲线绘制过程
• 10 05-2点评-roc曲线绘制过程
• 11 05-3点评-roc曲线绘制过程
• 12 06-1讲解-补充-类别不平衡数据介绍
• 13 06-2点评-补充-类别不平衡数据介绍
• 14 07-1讲解-补充-过采样和欠采样介绍
• 15 07-2点评-补充-过采样和欠采样介绍
• 10 第十章 决策树V2.1
• 01 信息增益
• 01 08-1讲解-决策树算法简介
• 02 09-1讲解-熵的介绍
• 03 09-2点评-熵的介绍
• 04 09-3点评-内容回顾
• 05 09-3点评-熵的介绍
• 06 10-0前置-信息增益的介绍
• 07 10-1讲解-信息增益的介绍
• 08 10-2点评-信息增益的介绍
• 09 11-1讲解-信息增益率的介绍
• 10 11-2点评-信息增益率的介绍
• 11 12-1讲解-基尼指数的介绍
• 12 12-2点评-基尼指数的介绍
• 13 13-1讲解-决策树划分原理小结
• 14 13-2点评-决策树划分原理小结
• 15 14-1讲解-cart剪枝介绍
• 16 14-2点评-cart剪枝介绍
• 02 特征提取
• 01 15-1讲解-字典特征提取
• 02 15-2点评-字典特征提取
• 03 16-1讲解-英文文本特征提取
• 04 16-2点评-英文文本特征提取
• 05 17-1讲解-中文文本特征提取
• 06 17-2点评-中文文本特征提取
• 07 18-1讲解-tfidf内容讲解
• 08 18-2点评-tfidf内容讲解
• 09 18-3点评-tfidf内容讲解
• 03 案例泰坦生存预测
• 01 01-1讲解-决策树算法api介绍
• 02 01-2点评-决策树算法api介绍
• 03 02-1讲解-泰坦尼克号乘客生存预测
• 04 02-2点评-泰坦尼克号乘客生存预测
• 05 03-1讲解-树木可视化操作
• 06 03-2点评-树木可视化操作
• 04 回归决策树
• 01 04-1讲解-回归决策树介绍
• 02 04-2点评-回归决策树介绍
• 03 05-1讲解-回归决策树和线性回归对比
• 04 05-2点评-回归决策树和线性回归对比
• 11 第十一章 集成学习V2.1
• 01 集成介绍
• 01 06-1讲解-集成学习基本介绍
• 02 07-1讲解-bagging和随机森林
• 03 07-2点评-bagging和随机森林
• 04 07-3点评-bagging和随机森林
• 05 07-4点评-内容回顾
• 02 随机森林案例
• 01 08-1讲解-otto案例介绍以及数据获取
• 02 08-2点评-otto案例介绍以及数据获取
• 03 09-1讲解-otto数据基本处理
• 04 09-2点评-otto数据基本处理
• 05 10-1讲解-otto数据模型基本训练
• 06 10-2点评-otto数据模型基本训练
• 07 11-1讲解-模型调优和确定最优模型
• 08 11-2点评-模型调优和确定最优模型
• 09 11-3点评-模型调优和确定最优模型
• 10 12-1讲解-生成提交数据
• 11 12-2点评-生成提交数据
• 03 集成学习
• 01 13-1讲解-boosting介绍
• 02 13-2点评-boosting介绍
• 03 14-1讲解-GBDT的介绍
• 04 14-2点评-GBDT的介绍
• 12 第十二章 聚类算法V2.1
• 01 聚类算法
• 01 01-1讲解-聚类算法介绍
• 02 02-1讲解-聚类算法api初步实现
• 03 02-2点评-聚类算法api初步实现
• 04 03-1讲解-聚类算法实现流程
• 05 03-2点评-聚类算法实现流程
• 06 04-1讲解-模型评估
• 07 04-2点评-模型评估
• 08 05-1讲解-算法优化介绍
• 09 05-2点评-算法优化介绍
• 10 06-1讲解-特征降维内容介绍
• 11 06-2点评-特征降维内容介绍
• 12 07-1讲解-pca降维介绍
• 13 08-1讲解-用户对物品类别的喜好细分案例
• 14 08-2点评-用户对物品类别的喜好细分案例
• 13 第十三章 朴素贝叶斯V2.1
• 01 朴素贝叶斯
• 01 09-1讲解-初始朴素贝叶斯
• 02 09-2点评-初始朴素贝叶斯
• 03 10-1讲解-概率内容复习
• 04 10-2点评-概率内容复习
• 05 11-1讲解-朴素贝叶斯计算案例
• 06 11-2点评-朴素贝叶斯计算案例
• 07 12-1讲解-朴素贝叶斯案例实现1
• 08 13-1讲解-朴素贝叶斯案例实现2
• 09 13-2点评-朴素贝叶斯案例实现2
• 10 13-3点评-内容回顾
• 11 13-4点评-内容回顾
• 12 14-1讲解-朴素贝叶斯内容总结
• 13 14-2点评-朴素贝叶斯内容总结
