课程目录

• 0-代码
• 第1-3章：Python基础
• Python基础代码
• 第10章：Ricequant回测选股分析实战
• 1_simple_demo.txt
• 第12章：因子策略选股实例
• 2_因子策略.txt
• 第14章：因子打分选股实战
• 3_因子打分选股.txt
• 第17章：fbprophet时间序列预测神器
• .ipynb_checkpoints
• data
• images
• __pycache__
• 1-Stocker Analysis .ipynb
• 2-Stocker Prediction.ipynb
• stocker.py
• 第19章：Matplotlib工具包实战
• Matplotlib绘图
• 第20章：Seaborn
• 4-REG.ipynb
• 5-category.ipynb
• 6-FacetGrid.ipynb
• 7-Heatmap.ipynb
• iris.data
• Seaborn-1Style.ipynb
• Seaborn-2Color.ipynb
• Seaborn-3Var.ipynb
• Untitled.ipynb
• 第4章：Numpy
• numpy代码
• 第5章：Pandas
• tushare工具包
• 第11章：因子数据预处理
• 第13章：因子分析实战
• 第15章：基于回归的策略分析
• 第16章：聚类与统计策略分析
• 第18章：深度学习时间序列预测
• 第6章：金融时间序列分析
• 第7章：双均线交易策略实例
• 第8章：策略评估指标
• 第9章：量化交易解读
• 1-Al课程所需安装软件教程
• 1.AI课程所需安装软件教程
• 2.Python环境安装和搭建
• 3.Anaconda基础讲解和使用的教程
• 4.Pytorch (CPU版本安装)
• 5.PyCharm安装和配置
• 2-Python快速入门
• 1.Python环境配置
• 10.Python循环
• 11.函数定义
• 12.模块与包
• 13.异常处理模块
• 14.文件操作
• 15.类的基本定义
• 16.类的属性操作
• 17.时间操作
• 18.Python练习题-1
• 19.Python练习题-2
• 2.anaconda环境安装和搭建
• 3.Python简介
• 4.Python数据类型
• 5.Python列表
• 6.Python元组
• 7.Python集合
• 8.Python字典
• 9.Python条件判断
• 3-Python数据科学必备工具包实战
• 1.科学计算库-Numpy
• 1-Numpy概述
• 10-四则运算
• 11-随机模块
• 12-文件读写
• 13-数组保存
• 14-练习题-1
• 15-练习题-2
• 16-练习题-3
• 2-Array数组
• 3-数组结构
• 4-数组类型
• 5-数值运算
• 6-排序操作
• 7-数组形状操作
• 8-数组生成函数
• 9-常用生成函数
• 2.数据分析处理库-Pandas
• 1-Pandas概述
• 10-数据透视表
• 11-时间操作
• 12-时间序列操作
• 13-Pandas常用操作
• 14-Pandas常用操作2
• 15-Groupby操作延伸
• 16-字符串操作
• 17-索引进阶
• 18-Pandas绘图操作
• 19-大数据处理技巧
• 2-Pandas基本操作
• 3-Pandas索引
• 4-groupby操作
• 5-数值运算
• 6-对象操作
• 7-对象操作2
• 8-merge操作
• 9-显示设置
• 3.可视化库-Matplotlib
• 1-Matplotlib概述
• 10-绘图细节设置2
• 11-直方图与散点图
• 12-3D图绘制
• 13-pie图
• 14-子图布局
