┣━lg2039-数据挖掘思维与实战 24 讲-拉钩专栏
┣━24 实践 5：使用 fatText 进行新闻文本分类_4311
┣━24 实践 5：使用 fatText 进行新闻文本分类[16].mp4
┣━07 模型评估：如何确认我们的模型已经达标？_4294
┣━07 模型评估：如何确认我们的模型已经达标？[16].mp4
┣━彩蛋 -数据挖掘工程师如何进阶.pdf
┣━04 理解业务和数据：我们需要做好什么计划？_4291
┣━04 理解业务和数据：我们需要做好什么计划？[16].mp4
┣━16 DBScan 聚类：打破形状的限制，使用密度聚类_4303
┣━16 DBScan 聚类：打破形状的限制，使用密度聚类[16].mp4
┣━12 支持向量机（SVM）：用一条线分开红豆与绿豆_4299
┣━12 支持向量机（SVM）：用一条线分开红豆与绿豆[16].mp4
┣━20 -Apriori 与 FP-Growth：不得不再说一遍啤酒与尿布的故事.pdf
┣━13 -人工神经网络：当前最火热的深度学习基础.pdf
┣━10-决策树：女神使用的约会决策.pdf
┣━23 – word2vec：让文字可以进行逻辑运算，女人+王冠=女王.pdf
┣━08 -模型应用：我们的模型是否可以解决业务需求？.pdf
┣━17 实践 2：如何使用 word2vec 和 k-mean 聚类寻找相似的城市_4304
┣━17 实践 2：如何使用 word2vec 和 k-mean 聚类寻找相似的城市[16].mp4
┣━17 -实践 2：如何使用 word2vec 和 k-means 聚类寻找相似的城市.pdf
┣━21-实践 4：用关联分析找到景点与玩法的关系.pdf
┣━19 实践 3：使用线性回归预测房价_4306
┣━19 实践 3：使用线性回归预测房价[16].mp4
┣━03 -工欲善其事必先利其器，扩展包与 Python 环境.pdf
┣━05 准备数据：如何处理出完整、干净的数据？_4292
┣━05 准备数据：如何处理出完整、干净的数据？[16].mp4
┣━19 -实践 3：使用线性回归预测房价.pdf
┣━07 -模型评估：如何确认我们的模型已经达标？.pdf
┣━结语 培养数据挖掘思维，终身学习_4313
┣━结语 培养数据挖掘思维，终身学习[16].mp4
┣━23 word2vec：让文字可以进行逻辑运算，女人+王冠=女王_4310
┣━23 word2vec：让文字可以进行逻辑运算，女人+王冠=女王[16].mp4
┣━06 -数据建模：该如何选择一个适合我需求的算法？.pdf
┣━13 人工神经网络：当前最火热的深度学习基础_4300
┣━13 人工神经网络：当前最火热的深度学习基础[16].mp4
┣━18-线性回归与逻辑回归找到一个函数去拟合数据.pdf
┣━结语-培养数据挖掘思维，终身学习.pdf
┣━09 -KNN 算法：近朱者赤，近墨者黑.pdf
┣━04 -理解业务和数据：我们需要做好什么计划？.pdf
┣━15 -k-means 聚类：擒贼先擒王，找到中心点，它附近的都是一类.pdf
┣━22 TF-IDF：一种简单、古老，但有用的关键词提取技术_4309
┣━22 TF-IDF：一种简单、古老，但有用的关键词提取技术[16].mp4
┣━02 Python 的数据结构和基本语法_4289
┣━02 Python 的数据结构和基本语法[16].mp4
┣━01 数据挖掘，到底在解决什么问题？_4288
┣━01 数据挖掘，到底在解决什么问题？[16].mp4
┣━24 -实践 5：使用 fastText 进行新闻文本分类.pdf
┣━02 – Python 的数据结构和基本语法.pdf
┣━彩蛋 数据挖掘工程师如何进阶_4312
┣━彩蛋 数据挖掘工程师如何进阶[16].mp4
┣━10 决策树：女神使用的约会决策_4297
┣━10 决策树：女神使用的约会决策[16].mp4
┣━11 朴素贝叶斯：算一算你是否要买延误险_4298
┣━11 朴素贝叶斯：算一算你是否要买延误险[16].mp4
┣━12 – 支持向量机（SVM）：用一条线分开红豆与绿豆.pdf
┣━01 -数据挖掘，到底在解决什么问题？.pdf
┣━11 -朴素贝叶斯：算一算你是否要买延误险.pdf
┣━09 KNN 算法：近朱者赤，近墨者黑_4296
┣━09 KNN 算法：近朱者赤，近墨者黑[16].mp4
┣━18 线性回归与逻辑回归找到一个函数去拟合数据_4305
┣━18 线性回归与逻辑回归找到一个函数去拟合数据[16].mp4
┣━开篇词 -掌握数据挖掘，搭上划时代的数字化列车.pdf
┣━21 实践 4：用关联分析找到景点与玩法的关系_4308
┣━21 实践 4：用关联分析找到景点与玩法的关系[16].mp4
┣━16 – DBScan 聚类：打破形状的限制，使用密度聚类.pdf
┣━14 -实践 1：使用 XGB 实现酒店信息消歧.pdf
┣━开篇词 掌握数据挖掘，搭上划时代的数字化列车_4287
┣━开篇词 掌握数据挖掘，搭上划时代的数字化列车[16].mp4
┣━06 数据建模：该如何选择一个适合我需求的算法？_4293
┣━06 数据建模：该如何选择一个适合我需求的算法？[16].mp4
┣━03 工欲善其事必先利其器，扩展包与 Python 环境_4290
┣━03 工欲善其事必先利其器，扩展包与 Python 环境[16].mp4
┣━20 Apriori 与 FP-Growth：不得不再说一遍啤酒与尿布的故事_4307
┣━20 Apriori 与 FP-Growth：不得不再说一遍啤酒与尿布的故事[16].mp4
┣━14 实践 1：使用 XGB 实现酒店信息消歧_4301
┣━14 实践 1：使用 XGB 实现酒店信息消歧[16].mp4
┣━08 模型应用：我们的模型是否可以解决业务需求？_4295
┣━08 模型应用：我们的模型是否可以解决业务需求？[16].mp4
┣━15 k-mean 聚类：擒贼先擒王，找到中心点，它附近的都是一类_4302
┣━15 k-mean 聚类：擒贼先擒王，找到中心点，它附近的都是一类[16].mp4
┣━22 -TF-IDF：一种简单、古老，但有用的关键词提取技术.pdf
┣━05 -准备数据：如何处理出完整、干净的数据？.pdf