• 14 第十四章 SVM算法V2.1
• 01 SVM算法
• 01 01-1讲解-SVM基本介绍
• 02 01-2点评-SVM基本介绍
• 03 02-1讲解-SVM算法api初步使用
• 04 03-1讲解-SVM算法推导的目标函数
• 05 03-2点评-SVM算法推导的目标函数
• 06 04-1讲解-SVM目标函数推导过程及举例
• 07 04-2点评-SVM目标函数推导过程及举例
• 08 04-3点评-内容回顾
• 09 05-1讲解-SVM损失函数
• 10 05-2点评-SVM损失函数
• 11 06-1讲解-SVM的核方法介绍
• 12 06-2点评-SVM的核方法介绍
• 13 07-1讲解-SVM回归介绍
• 14 07-2点评-SVM回归介绍
• 15 08-1讲解-SVM算法api再介绍
• 16 08-2点评-SVM算法api再介绍
• 17 09-1讲解-数字识别器案例初步介绍
• 18 09-2点评-数字识别器案例初步介绍
• 19 10-1讲解-数字识别器-获取数据
• 20 10-2点评-数字识别器-获取数据
• 21 11-1讲解-数字识别器-数据基本处理和模型训练
• 22 11-2点评-数字识别器-数据基本处理和模型训练
• 23 12-1讲解-SVM总结
• 24 12-2点评-SVM总结
• 25 12-3点评-内容总结
• 15 第十五章 EM算法V2.1
• 01 EM算法
• 01 01-1讲解-初识EM算法
• 02 01-2点评-初识EM算法
• 03 02-1讲解-EM算法介绍
• 04 02-2点评-EM算法介绍
• 05 02-3点评-内容回顾
• 06 03-0前置-EM算法实例
• 07 03-1讲解-EM算法实例
• 08 03-2点评-EM算法实例
• 16 第十六章 HMM算法V2.1
• 01 HMM算法
• 01 04-1讲解-马尔科夫链的介绍
• 02 04-2点评-马尔科夫链的介绍
• 03 05-1讲解-HMM模型的简单案例
• 04 05-2点评-HMM模型的简单案例
• 05 06-1讲解-HMM模型三种经典问题举例求解
• 06 06-2点评-HMM模型三种经典问题举例求解
• 07 07-1讲解-HMM模型基础
• 08 07-2点评-HMM模型基础
• 09 08-1讲解-前向后向算法评估观察序列概率
• 10 08-2点评-前向后向算法评估观察序列概率
• 11 08-3点评-内容回顾
• 12 08-4点评-前向后向算法评估观察序列概率
• 13 09-1讲解-维特比算法解码隐藏状态序列
• 14 09-2点评-维特比算法解码隐藏状态序列
• 15 10-1讲解-鲍姆-韦尔奇算法简介
• 16 11-1讲解-HMM模型api介绍及案例代码实现
• 17 11-2点评-HMM模型api介绍及案例代码实现
• 17 第十七章 集成学习进阶V2.1
• 01 XGBoost算法
• 01 01-1讲解-xgboost最优模型构建方法
• 02 01-2点评-xgboost最优模型构建方法
• 03 02-1讲解-目标函数确定和树的复杂度介绍
• 04 02-2点评-目标函数确定和树的复杂度介绍
• 05 03-1讲解-XGBoost目标函数的推导
• 06 03-2点评-回顾
• 07 03-2点评-XGBoost目标函数的推导
• 08 04-1讲解-XGBoost的回归树构建方法
• 09 04-2点评-XGBoost的回归树构建方法
• 10 05-1讲解-XGBoost和GBDT的区别
• 11 05-2点评-XGBoost和GBDT的区别
• 12 06-1讲解-xgboost算法api与参数介绍
• 13 06-2点评-xgboost算法api与参数介绍
• 14 07-1讲解-xgboost简单案例介绍
• 02 otto案例
• 01 08-1讲解-otto案例xgboost实现-数据基本处理
• 02 08-2点评-otto案例xgboost实现-数据基本处理
• 03 08-3点评-otto案例xgboost实现-数据基本处理
• 04 09-1讲解-otto案例xgboost实现-模型基本训练
• 05 10-1讲解-otto案例xgboost实现-模型调优
• 06 10-2点评-otto案例xgboost实现-模型调优
• 07 10-3点评-内容回顾
• 08 11-1讲解-otto案例xgboost实现-最优模型运行
• 03 lightGBM算法
• 01 01-1讲解-lightGBM简单介绍
• 02 01-2点评-lightGBM简单介绍
• 03 02-1讲解-lightGBM算法原理介绍
• 04 02-2点评-lightGBM算法原理介绍
• 05 03-1讲解-lightGBM算法api参数介绍
