慕课网-Python3入门机器学习 经典算法与应用

编辑点评

系统讲解Python机器学习，涵盖经典算法如K近邻、决策树、逻辑回归等，适合初学者快速入门。

⭐ 编辑推荐

本课程深入浅出地讲解Python机器学习，从基础到实践，助你掌握经典算法。

✨ 课程亮点

课程目录

📁 第4章 最基础的分类算法
    4-5 超参数.mp4  [92.3 MB]
    4-7 数据归一化【持续更新‖免费提供：CunworknoteS】.mp4  [56.8 MB]
    4-2 scikit-learn机器学习算法封装.mp4  [145.1 MB]
    4-3 训练数据集.mp4  [122.5 MB]
    4-6 网络搜索与K邻近算法中更多超参数.mp4  [131.0 MB]
    4-4 分类准确度【资源精选‖更多关注：CunworkNotes】.mp4  [130.5 MB]
    4-9 更多有关K近邻算法的思考.mp4  [22.7 MB]
    4-8 Scikit-learn中的Scaler.mp4  [115.8 MB]
    4-1 K近邻算法.mp4  [74.4 MB]
📁 第12章 决策树
    12-1 什么是决策树.mp4  [38.4 MB]
    12-2 信息熵.mp4  [39.8 MB]
    12-3 - 12-5.mp4  [252.8 MB]
    12-6 - 12-7 .mp4  [51.7 MB]
📁 第2章 机器学习基础
    2-6 课程使用环境搭建.mp4  [91.8 MB]
    2-3 监督学习、非监督学习...【整理不易‖记得关注：CunWorKNotes】.mp4  [47.4 MB]
    2-5 哲学思考.mp4  [25.0 MB]
    2-1 机器学习的数据.mp4  [48.3 MB]
    2-4 批量、在线学习、参数、非参数学习.mp4  [24.8 MB]
    2-2 机器学习的主要任务.mp4  [59.0 MB]
📁 第9章 逻辑回归
    9-4 实现逻辑回归算法.mp4  [141.5 MB]
    9-6 在逻辑回归中使用多项式特征.mp4  [72.4 MB]
    9-1 什么是逻辑回归.mp4  [37.3 MB]
    9-3 逻辑回归损失函数的梯度.mp4  [48.9 MB]
    9-8 OvR与OvO.mp4  [65.9 MB]
    9-7 scikt-learn中的逻辑回归.mp4  [85.1 MB]
    9-5 决策边界.mp4  [98.8 MB]
    9-2 逻辑回归的损失函数【公重号：CunWorkNotes】.mp4  [36.9 MB]
📁 第11章 支撑向量机SVM
    11-7RBF核函数【优质资源‖关注：cunWorkNotes 解锁】.mp4  [46.8 MB]
    11-4 Scikit-learn 中的SVM.mp4  [89.6 MB]
    11-8 RBF核函数中的gamma.mp4  [57.7 MB]
    11-2 svm背后的最优化问题.mp4  [44.4 MB]
    11-5 SVM中使用多项式特征和核函数【资源精选‖更多关注：CunworkNotes】.mp4  [61.5 MB]
    11-6 什么是核函数.mp4  [36.6 MB]
    11-1 什么是SVM.mp4  [31.4 MB]
    11-9 SVM思想解决回归问题.mp4  [36.0 MB]
    11-3 Soft Margin SVM.mp4  [35.4 MB]
📁 第3章 Jupyter Notebook ,numpy
    3-3 Numpy 数据基础.mp4  [39.0 MB]
    3-8 Numpy 中的聚合运算.mp4  [72.3 MB]
    3-6 Numpy 数据和矩阵的合并与分割.mp4  [81.2 MB]
    3-1 Jupyter Notebook基础.mp4  [88.5 MB]
    3-7 Numpy中的矩阵运算.mp4  [120.4 MB]
    3-5 Numpy数组和矩阵的基本操作.mp4  [66.3 MB]
    3-12 数据加载和简单的数据搜索【公重号：CunWorkNotes】.mp4  [73.1 MB]
    3-9 Numpy中的arg运算【优质资源‖关注：cunWorkNotes 解锁】.mp4  [50.8 MB]
    3-11 Matplotlib数据可视化基础.mp4  [101.2 MB]
    3-4 创建Numpy 数据和矩阵.mp4  [103.1 MB]
    3-2Jupter Notebook 中的魔法命令.mp4  [103.5 MB]
    3-10 Numpy中的比较和Fancy lindexing.mp4  [103.4 MB]
📁 第6章 梯度下降法
    6-6 随机梯度下降法【不易整理‖请关注：CunWorkNoteS】.mp4  [77.4 MB]