• 15-结合pandas与sklearn
• 2-子图与标注
• 3-风格设置
• 4-条形图
• 5-条形图细节
• 6-条形图外观
• 7-盒图绘制
• 8-盒图细节
• 9-绘图细节设置
• 4.可视化库-Seaborn
• 0-课程简介
• 1-整体布局风格设置
• 10-Facetgrid绘制多变量
• 11-热度图绘制
• 2-风格细节设置
• 3-调色板
• 4-调色板颜色设置
• 5-单变量分析绘图
• 6-回归分析绘图
• 7-多变量分析绘图
• 8-分类属性绘图
• 9-Facetgrid使用方法
• 4-人工智能-必备数学课程
• 1.高等数学基础
• 1-函数
• 2-极限
• 3-无穷小与无穷大
• 4-连续性与导数
• 5-偏导数
• 6-方向导数
• 7-梯度
• 10.熵与激活函数
• 1-熵的概念
• 2-熵的大小意味着什么
• 3-激活函数
• 4-激活函数的问题
• 11.回归分析
• 1-回归分析概述
• 10-高阶与分类变量实例
• 11-案例：汽车价格预测任务概述
• 12-案例：缺失值填充
• 13-案例：特征相关性
• 14-案例：预处理问题
• 15-案例：回归求解
• 2-回归方程定义
• 3-误差项的定义
• 4-最小二乘法推导与求解
• 5-回归方程求解小例子
• 6-回归直线拟合优度
• 7-多元与曲线回归问题
• 8-Python工具包介绍
• 9-statsmodels回归分析
• 12.假设检验
• 1-假设检验基本思想
• 10-Python假设检验实例
• 11-Python卡方检验实例
• 2-左右侧检验与双侧检验
• 3-Z检验基本原理
• 4-Z检验实例
• 5-T检验基本原理
• 6-T检验实例
• 7-T检验应用条件
• 8-卡方检验
• 9-假设检验中的两类错误
• 13.相关分析
• 1-相关分析概述
• 2-皮尔森相关系数
• 3-计算与检验
• 4-斯皮尔曼等级相关
• 5-肯德尔系数
• 6-质量相关分析
• 7-偏相关与复相关
• 14.方差分析
• 1-方差分析概述
• 2-方差的比较
• 3-方差分析计算方法
• 4-方差分析中的多重比较
• 5-多因素方差分析
• 6-Python方差分析实例
• 15.聚类分析
• 1-层次聚类概述
• 2-层次聚类流程
• 3-层次聚类实例
• 4-1-KMEANS算法概述
• 4-2-KMEANS工作流程
• 4-3-KMEANS迭代可视化展示
• 5-1-DBSCAN聚类算法
• 5-2-DBSCAN工作流程
• 5-3-DBSCAN可视化展示
• 6-1-多种聚类算法概述
• 6-2-聚类案例实战
• 16.贝叶斯分析
• 1-贝叶斯分析概述
• 10-MCMC概述
• 11-PYMC3概述
• 12-模型诊断
• 13-模型决策
• 2-概率的解释
• 3-贝叶斯学派与经典统计学派的争论
• 4-贝叶斯算法概述
• 5-贝叶斯推导实例
• 6-贝叶斯拼写纠错实例
• 8-贝叶斯解释
• 9-经典求解思路
• 2.微积分
• 1-微积分基本想法
• 2-微积分的解释
• 3-定积分
• 4-定积分性质
• 5-牛顿-莱布尼茨公式
• 3.泰勒公式与拉格朗日
• 1-泰勒公式出发点
• 2-一点一世界
• 3-阶数的作用
• 4-阶乘的作用
• 5-拉格朗日乘子法
• 6-求解拉格朗日乘子法
• 4.线性代数基础
• 1-行列式概述
• 2-矩阵与数据的关系
• 3-矩阵基本操作
• 4-矩阵的几种变换
• 5-矩阵的秩
• 6-内积与正交
• 5.特征值与矩阵分解
• 1-特征值与特征向量
• 2-特征空间与应用
• 3-SVD要解决的问题
• 4-特征值分解
• 5-SVD矩阵分解
• 6.随机变量
• 1-离散型随机变量
• 2-连续型随机变量
• 3-简单随机抽样
• 4-似然函数
• 5-极大似然估计