• 06 03-2点评-lightGBM算法api参数介绍
• 07 04-1讲解-lightGBM算法简单案例介绍
• 08 04-2点评-lightGBM算法简单案例介绍
• 09 05-1讲解-pubg案例简介
• 10 05-2点评-pubg案例简介
• 04 绝地求生案例
• 01 06-1讲解-获取pubg数据
• 02 06-2点评-获取pubg数据
• 03 07-1讲解-数据缺失值处理和查看每场比赛人数
• 04 07-2点评-数据缺失值处理和查看每场比赛人数
• 05 07-3点评-内容回顾
• 06 08-1讲解-规范化输出部分数据和部分变量合成
• 07 09-1讲解-异常值处理1
• 08 09-2点评-异常值处理1
• 09 10-1讲解-异常值值处理2
• 10 10-2点评-异常值值处理2
• 11 11-1讲解-类别型数据处理
• 12 11-2点评-类别型数据处理
• 13 12-1讲解-数据截取、确定特征值和目标值、分割数据集
• 14 13-1讲解-使用RF进行模型训练
• 15 13-2点评-使用RF进行模型训练
• 16 14-1讲解-lightGBM对模型调优1
• 17 14-2点评-lightGBM对模型调优1
• 18 15-1讲解-lightGBM对模型调优2
• 19 15-2点评-lightGBM对模型调优2
• 02 阶段二 数据挖掘
• 01 第一章 SparkMllib数据挖掘+SparkGraphX
• 01 1-SparkMllib机器学习理论基础详解
• 01 01-机器学习和大数据的区别(一)
• 02 02-机器学习和大数据的区别和联系(二)
• 03 03-机器学习和大数据的区别和联系(三)
• 04 04-人工智能和机器学习的区别
• 05 05-数据分析和数据挖掘联系
• 06 06-什么是机器学习问题
• 07 07-基于规则的学习和基于模型的学习方式
• 08 08-机器学习数据集概述1
• 09 09-机器学习数据集概述2
• 10 10-机器学习数据集概述3
• 11 11-机器学习问题分类
• 12 12-机器学习三要素强化
• 13 13-构建机器学习模型的流程
• 14 14-模型选择
• 15 15-交叉验证及经验和结构风险
• 02 2-SparkMllib库特征工程基础与实战(一)
• 01 01-SparkMllib的功能
• 02 2-SparkMllib的版本
• 03 3-SparkMllib架构
• 04 4-环境搭建及RDD、DF、DS的转换实践
• 05 5-如何利用SparkMllib构建机器学习推荐架构
• 06 6.SparkMllib算法分类及应用场景
• 07 7-SparkMllib基础数据类型-localvector
• 08 8-SparkMllib基础数据类型-labelpoint
• 09 9.SparkMllib基础数据类型-libsvm数据读取
• 10 10.SparkMllib基础数据类型-localmatrix
• 11 11.SparkMllib基础数据类型-分布式行矩阵和行索引矩阵
• 12 12.SparkMllib基础数据类型-分块矩阵
• 13 13.SparkMllib均值和方差
• 14 14-SparkMllib相关系数
• 15 15-SparkMllib假设检验的卡方验证
• 16 16-SparkMllib假设检验和随机数的产生
• 17 17-特征提取tf-ifd
• 18 18-特征提取-word2vec实践
• 19 19-特征提取CountVector
• 03 3-SparkMllib库特征工程基础与实战(二)
• 01 20-特征转化的二值化操作
• 02 21-特征转换-PCA操作
• 03 22-特征转换-类别型数据和数值型数据转换
• 04 23-特征转换-OneHot编码方式
• 05 24-特征转换-VectorIndexer转换操作
• 06 25-正则项
• 07 26-数值型数据处理的方法
• 08 27-Bucketizer分箱
• 09 28-ElementWise与SQLTransform实践
• 10 29-特征转换VectorAssemble
• 11 30-特征转换-QuantileDiscretizer
• 12 31-特征选择VectorSlicer
• 13 32-RFormula和卡方验证选择特征方法
• 14 33-卡方验证案例补充
• 15 36-案例实践2-Iris统计初步实践
• 16 37-案例实践2-Iris的rdd相关系数实践
• 17 38-案例实践2-iris的Dataframe数据统计
• 18 39-案例实践2-iris的SParkMllib特征工程实践
• 04 4-SparkMllib决策树算法基础与实战
• 01 1-了解什么是决策树