    6-4 实现线性回归中的梯度下降法.mp4  [84.2 MB]
    6-2线性回归中的梯度下降法.mp4  [109.3 MB]
    6-1 什么是梯度下降法.mp4  [33.5 MB]
    6-8有关梯度下降法的更多深入讨论.mp4  [59.1 MB]
    6-5 梯度下降法的向量化.mp4  [108.6 MB]
    6-7 scikit-learn中的梯度下降法.mp4  [130.7 MB]
    6-9 有关梯度下降法的更多讨论.mp4  [18.1 MB]
    6-3实现线性回归中的梯度下降法.mp4  [35.3 MB]
📁 第14章 更多机器学习算法
    14章 学习scikit-learn文档，大家加油！.mp4  [160.4 MB]
📁 第7章 PCA与梯度上升法
    7-7 试手MNIST数据集.mp4  [61.9 MB]
    7-3 求数据的主成分.mp4  [96.8 MB]
    7-6 scikit-learn中的PCA.mp4  [111.2 MB]
    7-9 人脸识别与特征脸.mp4  [69.1 MB]
    7-4 高维数据映射为低维数据（）.mp4  [73.3 MB]
    7-5 高纬数据映射为低纬数据.mp4  [92.3 MB]
    7-2 求数据的主成分PCA问题.mp4  [20.2 MB]
    7-8 使用PCA对数据进行降噪.mp4  [67.7 MB]
    7-1 什么是PCA.mp4  [37.8 MB]
📁 第8章 多项式回归与模型泛化
    8-10 L1，L2弹性网络【资源精选‖更多关注：CunworkNotes】.mp4  [26.5 MB]
    8-2 scikit-learn 中的多项式回归.mp4  [80.5 MB]
    8-4 为什么要训练数据集与测试数据集.mp4  [103.8 MB]
    8-8 模型泛化与岭回归.mp4  [106.1 MB]
    8-9 LASSO.mp4  [69.9 MB]
    8-5 学习曲线.mp4  [79.5 MB]
    8-6 验证数据集与交叉验证.mp4  [133.0 MB]
    8-1 什么是多项式回归.mp4  [53.4 MB]
    8-7 偏差方差平衡.mp4  [35.5 MB]
    8-3 过拟合与欠拟合.mp4  [110.0 MB]
📁 第10章 评价分类结果
    10-5 准确率和召回率的平衡.mp4  [79.1 MB]
    10-2 准确率和召回率.mp4  [27.3 MB]
    10-7 ROC曲线.mp4  [58.2 MB]
    10-4 F1 Score【公重号：CunWorkNotes】.mp4  [61.7 MB]
    10-8 多分类问题中的混淆矩阵.mp4  [78.6 MB]
    10-6 准确率召回率曲线.mp4  [91.9 MB]
    10-3 现实混淆矩阵.mp4  [87.7 MB]
    10-1准确度的陷阱和混淆矩阵【持续更新‖免费提供：CunworknoteS】.mp4  [32.1 MB]
📁 第13章 集成学习和随机森林
    13章.mp4  [419.1 MB]
📁 第1章 欢迎来到Python3玩转机器学习
    1-1 什么是机器学习.mp4  [55.7 MB]
    1-2课程涵盖的内容和理念.mp4  [42.6 MB]
    1-3课程所使用的技术栈.mp4  [56.9 MB]
📁 第5章 线性回归法
    5-7多元线性回归和正规方程解.mp4  [33.3 MB]
    5-4 衡量线性回归的指标.mp4  [56.6 MB]
    5-5 R Squared.mp4  [90.3 MB]
    5-6 最好的衡量线性回归法的指标.mp4  [56.1 MB]
    5-9 使用Scilit-learn解决回归问题.mp4  [82.3 MB]
    5-8 实现多元线性回归.mp4  [78.6 MB]
    5-1 简单线性回归.mp4  [43.7 MB]
    5-2 最小乘法.mp4  [24.7 MB]
    5-3 简单线性回归的实现.mp4  [75.7 MB]
    5-10 线性回归的可解释性.mp4  [61.9 MB]
ISLR Seventh Printing.pdf  [10.6 MB]
Mastering Feature Engineering Principles and Techniques for Data Scientists (Early Release)-O’reilly (2016).pdf  [3.6 MB]
github地址【持续更新‖免费提供：CunworknoteS】.txt  [108.0 B]

适合人群

• 机器学习初学者
• Python开发者

🎯 学习收获

• 掌握机器学习基础
• 学会经典算法应用
• 提升Python编程能力

🎉 祝您学习愉快！