• 7.概率论基础
• 1-概率与频率
• 10-期望求解
• 11-马尔科夫不等式
• 12-切比雪夫不等式
• 13-后验概率估计
• 14-贝叶斯拼写纠错实例
• 15-垃圾邮件过滤实例
• 2-古典概型
• 3-条件概率
• 4-条件概率小例子
• 5-独立性
• 6-二维离散型随机变量
• 7-二维连续型随机变量
• 8-边缘分布
• 9-期望
• 8.数据科学你得知道的几种分布
• 1-正态分布
• 2-二项式分布
• 3-泊松分布
• 4-均匀分布
• 5-卡方分布
• 6-beta分布
• 9.核函数变换
• 1-核函数的目的
• 2-线性核函数
• 3-多项式核函数
• 4-核函数实例
• 5-高斯核函数
• 6-参数的影响
• 5-机器学习算法精讲及其案例应用
• 1.线性回归原理推导
• 1-回归问题概述
• 2-误差项定义
• 3-独立同分布的意义
• 4-似然函数的作用
• 5-参数求解
• 6-梯度下降通俗解释
• 7-参数更新方法
• 8-优化参数设置
• 10.聚类算法实验分析
• 1-Kmenas算法常用操作
• 10-半监督学习
• 11-DBSCAN算法
• 2-聚类结果展示
• 3-建模流程解读
• 4-不稳定结果
• 5-评估指标-Inertia
• 6-如何找到合适的K值
• 7-轮廓系数的作用
• 8-Kmenas算法存在的问题
• 9-应用实例-图像分割
• 11.决策树原理
• 1-决策树算法概述
• 2-熵的作用
• 3-信息增益原理
• 4-决策树构造实例
• 5-信息增益率与gini系数
• 6-预剪枝方法
• 7-后剪枝方法
• 8-回归问题解决
• 12.决策树代码实现
• 1-整体模块概述
• 2-递归生成树节点
• 3-整体框架逻辑
• 4-熵值计算
• 5-数据集切分
• 6-完成树模型构建
• 7-测试算法效果
• 13.决策树实验分析
• 1-树模型可视化展示
• 2-决策边界展示分析
• 3-树模型预剪枝参数作用
• 4-回归树模型
• 14.集成算法原理
• 1-随机森林算法原理
• 2-随机森林优势与特征重要性指标
• 3-提升算法概述
• 4-stacking堆叠模型
• 15.集成算法实验分析
• 1-构建实验数据集
• 10-集成参数对比分析
• 11-模型提前停止策略
• 12-停止方案实施
• 13-堆叠模型
• 2-硬投票与软投票效果对比
• 3-Bagging策略效果
• 4-集成效果展示分析
• 5-OOB袋外数据的作用
• 6-特征重要性热度图展示
• 7-Adaboost算法概述
• 8-Adaboost决策边界效果
• 9-GBDT提升算法流程
• 16.支持向量机原理推导
• 1-支持向量机要解决的问题
• 2-距离与数据定义
• 3-目标函数推导
• 4-拉格朗日乘子法求解
• 5-化简最终目标函数
• 6-求解决策方程
• 7-软间隔优化
• 8-核函数的作用
• 9-知识点总结
• 17.支持向量机实验分析
• 1-支持向量机所能带来的效果
• 2-决策边界可视化展示
• 3-软间隔的作用
• 4-非线性SVM
• 5-核函数的作用与效果
• 18.神经网络算法原理
• 1-深度学习要解决的问题
• 10-神经网络架构细节
• 11-神经元个数对结果的影响
• 12-正则化与激活函数
• 13-神经网络过拟合解决方法
• 2-深度学习应用领域
• 3-计算机视觉任务
• 4-视觉任务中遇到的问题
• 5-得分函数
• 6-损失函数的作用
• 7-前向传播整体流程
• 8-返向传播计算方法
• 9-神经网络整体架构
• 19.神经网络代码实现
• 1-神经网络整体框架概述
• 10-完成全部迭代更新模块
• 11-手写字体识别数据集
• 12-算法代码错误修正
• 13-模型优化结果展示
• 14-测试效果可视化展示
• 2-参数初始化操作
