├──01.1-1课程内容和理念.mp4 38.75M
├──02.1-2-初识机器学习.mp4 22.37M
├──03.1-3-课程使用的技术栈.mp4 23.19M
├──04.2-1本章总览.mp4 4.96M
├──05.2-2-数据长什么样：常见数据集、典型实例、如何使用.mp4 19.69M
├──06.2-3-研究哪些问题：分类、回归等.mp4 23.41M
├──069- 机器学习必修课：经典AI算法与编程实战 7.59M
├──07.2-4-如何分门别类：监督、无监督、强化学习等.mp4 17.42M
├──08.2-5-机器学习的七大常见误区和局限.mp4 19.81M
├──09.3-1本章总览：相互关系与学习路线.mp4 6.12M
├──10.3-2-Anaconda图形化操作.mp4 9.94M
├──100.12-4-聚类算法代码实现.mp4 15.87M
├──101.12-5-聚类评估代码实现.mp4 14.17M
├──102.12-6-聚类算法优缺点和适用条件.mp4 12.38M
├──103.13-1-本章总览.mp4 9.77M
├──104.13-2-PCA核心思想和原理.mp4 19.11M
├──105.13-3-PCA求解算法.mp4 12.89M
├──106.13-4-PCA算法代码实现.mp4 11.27M
├──107.13-5-降维任务代码实现.mp4 15.25M
├──108.13-6-PCA在数据降噪中的应用.mp4 9.08M
├──109.13-7-PCA在人脸识别中的应用.mp4 18.59M
├──11.3-3-Anaconda命令行操作.mp4 13.62M
├──110.13-8-主成分分析优缺点和适用条件.mp4 5.97M
├──111.14-1-本章总览.mp4 9.36M
├──112.14-2-概率图模型核心思想和原理.mp4 36.13M
├──113.14-3-EM算法参数估计.mp4 14.85M
├──114.14-4-隐马尔可夫模型代码实现.mp4 28.34M
├──115.14-5-概率图模型优缺点和适用条件.mp4 8.70M
├──116.15-1-本章总览.mp4 4.59M
├──117.15-2-泰坦尼克生还预测.mp4 41.28M
├──118.15-3-房价预测.mp4 41.33M
├──119.15-4-交易反欺诈代码实现.mp4 22.38M
├──12.3-4-JupyterNotebook基础使用.mp4 16.50M
├──13.3-5-JupyterNotebook高级使用：常用魔法命令.mp4 11.06M
├──14.3-6-Numpy基础：安装与性能对比.mp4 11.59M
├──15.3-7-Numpy数组创建：特定数组、等差数组、随机数组.mp4 27.09M
├──16.3-8-Numpy数组基础索引：索引和切片.mp4 12.44M
├──17.3-9-Numpy非常重要的数组合并与拆分操作.mp4 13.70M
├──18.3-10-Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4 22.95M
├──19.3-11-Numpy数组统计运算：常用的都在这儿了.mp4 11.25M
├──20.3-12-Numpy数组arg运算和排序.mp4 13.73M
├──21.3-13-Numpy数组神奇索引和布尔索引.mp4 17.58M
├──22.3-14-Matplotlib数据可视化：基础绘制与设置.mp4 17.30M
├──23.4-1本章总览.mp4 7.66M
├──24.4-2-KNN算法核心思想和原理.mp4 25.23M
├──25.4-3-KNN分类任务代码实现.mp4 23.80M
├──26.4-4-数据集划分：训练集与预测集.mp4 20.53M
├──27.4-5-模型评价.mp4 22.91M
├──28.4-6-超参数.mp4 20.13M
├──29.4-7-特征归一化.mp4 20.49M
├──30.4-8-KNN回归任务代码实现.mp4 18.91M
├──31.4-9-KNN优缺点和适用条件.mp4 12.36M
├──32.5-1-本章总览.mp4 8.80M
├──33.5-2-线性回归核心思想和原理.mp4 28.69M
├──34.5-3-逻辑回归核心思想和原理.mp4 17.70M
├──35.5-4-线性回归代码实现.mp4 20.25M
