python数据分析与机器学习实战—79430人已学习
课程介绍
课程风格通俗易懂，真实案例实战。精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家入门机器学习。 学习收益： 1.掌握Python数据科学工具包，包括矩阵数据处理与可视化展示。 2.掌握机器学习算法原理推导，从数学上理解算法是怎么来的以及其中涉及的细节。 3.掌握每一个算法所涉及的参数，详解其中每一步对结果的影响。 4.熟练使用Python进行建模实战，基于真实数据集展开分析，一步步完成整个建模实战任务。
课程收益
课程目标：零基础快速掌握python数据分析与机器学习算法实战，快速入门python最流行的数据分析库numpy,pandas,matplotlib。对于繁琐的机器学习算法，先从原理上进行推导，以算法流程为主结合实际案例完成算法代码,使用scikit-learn机器学习库完成快速建立模型，评估以及预测。结合经典kaggle案例，从数据预处理开始一步步完成整个项目，使大家对如何应用python库完成实际的项目有完整的经验与概念。
讲师介绍
唐宇迪 更多讲师课程
计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。
课程大纲
第1章:人工智能入学指南
1. AI时代首选Python 9:20
2. Python我该怎么学 4:21
3. 人工智能的核心-机器学习 10:34
4. 机器学习怎么学？ 8:36
5. 算法推导与案例 8:18
第2章:Python科学计算库-Numpy
1. 使用Anaconda安装python环境 13:10
2. Numpy基础操作（课程所有PPT，数据，代码下载） 10:32
3. Numpy数组结构 10:41
4. Numpy矩阵基础 5:55
5. Numpy常用函数 12:01
6. Numpy矩阵操作 10:18
7. 复制操作对比 10:49
第3章:Python数据分析处理库-Pandas
1. Pandas数据读取 11:50
2. Pandas索引与计算 10:26
3. Pandas数据预处理实例 13:01
4. Pandas常用预处理方法 11:11
5. Pandas自定义函数 7:44
6. Series基本结构 12:29
第4章:Python可视化库-Matplotlib
1. Matplotlib完成简易折线图 8:24
2. Matplotlib子图操作 14:04
3. Matplotlib条形图与散点图 10:11
4. Matplotlib柱形图和盒图 10:16
5. Matplotlib子图细节 6:12
第5章:线性回归算法原理推导
1. 线性回归算法概述 14:23
2. 误差项分析 11:32
3. 似然函数求解 9:35
4. 目标函数推导 9:21
5. 线性回归求解 10:57
第6章:梯度下降策略
1. 梯度下降原理 11:42
2. 梯度下降方法对比 7:20
3. 学习率对结果的影响 6:08
第7章:逻辑回归算法
1. 1-逻辑回归算法原理推导 10:52
2. 2-逻辑回归求解 14:58
第8章:Python实现逻辑回归与梯度下降
1. 案例实战：Python实现逻辑回归任务概述 7:33
2. 案例实战：完成梯度下降模块 12:51
3. 案例实战：停止策略与梯度下降案例 10:55
4. 案例实战：实验对比效果 10:25
第9章:案例实战：信用卡欺诈检测
1. 案例背景和目标 8:31
2. 2-样本不均衡解决方案 10:17
3. 下采样策略 6:35
4. 交叉验证 13:02
5. 模型评估方法 13:05
6. 正则化惩罚 8:09
7. 逻辑回归模型 7:37
8. 混淆矩阵 8:52
9. 逻辑回归阈值对结果的影响 10:00
10. SMOTE样本生成策略 15:50
第10章:决策树算法
1. 决策树原理概述 12:25
2. 衡量标准-熵 11:03
3. 决策树构造实例 10:08
4. 信息增益率 5:48
5. 决策树剪枝策略 15:31
第11章:集成算法与随机森林
1. 集成算法-随机森林 12:02
2. 特征重要性衡量 13:50
3. 提升模型 11:14
4. 堆叠模型 7:09
第12章:决策树算法实例