• 3-矩阵向量转换
• 4-向量反变换
• 5-完成前向传播模块
• 6-损失函数定义
• 7-准备反向传播迭代
• 8-差异项计算
• 9-逐层计算
• 2.线性回归代码实现
• 1-线性回归整体模块概述
• 10-非线性回归
• 2-初始化步骤
• 3-实现梯度下降优化模块
• 4-损失与预测模块
• 5-数据与标签定义
• 6-训练线性回归模型
• 7-得到线性回归方程
• 8-整体流程debug解读
• 9-多特征回归模型
• 20.贝叶斯算法原理
• 1-贝叶斯要解决的问题
• 2-贝叶斯公式推导
• 3-垃圾邮件过滤实例
• 4-拼写纠错实例
• 21.贝叶斯代码实现
• 1-朴素贝叶斯算法整体框架
• 2-邮件数据读取
• 3-预料表与特征向量构建
• 4-分类别统计词频
• 5-贝叶斯公式对数变换
• 6-完成预测模块
• 22.关联规则实战分析
• 1-关联规则概述
• 2-支持度与置信度
• 3-提升度的作用
• 4-Python实战关联规则
• 5-数据集制作
• 6-电影数据集题材关联分析
• 23.关联规则代码实现
• 1-Apripri算法整体流程
• 2-数据集demo
• 3-扫描模块
• 4-拼接模块
• 5-挖掘频繁项集
• 6-规则生成模块
• 7-完成全部算法流程
• 8-规则结果展示
• 24.词向量word2vec通俗解读
• 1-词向量模型通俗解释
• 2-模型整体框架
• 3-训练数据构建
• 4-CBOW与Skip-gram模型
• 5-负采样方案
• 25.代码实现word2vec词向量模型
• 1-数据与任务流程
• 2-数据清洗
• 3-batch数据制作
• 4-网络训练
• 5-可视化展示
• 26.线性判别分析降维算法原理解读
• 1-线性判别分析要解决的问题
• 2-线性判别分析要优化的目标
• 3-线性判别分析求解
• 4-实现线性判别分析进行降维任务
• 5-求解得出降维结果
• 27.主成分分析降维算法原理解读
• 1-PCA基本概念
• 2-方差与协方差
• 3-PCA结果推导
• 4-PCA降维实例
• 28.隐马尔科夫模型
• 1-马尔科夫模型
• 10-维特比算法
• 2-隐马尔科夫模型基本出发点
• 3-组成与要解决的问题
• 4-暴力求解方法
• 5-复杂度计算
• 6-前向算法
• 7-前向算法求解实例
• 8-Baum-Welch算法
• 9-参数求解
• 29.HMM应用实例
• 1-hmmlearn工具包
• 2-工具包使用方法
• 3-中文分词任务
• 4-实现中文分词
• 3.模型评估方法
• 1-Sklearn工具包简介
• 2-数据集切分
• 3-交叉验证的作用
• 4-交叉验证实验分析
• 5-混淆矩阵
• 6-评估指标对比分析
• 7-阈值对结果的影响
• 8-ROC曲线
• 4.线性回归实验分析
• 1-实验目标分析
• 10-模型复杂度
• 11-样本数量对结果的影响
• 12-正则化的作用
• 13-岭回归与lasso
• 14-实验总结
• 2-参数直接求解方法
• 3-预处理对结果的影响
• 4-梯度下降模块
• 5-学习率对结果的影响
• 6-随机梯度下降得到的效果
• 7-MiniBatch方法
• 8-不同策略效果对比
• 9-多项式回归
• 5.逻辑回归算法解读
• 1-逻辑回归算法原理
• 2-化简与求解
• 6.逻辑回归代码实现
• 1-多分类逻辑回归整体思路
• 10-准备测试数据
• 11-决策边界绘制
• 12-非线性决策边界
• 2-训练模块功能
• 3-完成预测模块
• 4-优化目标定义
• 5-迭代优化参数
• 6-梯度计算
• 7-得出最终结果
• 8-鸢尾花数据集多分类任务
• 9-训练多分类模型
• 7.逻辑回归实验分析
• 1-逻辑回归实验概述
• 2-概率结果随特征数值的变化
• 3-可视化展示