├──36.5-5-模型评价：MSE、RMSE、MAE和R方.mp4 20.93M
├──37.5-6多项式回归代码实现.mp4 14.88M
├──38.5-7-逻辑回归算法.mp4 15.62M
├──39.5-8-线性逻辑回归代码实现.mp4 17.64M
├──40.5-9多分类策略.mp4 6.32M
├──41.5-10-复杂逻辑回归及代码实现.mp4 12.81M
├──42.5-11-线性算法优缺点和适用条件.mp4 13.01M
├──43.6-1-本章总览.mp4 18.52M
├──44.6-2-损失函数.mp4 27.10M
├──45.6-3-梯度下降.mp4 25.43M
├──46.6-4-决策边界.mp4 18.70M
├──47.6-5-过拟合与欠拟合.mp4 17.14M
├──48.6-6-学习曲线.mp4 17.09M
├──49.6-7-交叉验证.mp4 15.67M
├──50.6-8-模型误差.mp4 27.07M
├──51.6-9-正则化.mp4 30.33M
├──52.6-10-LASSO和岭回归代码实现.mp4 16.67M
├──53.6-11-模型泛化.mp4 15.93M
├──54.6-12-评价指标：混淆矩阵、精准率和召回率.mp4 25.53M
├──55.6-13-评价指标：ROC曲线.mp4 23.58M
├──56.7-1-本章总览.mp4 8.77M
├──57.7-2-决策树核心思想和原理.mp4 15.24M
├──58.7-3-信息熵.mp4 27.07M
├──59.7-4-决策树分类任务代码实现.mp4 25.17M
├──60.7-5-基尼系数.mp4 13.18M
├──61.7-6-决策树剪枝.mp4 19.62M
├──62.7-7-决策树回归任务代码实现.mp4 8.52M
├──63.7-8-决策树优缺点和适用条件.mp4 12.13M
├──64.8-1-本章总览.mp4 16.01M
├──65.8-2-神经网络核心思想和原理.mp4 37.95M
├──66.8-3-激活函数.mp4 25.64M
├──67.8-4-正向传播与反向传播.mp4 15.68M
├──68.8-5-梯度下降优化算法.mp4 24.48M
├──69.8-6-神经网络简单代码实现.mp4 20.60M
├──70.8-7-梯度消失和梯度爆炸.mp4 18.41M
├──71.8-8-模型选择.mp4 26.65M
├──72.8-9-神经网络优缺点和适用条件.mp4 13.24M
├──73.9-1-本章总览.mp4 33.10M
├──74.9-2-SVM核心思想和原理.mp4 11.36M
├──75.9-3-硬间隔SVM.mp4 22.35M
├──76.9-4-SVM软间隔.mp4 17.90M
├──77.9-5-线性SVM分类任务代码实现.mp4 12.81M
├──78.9-6-非线性SVM：核技巧.mp4 28.72M
├──79.9-7-SVM核函数.mp4 14.90M
├──80.9-8-非线性SVM代码实现.mp4 16.23M
├──81.9-9-SVM回归任务代码实现.mp4 10.19M
├──82.9-10-SVM优缺点和适用条件.mp4 7.10M
├──83.10-1-本章总览.mp4 14.80M
├──84.10-2-贝叶斯方法核心思想和原理.mp4 23.49M
├──85.10-3-朴素贝叶斯分类.mp4 12.84M
├──86.10-4-朴素贝叶斯的代码实现.mp4 17.74M
├──87.10-5-多项式朴素贝叶斯代码实现.mp4 15.10M
├──88.10-6-贝叶斯方法优缺点和适用条件.mp4 15.18M
├──89.11-1-本章总览.mp4 8.80M
├──90.11-2-集成学习核心思想和原理.mp4 13.28M
├──91.11-3-集成学习代码实现.mp4 16.14M
├──92.11-4-并行策略：Bagging、OOB等方法.mp4 26.60M
├──93.11-5-并行策略：随机森林.mp4 11.74M
├──94.11-6-串行策略：Boosting.mp4 16.62M
├──95.11-7-结合策略：Stacking方法.mp4 9.44M
├──96.11-8-集成学习优缺点和适用条件.mp4 16.01M
├──97.12-1-本章总览.mp4 6.53M
├──98.12-2-聚类算法核心思想和原理.mp4 10.92M
└──99.12-3-k-means和分层聚类.mp4 14.88M