菜菜的机器学习sklearn课堂-系列直播
http://edu.cda.cn/course/1169

课程介绍
十二周，让菜菜带你认识sklearn，带你深入浅出地探索算法的神秘世界。我会为你解读sklearn中的主流算法，带你处理数据，调整参数，完善算法，调用结果。我会为你解析参数，助你理解算法原理，也会带你遍历案例，带你实战给你刷经验。十二周之后，人人都能够三行实现算法，实现少加班，多钻研，在数据行业乘风破浪的目标，为成为优秀的数据挖掘工程师打下坚实的基础~



讲师介绍
菜菜 金融海归&数据挖掘工程师&机器学习狂热粉


第1章: 直播01 - 决策树
课时 1 : 1 决策树 live.pdf
课时 2 : 预处理数据.zip
课时 3 : 1 1.0 本周要学什么以及Sklearn入门简介
07:14
课时 4 : 1 1.1 决策树是如何工作的
06:09
课时 5 : 1 1.2 sklearn中的决策树
03:04
课时 6 : 1 1.3重要参数
06:40
课时 7 : 1 1.4 数据探索
04:40
课时 8 : 1 1.5 数据划分
01:16
课时 9 : 1 1.6 建模并进行探索
13:20
课时 10 : 1 1.7 分枝随机模式参数
03:05
课时 11 : 1 1.8 决策树剪枝
15:20
第2章: 直播02 - 随机森林
课时 12 : 2 随机森林 live.pdf
课时 13 : 2 2.0 本周要学什么
05:05
课时 14 : 2 2.1 随机森林概述
07:01
课时 15 : 2 2.2 随机森林建模流程及重要参数
08:17
课时 16 : 2 2.3 建模及参数代码实现
10:58
课时 17 : 2 2.4 机器学习调参思想
13:47
课时 18 : 2 2.5 在乳腺癌数据集上进行建模
10:07
课时 19 : 2 2.6 随机森林在乳腺癌数据集上的调参
17:43
第3章: 直播03 - 数据预处理和特征工程
课时 20 : 3 特征工程 live.pdf
课时 21 : 3 3.0 本周学什么以及数据预处理和特征工程简介
10:05
课时 22 : 3 3.1 数据无量纲化
10:01
课时 23 : 3 3.2 数据统一量纲代码实现
06:52
课时 24 : 3 3.3 缺失值处理
11:35
课时 25 : 3 3.4 编码与哑变量
07:18
课时 26 : 3 3.5 独热编码创建哑变量
12:50
课时 27 : 3 3.6 处理连续型特征 二值化分段
09:21
第4章: 直播04 - 降维算法
课时 28 : 4 降维算法 live.pdf
课时 29 : 4 4.0本周要学什么以及算法概述
12:18
课时 30 : 4 4.1 PCA与SVD原理简述
08:53
课时 31 : 4 4.2 PCA与SVD算法原理
10:37
课时 32 : 4 4.3 重要参数
14:14
课时 33 : 4 4.4 降维代码实现
10:54
课时 34 : 4 4.5 机器学习问题解答
10:22
第5章: 直播05 - 逻辑回归算法
课时 35 : 5 逻辑回归 live.pdf
课时 36 : 5 5.0 本周要学什么
03:02
课时 37 : 5 5.1 逻辑回归原理概述
13:01
课时 38 : 5 5.2 我们为什么需要逻辑回归
07:29
课时 39 : 5 5.3 sklearn中的逻辑回归
10:06
课时 40 : 5 5.4 逻辑回归中的正则化
08:46
课时 41 : 5 5.5 正则化代码实现
08:26
课时 42 : 5 5.6 那种正则化化的效果更好
14:10
课时 43 : 5 5.7 正式版会讲什么
01:35
第6章: 直播06 - K-means聚类算法
课时 44 : 6 聚类算法 live.pdf
课时 45 : 6 6.0 聚类算法概述
08:47
课时 46 : 6 6.1 Kmeans是如何工作的
09:38
课时 47 : 6 6.2 簇内误差平方和的定义
10:11
课时 48 : 6 6.3 重要参数代码实现
12:42