1. 案例：决策树涉及参数 11:08
2. 案例：树可视化与sklearn库简介 18:14
3. 案例：sklearn参数选择 11:46
第13章:案例实战：泰坦尼克号获救预测
1. 船员数据分析 6:09
2. 数据预处理 13:35
3. 使用回归算法进行预测 14:30
4. 使用随机森林改进模型 12:56
5. 随机森林特征重要性衡量 10:39
第14章:贝叶斯算法
1. 贝叶斯算法概述 6:58
2. 贝叶斯推导实例 7:37
3. 贝叶斯拼写纠错实例 11:46
4. 垃圾邮件过滤实例 14:09
5. 贝叶斯实现拼写检查器 12:20
第15章:EM算法与GMM实践
1. EM算法要解决的问题 10:38
2. 隐变量问题 6:16
3. EM算法求解实例 14:31
4. Jensen不等式 10:46
5. GMM模型 9:19
6. GMM实例 11:50
7. GMM聚类 9:44
第16章:支持向量机原理推导
1. 支持向量机要解决的问题 10:05
2. 距离与数据的定义 10:33
3. 目标函数 9:41
4. 目标函数求解 11:27
5. SVM求解实例 13:45
6. 支持向量的作用 11:53
7. 软间隔问题 6:46
8. SVM核变换 16:51
第17章:SVM调参实战
1. sklearn求解支持向量机 11:24
2. SVM参数选择 14:00
第18章:聚类算法-KMEANS
1. KMEANS算法概述 11:33
2. KMEANS工作流程 9:42
3. KMEANS迭代可视化展示 8:19
第19章:聚类算法-DBSCAN
1. DBSCAN聚类算法 11:03
2. DBSCAN工作流程 15:03
3. DBSCAN可视化展示 8:52
第20章:聚类实践
1. 多种聚类算法概述 4:34
2. 聚类案例实战 17:19
第21章:PCA降维算法
1. PCA降维概述 8:39
2. PCA要优化的目标 12:21
3. PCA求解 10:17
4. PCA降维实例 19:17
第22章:神经网络算法
1. 计算机视觉领域的挑战与机器学习常规套路 9:40
2. K近邻来进行图像分类任务 10:01
3. 超参数与交叉验证 10:30
4. 线性分类 9:34
5. 损失函数 9:17
6. 神经网络正则化惩罚项 7:19
7. softmax分类器 13:38
8. 反向传播原理 15:16
9. 神经网络-最优化问题 6:46
10. 神经网络梯度下降原理 11:48
11. 神经网络整体架构 10:11
12. 神经网络实例演示 10:38
13. 过拟合解决方案 15:53
14. 感受神经网络的强大 11:30
第23章:Xgboost集成算法
1. Xgboost算法概述 11:35
2. Xgboost模型构造 12:10
3. Xgboost建模衡量标准 12:07
4. Xgboost安装 3:31
5. xgboost实例演示 14:43
第24章:机器学习建模流程与BenchMark
1. HTTP检测任务与数据挖掘的核心 11:13
2. 论文的重要程度 10:00
3. BenchMark概述 6:23
4. BenchMark的作用 13:31
第25章:K近邻算法实战
1. K近邻算法概述 15:47
2. 模型的评估 10:39
3. 数据预处理 11:25
4. sklearn库与功能 14:42
5. 多变量KNN模型 16:37
第26章:随机森林实例
1. 随机森林的回归任务 18:30
2. 数据还是多点好 13:24
3. 速度与精度的权衡 13:06
4. 调参策略 17:10
第27章:数据特征
1. 基本数值特征 11:14
2. 常用特征构造手段 13:53
3. 时间特征处理 13:04
4. 文本特征处理 20:24
5. 构造文本向量 11:45
6. 词向量特征 13:55
7. 计算机眼中的图像 5:46
第28章:集成算法实例
1. 集成算法实例概述 10:51
2. ROC与AUC指标 10:03
3. 基础模型 9:32
4. 集成实例 18:53
5. Stacking模型 14:16
6. 效果改进 11:09
大家可以点击【 查看详情】查看我的课程
课程介绍