• 02 2.基于规则建树
• 03 3-信息熵的理解
• 04 4-ID3算法步骤详解
• 05 5-ID3算法举例和C4.5算法改进
• 06 6-决策树的剪枝方式
• 07 7-电商购买数据集ID3算法对比实践
• 08 8-Cart树的回归树原理理解
• 09 9-Cart树算法案例讲解
• 10 10-Cart分类树原理及Gini系数
• 11 11-Cart分类树的案例
• 12 12-SparkMllib实战libsvm数据建模
• 13 13-SparkMl实战libsvm数据全流程讲解实战
• 14 14-SparkMllib相亲数据建模分析
• 15 15-SparkMllib实战iris鸢尾花实战
• 16 16-SparkMl实战Iris特征工程及建模实战1
• 05 5-SparkMllib高级模块与线性回归基础及实战
• 01 1-SparkMllib的pipeline简介
• 02 2-Dataframe组件
• 03 3-Pipeline原理
• 04 4-通过set方法和ParamMap方法赋值超参数的选项
• 05 5-通过pipeline完成案例的代码编写
• 06 6-如何对模型选择与优化
• 07 7-超参数的网格搜索
• 08 8-简单交叉验证及模型选择
• 09 9-简单线性回归
• 10 10-最小二乘法解决简单线性回归原理
• 11 11-多元线性回归简介
• 12 12-最小二乘推导补充(补充)
• 13 13-线性回归的变体及各适用场景
• 14 14-SparkMl实战脂肪数据集的案例
• 15 15-SparkMl实战运输时间的预测分析
• 16 16-SparkMllib基于RDD结构实战线性回归实例
• 17 16-SparkMl实战libsvm数据的形式
• 18 17-Sparkml完成房价预测分析实战
• 06 6-SparkMllib聚类算法基础与实战
• 01 1-什么是聚类
• 02 2-关于多种距离的度量简介
• 03 3-聚类算法核心思想
• 04 4-KMeans的举例
• 05 5-Kmens算法性能指标分析
• 06 6-KMeans特点及注意事项
• 07 7-SparkMLIB实战KMEans算法
• 08 8-SparkMLLIB实现药品数据得简单聚类
• 09 9-SparkMl实现基本数据的聚类分析实战
• 10 10-SparkMl和parkSql实现经纬度数据聚类分析实战
• 11 11-k-medoids了解
• 12 12-其他聚类思路-层次聚类方法
• 13 13-基于密度的聚类DBSCAN
• 14 14-GMM模型原理
• 15 15-聚类算法的总结：
• 16 16-SparkMllib实现对于层次聚类的分析
• 17 17-SparkMllib完成对于GMM高斯混合模型实践分析
• 18 18-SparkLDA实现了主题的提取实战
• 19 19-SparkML实现IRis鸢尾花的聚类算法实战
• 07 7-SparkGraphX理论基础与实战
• 01 1-图基本概念以及图计算应用
• 02 2-SparkGraphX简介
• 03 3-SparkGraphX图算法
• 04 4-SparkGraphX抽象是RDPG—弹性分布式属性图
• 05 5-SparkGraphX架构层面及存储方式简介
• 06 6-SparkGraphX定义顶点操作
• 07 7-SparkGraphX构件图及查询的操作
• 08 8-图的基本数据结构
• 09 9-图的类型和图的存储方式简介
• 10 10-构建图的方法原理及源码了解创建过程
• 11 11-构建图的操作代码
• 12 12-社交网络数据的创建部分代码实战
• 13 13-图的基本信息–顶点、边、入度、出度
• 14 14-图的转换操作：mapVertices、mapEdges、mapTriplet
• 15 15-图的结构操作：reverse、subgraph、mask、groupGraph
• 16 16-图的关联操作
• 17 17-图的聚合以及图的操作API总结
• 08 8-SparkGraphX与SparkMllib综合实战
• 01 1-PageRank算法的基本假设和理解
• 02 2-PageRank算法思想
• 03 3-PageRank算法深入
• 04 4-SparkGraphX通过社交网络数据完成重要节点的选择
• 05 5-通过wiki数据达到网页重要性的pagerank度量
• 06 6-通过PageRank算法得到网页排名的重要性
• 07 7-广度优先遍历
• 08 8-SparkGrphX实现最短路径
• 09 9-连通图和强联通图
• 10 10-SparkGraphx实战三角关系网络发现
• 11 11-SVD原理
• 12 12-SVD实战推荐算法预测