课时 49 : 6 6.4 聚类算法中的轮廓系数
13:37
课时 50 : 6 6.5 基于轮廓系数进行选择N_clusters
11:16
第7章: 直播07 - 支持向量机SVM算法
课时 51 : 7 SVM live version.pdf
课时 52 : 7 7.1 SVM概述
10:46
课时 53 : 7 7.2 SVM是如何工作的
11:50
课时 54 : 7 7.3 线性SVM的损失函数
08:37
课时 55 : 7 7.4 线性SVM的推导
15:34
课时 56 : 7 7.5 线性SVM决策过程的可视化过程
11:05
课时 57 : 7 7.6 SVM可视化代码实现
15:34
第8章: 直播08 - 支持向量机SVM案例课
课时 58 : 8 SVM 案例 live.pdf
课时 59 : 8 8.1 概述
09:07
课时 60 : 8 8.2 SVM中的核函数
10:38
课时 61 : 8 8.3 核函数代码实现
13:34
课时 62 : 8 8.4 核函数运行结果
09:26
课时 63 : 8 8.5 使用网格搜索对SVM进行调整
12:50
课时 64 : 8 8.6 软间隔与SVM中的重要参数C
07:10
课时 65 : 8 8.7 完整版会讲什么
02:40
第9章: 直播09 - 线性回归分析
课时 66 : 9 线性回归 live.pdf
课时 67 : 9 9.1 多元线性回归基本原理
08:17
课时 68 : 9 9.2 最小二乘法求解多元线性回归参数
14:02
课时 69 : 9 9.3 回归建模
10:52
课时 70 : 9 9.4 探索建立的模型
04:07
课时 71 : 9 9.5 多元线性回归的评估指标
10:58
课时 72 : 9 9.6 评估指标中的检测
18:03
第10章: 直播10-朴素贝叶斯
课时 73 : 10 朴素贝叶斯 live.pdf
课时 74 : 10 10.1 朴素贝叶斯概述
08:36
课时 75 : 10 10.2 朴素贝叶斯是如何工作的
12:07
课时 76 : 10 10.3 朴素贝叶斯公式推导
08:40
课时 77 : 10 10.4 朴素贝叶斯公式推导案例
11:02
课时 78 : 10 10.5 sklearn中的朴素贝叶斯
09:39
课时 79 : 10 10.6 不同分布下的贝叶斯
11:52
第11章: 直播11-XGBoost
课时 80 : 11 XGBoost live.pdf
课时 81 : 11 11.1本周要学习什么
06:01
课时 82 : 11 11.2 XGBoost前瞻：安装xgboost，xgboost库与sklearn API
12:45
课时 83 : 11 11.3 梯度提升树：集成算法回顾，重要参数n_estimators
13:15
课时 84 : 11 11.4梯度提升树：参数n_estimators下的建模
21:23
课时 85 : 11 11.5 梯度提升树：参数n_estimators的学习曲线
13:38
课时 86 : 11 11.6 梯度提升树：基于方差-偏差困境改进的学习曲线
12:39
课时 87 : 11 11.7 梯度提升树：控制有放回随机抽样，参数subsample
15:18
课时 88 : 11 11.8 梯度提升树：迭代决策树：重要参数eta
20:52
课时 89 : 11 11.9 梯度提升树：迭代决策树：重要参数eta
03:37
课时 90 : 11 11.10完整版中会含有的内容
01:06
第12章: 直播12-神经网络
课时 91 : 12 神经网络 live .pdf
课时 92 : 12 12.1 神经网络概述
12:34
课时 93 : 12 12.2 神经网络基本原理
07:10
课时 94 : 12 12.3 神经网络的输入、隐藏与输出层
09:59
课时 95 : 12 12.4 神经网络中的参数w
09:03
课时 96 : 12 12.5 神经网络是如何工作的
13:48
课时 97 : 12 12.6 sklearn中的神经网络