机器学习入门 Scikit-learn实现经典小案例

| ├──第1章 机器学习概述
| | ├──1-1 机器学习-导学【.mp4 7.52M
| | ├──1-10 SFrame中的apply函数【.mp4 9.12M
| | ├──1-2 概述【.mp4 5.60M
| | ├──1-3 本门课的内容【.mp4 1.87M
| | ├──1-4 IPython Notebook介绍【.mp4 7.81M
| | ├──1-5 python 基本语法【.mp4 12.34M
| | ├──1-6 条件和循环语句【.mp4 10.30M
| | ├──1-7 Python中的函数【.mp4 4.73M
| | ├──1-8 GraphLab Canvas【.mp4 8.99M
| | └──1-9 SFrame中的列操作【.mp4 9.62M
| ├──第2章 回归模型—理论
| | ├──2-1 课前须知。【.mp4 5.67M
| | ├──2-10 回归总结【.mp4 6.36M
| | ├──2-2 线性回归概述【.mp4 1.35M
| | ├──2-3 预测房价【.mp4 3.99M
| | ├──2-4 线性回归【.mp4 5.13M
| | ├──2-5 加入更高阶的因素【.mp4 4.17M
| | ├──2-6 通过训练-测试分离来评估过拟合【.mp4 9.01M
| | ├──2-7 训练测试曲线【.mp4 4.60M
| | ├──2-8 加入新的特征【.mp4 2.61M
| | └──2-9 其他回归示例【.mp4 4.52M
| ├──第3章 回归模型—房价预测进阶案例
| | ├──3-1 进阶案例介绍【.mp4 5.58M
| | ├──3-2 探索房屋数据集【.mp4 5.22M
| | ├──3-3 可视化数据集的特征【.mp4 18.79M
| | ├──3-4 实现回归模型【.mp4 46.04M
| | ├──3-5 应用线性回归模型【.mp4 51.43M
| | ├──3-6 使用sklearn来构建线性回归模型【.mp4 9.75M
| | ├──3-7 评估线性回归模型【.mp4 16.15M
| | ├──3-8 MSE和R2评分【.mp4 7.25M
| | └──3-9 多项式拟合【.mp4 54.06M
| ├──第4章 分类模型—理论
| | ├──4-1 分类-分析情感【.mp4 822.39kb
| | ├──4-10 类别概率【.mp4 2.32M
| | ├──4-11 分类总结【.mp4 3.07M
| | ├──4-2 从主题预测情感【.mp4 7.19M
| | ├──4-3 分类器应用【.mp4 6.58M
| | ├──4-4 线性分类器【.mp4 6.40M
| | ├──4-5 决策边界【.mp4 4.27M
| | ├──4-6 训练和评估分类器【.mp4 4.84M
| | ├──4-7 什么是好的精度【.mp4 9.18M
| | ├──4-8 混淆矩阵【.mp4 7.55M
| | └──4-9 学习曲线【.mp4 6.26M
| ├──第5章 分类模型—情感分析进阶案例
| | ├──5-1 情感分析进阶案例-读取数据【.mp4 7.22M
| | ├──5-2 情感分析进阶案例-TFIDF表示【.mp4 11.53M
| | ├──5-3 情感分析进阶案例 – 文本预处理【.mp4 18.15M
| | ├──5-4 情感分析进阶案例 – 分词【.mp4 7.76M
| | ├──5-5 情感分析进阶案例 – 去除停用词【.mp4 5.62M
| | └──5-6 情感分析进阶案例 – 构建分类器.mp4【.mp4 38.21M
| ├──第6章 聚类和相似度模型—理论
| | ├──6-1 聚类和相似度-文档检索【.mp4 730.33kb
| | ├──6-10 其他例子【.mp4 7.78M
| | ├──6-11 聚类和相似度总结【.mp4 5.55M
| | ├──6-2 检索感兴趣的文档【.mp4 1.61M
| | ├──6-3 用于测量相似度的单词计数表示【.mp4 7.14M
| | ├──6-4 应用TF-IDF对于重要单词进行优先级排序【.mp4 3.91M
| | ├──6-5 TF-IDFf文档表示【.mp4 4.62M
| | ├──6-6 检索相似的文档【.mp4 2.66M
| | ├──6-7 文档聚类【.mp4 3.39M
| | ├──6-8 聚类介绍【.mp4 4.67M
| | └──6-9 k-均值【.mp4 4.12M
| ├──第7章 聚类和相似度模型—维基百科人物相似度案例
| | ├──7-1 使用pandas来读取维基百科人物数据集【.mp4 11.13M
| | ├──7-2 使用sklearn来进行词袋模型表示【.mp4 12.88M
| | └──7-3 使用skearn来进行tfidf表示和相似度计算【.mp4 11.47M
| ├──第8章 推荐系统—理论
| | ├──8-1 推荐商品【.mp4 1.33M
| | ├──8-10 通过矩阵分解发现隐藏结构【.mp4 6.66M
| | ├──8-11 特征+矩阵分解【.mp4 3.72M
| | ├──8-12 推荐系统的性能度量【.mp4 6.44M
| | ├──8-13 最优推荐【.mp4 2.38M
| | ├──8-14 准确率-召回率曲线【.mp4 6.64M
| | ├──8-15 推荐系统总结【.mp4 3.88M
| | ├──8-2 我们在哪能见到推荐系统【.mp4 6.78M
| | ├──8-3 推荐的分类模型【.mp4 4.01M
| | ├──8-4 协同过滤【.mp4 4.28M
| | ├──8-5 流行物品的影响【.mp4 2.52M
| | ├──8-6 正规化同现矩阵【.mp4 5.20M
| | ├──8-7 矩阵补全问题【.mp4 5.17M
| | ├──8-8 通过用户和物品的特征进行推荐【.mp4 6.12M
| | └──8-9 利用矩阵形式预测【.mp4 2.82M
| ├──第9章 推荐系统—构建推荐系统案例
| | ├──9-1 读取和探索推荐数据【.mp4 7.55M
| | ├──9-2 将样本分成训练集和验证集【.mp4 14.47M
| | ├──9-3 基于用户和商品的推荐【.mp4 15.90M
| | ├──9-4 推荐结果评估【.mp4 14.88M
| | └──9-5 基于SVD的推荐【.mp4 18.25M
| ├──第10章 深度学习—理论
| | ├──10-1 深度学习：图像搜索(1)【.mp4 2.29M
| | ├──10-1 深度学习：图像搜索【.mp4 2.29M
| | ├──10-2 神经网络【.mp4 12.77M
| | ├──10-3 深度学习在计算机视觉中的应用。【.mp4 6.99M
| | ├──10-4 深度学习的性能【.mp4 3.77M
| | ├──10-5 计算机视觉中的深度学习【.mp4 2.88M
| | ├──10-6 深度学习的挑战【.mp4 3.13M
| | ├──10-7 迁移学习【.mp4 9.00M
| | └──10-8 深度学习总结【.mp4 3.17M
| ├──第11章 神经网络—案例部分
| | ├──11-1 神经网络拟合XOR函数【.mp4 10.43M
| | └──11-2 利用神经网络进行手写识别【.mp4 26.02M
| ├──第12章 结尾章
| | ├──12-1 部署机器学习应用【.mp4 4.30M
| | ├──12-2 部署之后发生了什么？【.mp4 8.76M
| | ├──12-3 机器学习的挑战【.mp4 9.04M
| | └──12-4 课程总结。【.mp4 3.74M