• 4-坐标棋盘制作
• 5-分类决策边界展示分析
• 6-多分类-softmax
• 8.聚类算法-Kmeans&Dbscan原理
• 1-KMEANS算法概述
• 2-KMEANS工作流程
• 3-KMEANS迭代可视化展示
• 4-DBSCAN聚类算法
• 5-DBSCAN工作流程
• 6-DBSCAN可视化展示
• 9.Kmeans代码实现
• 1-Kmeans算法模块概述
• 2-计算得到簇中心点
• 3-样本点归属划分
• 4-算法迭代更新
• 5-鸢尾花数据集聚类任务
• 6-聚类效果展示
• 6-机器学习算法建模实战项目
• 1.项目实战-交易数据异常检测
• 1-任务目标解读
• 10-混淆矩阵评估分析
• 11-测试集遇到的问题
• 12-阈值对结果的影响
• 13-SMOTE样本生成策略
• 14-过采样效果与项目总结
• 2-项目挑战与解决方案制定
• 3-数据标准化处理
• 4-下采样数据集制作
• 5-交叉验证
• 6-数据集切分
• 7-模型评估方法与召回率
• 8-正则化惩罚项
• 9-训练逻辑回归模型
• 2.基于随机森林的气温预测实战
• 1-基于随机森林的气温预测任务概述
• 2-基本随机森林模型建立
• 3-可视化展示与特征重要性
• 4-加入新的数据与特征
• 5-数据与特征对结果的影响
• 6-效率对比分析
• 7-网格与随机参数选择
• 8-随机参数选择方法实践
• 9-调参优化细节
• 3.贝叶斯新闻分类实战
• 1-新闻数据与任务概述
• 2-中文分词与停用词过滤
• 3-文本关键词提取
• 4-词袋模型
• 5-贝叶斯建模结果
• 6-TF-IDF特征分析对比
• 4.推荐系统实战
• 1-音乐推荐任务概述
• 2-数据集整合
• 3-基于物品的协同过滤
• 4-物品相似度计算与推荐
• 5-SVD矩阵分解
• 6-基于矩阵分解的音乐推荐
• 5.fbprophe时间序列预测
• 1-fbprophet股价预测任务概述
• 2-时间序列分析
• 3-fbprophet时间序列预测实例
• 4-亚马逊股价趋势
• 5-突变点调参
• 6.京东用户购买意向预测
• 1-项目与数据介绍
• 10-行为特征
• 11-累积行为特征
• 12-Xgboost模型
• 2-数据挖掘流程
• 3-数据检查
• 4-构建用户特征表单
• 5-构建商品特征表单
• 6-数据探索概述
• 7-购买因素分析
• 8-特征工程
• 9-基本特征构造
• 环境
• 解释器环境
• 08_AI大模型之Python基础_Python的解释器
• 09_AI大模型之Python基础_Python的安装
• 10_AI大模型之Python基础_Pycharm的安装
• 11_AI大模型之Python基础_Pycharm的配置
• jetbrains
• pycharm-professional-2024.3.1.1.exe
• pycharm.txt
• python-3.12.8-amd64.exe
• Python-3.12.8.tgz
• 00_AI大模型之Numpy_Pandas_Anaconda介绍
• 01_AI大模型之Numpy_Pandas_window上安装Anaconda
• 02_AI大模型之Numpy_Pandas_Ubuntu上安装Anaconda
• 03_AI大模型之Numpy_Pandas_conda相关命令
• 04_AI大模型之Numpy_Pandas_jupyter介绍
• 05_AI大模型之Numpy_Pandas_Pycharm中集成Jupyter
• 06_AI大模型之Numpy_Pandas_切换conda环境
• Anaconda3-2024.10-1-Linux-x86_64.sh
• Anaconda3-2024.10-1-Windows-x86_64.exe