python数据分析与机器学习实战-唐宇迪-专题视频课程

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