课程风格通俗易懂，真实案例实战。精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家入门机器学习。 学习收益： 1.掌握Python数据科学工具包，包括矩阵数据处理与可视化展示。 2.掌握机器学习算法原理推导，从数学上理解算法是怎么来的以及其中涉及的细节。 3.掌握每一个算法所涉及的参数，详解其中每一步对结果的影响。 4.熟练使用Python进行建模实战，基于真实数据集展开分析，一步步完成整个建模实战任务。
课程收益
课程目标：零基础快速掌握python数据分析与机器学习算法实战，快速入门python最流行的数据分析库numpy,pandas,matplotlib。对于繁琐的机器学习算法，先从原理上进行推导，以算法流程为主结合实际案例完成算法代码,使用scikit-learn机器学习库完成快速建立模型，评估以及预测。结合经典kaggle案例，从数据预处理开始一步步完成整个项目，使大家对如何应用python库完成实际的项目有完整的经验与概念。
讲师介绍
唐宇迪 更多讲师课程
计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。
课程大纲
第1章:人工智能入学指南
1. AI时代首选Python 9:20
2. Python我该怎么学 4:21
3. 人工智能的核心-机器学习 10:34
4. 机器学习怎么学？ 8:36
5. 算法推导与案例 8:18
第2章:Python科学计算库-Numpy
1. 使用Anaconda安装python环境 13:10
2. Numpy基础操作（课程所有PPT，数据，代码下载） 10:32
3. Numpy数组结构 10:41
4. Numpy矩阵基础 5:55
5. Numpy常用函数 12:01
6. Numpy矩阵操作 10:18
7. 复制操作对比 10:49
第3章:Python数据分析处理库-Pandas
1. Pandas数据读取 11:50
2. Pandas索引与计算 10:26
3. Pandas数据预处理实例 13:01
4. Pandas常用预处理方法 11:11
5. Pandas自定义函数 7:44
6. Series基本结构 12:29
第4章:Python可视化库-Matplotlib
1. Matplotlib完成简易折线图 8:24
2. Matplotlib子图操作 14:04
3. Matplotlib条形图与散点图 10:11
4. Matplotlib柱形图和盒图 10:16
5. Matplotlib子图细节 6:12
第5章:线性回归算法原理推导
1. 线性回归算法概述 14:23
2. 误差项分析 11:32
3. 似然函数求解 9:35
4. 目标函数推导 9:21
5. 线性回归求解 10:57
第6章:梯度下降策略
1. 梯度下降原理 11:42
2. 梯度下降方法对比 7:20
3. 学习率对结果的影响 6:08
第7章:逻辑回归算法
1. 1-逻辑回归算法原理推导 10:52
2. 2-逻辑回归求解 14:58
第8章:Python实现逻辑回归与梯度下降
1. 案例实战：Python实现逻辑回归任务概述 7:33
2. 案例实战：完成梯度下降模块 12:51
3. 案例实战：停止策略与梯度下降案例 10:55
4. 案例实战：实验对比效果 10:25
第9章:案例实战：信用卡欺诈检测
1. 案例背景和目标 8:31
2. 2-样本不均衡解决方案 10:17
3. 下采样策略 6:35
4. 交叉验证 13:02
5. 模型评估方法 13:05
6. 正则化惩罚 8:09
7. 逻辑回归模型 7:37
8. 混淆矩阵 8:52
9. 逻辑回归阈值对结果的影响 10:00
10. SMOTE样本生成策略 15:50
第10章:决策树算法
1. 决策树原理概述 12:25
2. 衡量标准-熵 11:03
3. 决策树构造实例 10:08
4. 信息增益率 5:48
5. 决策树剪枝策略 15:31
第11章:集成算法与随机森林
1. 集成算法-随机森林 12:02
2. 特征重要性衡量 13:50
3. 提升模型 11:14
4. 堆叠模型 7:09
第12章:决策树算法实例
1. 案例：决策树涉及参数 11:08
2. 案例：树可视化与sklearn库简介 18:14
3. 案例：sklearn参数选择 11:46
第13章:案例实战：泰坦尼克号获救预测
1. 船员数据分析 6:09
2. 数据预处理 13:35
3. 使用回归算法进行预测 14:30
4. 使用随机森林改进模型 12:56
5. 随机森林特征重要性衡量 10:39
第14章:贝叶斯算法
1. 贝叶斯算法概述 6:58
2. 贝叶斯推导实例 7:37
3. 贝叶斯拼写纠错实例 11:46
4. 垃圾邮件过滤实例 14:09
5. 贝叶斯实现拼写检查器 12:20
第15章:EM算法与GMM实践
1. EM算法要解决的问题 10:38
2. 隐变量问题 6:16
3. EM算法求解实例 14:31
4. Jensen不等式 10:46
5. GMM模型 9:19
6. GMM实例 11:50
7. GMM聚类 9:44
第16章:支持向量机原理推导
1. 支持向量机要解决的问题 10:05
2. 距离与数据的定义 10:33
3. 目标函数 9:41
4. 目标函数求解 11:27
5. SVM求解实例 13:45
6. 支持向量的作用 11:53
7. 软间隔问题 6:46
8. SVM核变换 16:51
第17章:SVM调参实战
1. sklearn求解支持向量机 11:24
2. SVM参数选择 14:00
第18章:聚类算法-KMEANS
1. KMEANS算法概述 11:33
2. KMEANS工作流程 9:42
3. KMEANS迭代可视化展示 8:19
第19章:聚类算法-DBSCAN
1. DBSCAN聚类算法 11:03
2. DBSCAN工作流程 15:03
3. DBSCAN可视化展示 8:52
第20章:聚类实践
1. 多种聚类算法概述 4:34
2. 聚类案例实战 17:19
第21章:PCA降维算法
1. PCA降维概述 8:39
2. PCA要优化的目标 12:21
3. PCA求解 10:17
4. PCA降维实例 19:17
第22章:神经网络算法
1. 计算机视觉领域的挑战与机器学习常规套路 9:40
2. K近邻来进行图像分类任务 10:01
3. 超参数与交叉验证 10:30
4. 线性分类 9:34
5. 损失函数 9:17
6. 神经网络正则化惩罚项 7:19
7. softmax分类器 13:38
8. 反向传播原理 15:16
9. 神经网络-最优化问题 6:46
10. 神经网络梯度下降原理 11:48
11. 神经网络整体架构 10:11
12. 神经网络实例演示 10:38
13. 过拟合解决方案 15:53
14. 感受神经网络的强大 11:30
第23章:Xgboost集成算法
1. Xgboost算法概述 11:35
2. Xgboost模型构造 12:10
3. Xgboost建模衡量标准 12:07
4. Xgboost安装 3:31
5. xgboost实例演示 14:43
第24章:机器学习建模流程与BenchMark
1. HTTP检测任务与数据挖掘的核心 11:13
2. 论文的重要程度 10:00
3. BenchMark概述 6:23
4. BenchMark的作用 13:31
第25章:K近邻算法实战
1. K近邻算法概述 15:47
2. 模型的评估 10:39
3. 数据预处理 11:25
4. sklearn库与功能 14:42
5. 多变量KNN模型 16:37
第26章:随机森林实例
1. 随机森林的回归任务 18:30
2. 数据还是多点好 13:24
3. 速度与精度的权衡 13:06
4. 调参策略 17:10
第27章:数据特征
1. 基本数值特征 11:14
2. 常用特征构造手段 13:53
3. 时间特征处理 13:04
4. 文本特征处理 20:24
5. 构造文本向量 11:45
6. 词向量特征 13:55
7. 计算机眼中的图像 5:46
第28章:集成算法实例
1. 集成算法实例概述 10:51
2. ROC与AUC指标 10:03
3. 基础模型 9:32
4. 集成实例 18:53
5. Stacking模型 14:16
6. 效果改进 11:09
大家可以点击【 查看详情】查看我的课程
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
