九天Hector：机器学习实战三期视频教程 ,价值3499

文件目录：数据技术课堂机器学习实战三期

【电信用户流失】Part1.1业务背景与.mp4

【电信用户流失】Part1.2数据字段解.mp4

【电信用户流失】Part1.6数据探索性.mp4

【电信用户流失】Part2.10逻辑回归.mp4

【电信用户流失】Part2.11决策树模.mp4

【电信用户流失】Part2.12决策树模.mp4

【电信用户流失】Part2.7逻辑回归机.mp4

【电信用户流失】Part2.8逻辑回归机.mp4

【电信用户流失】Part2.9自定义sklea.mp4

【实战技巧】Part4.0第四部分导学.mp4

【实战技巧】Part4.1海量特征衍生与(下).mp4

【实战技巧】Part4.1海量特征衍生与筛选（上）.mp4

【实战技巧】Part4.2网格搜索超参数(上).mp4

【实战技巧】Part4.2网格搜索超参数（下）.mp4

【特征工程】Part1.3字段类型转化与.mp4

【特征工程】Part1.4异常值检测.mp4

【特征工程】Part1.5相关性分析.mp4

【特征工程】Part2.1数据重编码：Or.mp4

【特征工程】Part2.2数据重编码：O.mp4

【特征工程】Part2.3转化器流水线：.mp4

【特征工程】Part2.4特征变换：数据.mp4

【特征工程】Part2.5连续变量分箱：.mp4

【特征工程】Part2.6连续变量分箱：.mp4

【特征工程】Part3.1.1特征衍生方法.mp4

【特征工程】Part3.1.2基于业务的新.mp4

【特征工程】Part3.1.3基于业务的服.mp4

【特征工程】Part3.1.4基于数据探索.mp4

【特征工程】Part3.1.5借助IV值检验.mp4

【特征工程】Part3.1.6基于数据探索.mp4

【特征工程】Part3.2.1单变量特征衍.mp4

【特征工程】Part3.2.10多变量多项式.mp4

【特征工程】Part3.2.11时序特征分析.mp4

【特征工程】Part3.2.12时序特征衍生.mp4

【特征工程】Part3.2.13时序特征衍生.mp4

【特征工程】Part3.2.14时序特征衍生.mp4

【特征工程】Part3.2.15时间序列分析.mp4

【特征工程】Part3.2.16词向量化与T.mp4

【特征工程】Part3.2.17NLP特征衍生方.mp4

【特征工程】Part3.2.18NLP特征衍生函.mp4

【特征工程】Part3.2.19交叉组合与多.mp4

【特征工程】Part3.2.2四则运算衍生.mp4

【特征工程】Part3.2.20分组统计高阶.mp4

【特征工程】Part3.2.21目标编码.mp4

【特征工程】Part3.2.22关键特征衍生.mp4

【特征工程】Part3.2.23特征衍生实战.mp4

【特征工程】Part3.2.24特征衍生实战.mp4

【特征工程】Part3.2.25特征衍生实战.mp4

【特征工程】Part3.2.26特征衍生实战.mp4

【特征工程】Part3.2.3分组统计特征.mp4

【特征工程】Part3.2.4多项式特征衍.mp4

【特征工程】Part3.2.5统计演变特.mp4

【特征工程】Part3.2.6多变量交叉组.mp4

【特征工程】Part3.2.7多变量分组统.mp4

【特征工程】Part3.2.8多变量分组统.mp4

【特征工程】Part3.2.9多变量多项式.mp4

【特征筛选】Part3.3.0特征筛选技术.mp4

【特征筛选】Part3.3.1缺失值过滤与.mp4

【特征筛选】Part3.3.10互信息法特征.mp4

【特征筛选】Part3.3.11feature_importan.mp4

【特征筛选】Part3.3.12RFE筛选与RFEC.mp4

【特征筛选】Part3.3.13SFS方法与SFM方.mp4

【特征筛选】Part3.3.14特征筛选方法.mp4

【特征筛选】Part3.3.2评分函数与特.mp4

【特征筛选】Part3.3.3假设检验基本.mp4

【特征筛选】Part3.3.4卡方检验与特.mp4

【特征筛选】Part3.3.5方差分析与特.mp4

【特征筛选】Part3.3.6线性相关性的.mp4

【特征筛选】Part3.3.7离散变量之间.mp4

【特征筛选】Part3.3.8连续变量与离.mp4

【特征筛选】Part3.3.9连续变量之间.mp4

LESSON0前言与导学（上）.mp4

LESSON0前言与导学（下）.mp4

LESSON1机器学习基本概念与建模流程（上）.mp4

LESSON1机器学习基本概念与建模流程（下）.mp4

LESSON10.1开篇：超参数优化与枚举网.mp4

LESSON10.2随机网格搜索（上）.mp4

LESSON10.2随机网格搜索（下）.mp4

LESSON10.3Halving网格搜索（上）.mp4

LESSON10.3Halving网格搜索（下）.mp4

LESSON10.4贝叶斯优化的基本流程.mp4

LESSON10.5BayesOptvsHyperOptvsOptuna.mp4

LESSON10.6基于BayesOpt实现高斯过程gp.mp4

LESSON10.7基于HyperOpt实现TPE优化.mp4

LESSON10.8基于Optuna实现多种优化.mp4

LESSON11.1Boosting的基本思想与基本元.mp4

LESSON11.2AdaBoost的参数（上）：弱评.mp4

LESSON11.3AdaBoost的参数（下）：实践.mp4

LESSON11.4原理进阶：AdaBoost算法流程.mp4

LESSON12.1梯度提升树的基本思想与实.mp4

LESSON12.2迭代过程中的参数(1)：GBDT.mp4

LESSON12.3迭代过程中的参数(2)：GBDT.mp4

LESSON12.4弱评估器结构参数：弗里德.mp4

LESSON12.5梯度提升树的提前停止.mp4

LESSON12.6袋外数据与其他参数.mp4

LESSON12.7梯度提升树的参数空间与TP.mp4

LESSON12.8原理进阶(1)：GBDT数学流程.mp4

LESSON12.9原理进阶(2)：拟合伪残差的.mp4

LESSON13.1.1XGBoost的基本思想.mp4

LESSON13.1.2实现XGBoost回归：sklearnAPI详.mp4

LESSON13.1.3实现XGBoost回归：xgb原生代.mp4

LESSON13.1.4实现XGBoost分类：目标函数.mp4

LESSON13.2.1基本迭代过程中的参数.mp4

LESSON13.2.2目标函数及其相关参数.mp4

LESSON13.2.3三种弱评估器与DART树详.mp4

LESSON13.2.4弱评估器的分枝：结构分.mp4

LESSON13.2.5控制复杂度：弱评估器的.mp4

LESSON13.2.6XGBoost中的必要功能性参.mp4

LESSON13.3.1XGBoost的参数空间.mp4

LESSON13.3.2XGBoost基于TPE的调参.mp4

LESSON13.4.1XGBoost的基本数学流程.mp4

LESSON13.4.2化简XGBoost的目标函数.mp4

LESSON13.4.3求解XGBoost的损失函数.mp4

LESSON2矩阵运算基础、矩阵求导与最小二乘法1.mp4

LESSON2矩阵运算基础、矩阵求导与最小二乘法2.mp4

LESSON2矩阵运算基础、矩阵求导与最小二乘法3.mp4

LESSON3线性回归的手动实现.mp4

LESSON3.1变量相关性基础理论.mp4

LESSON3.2数据生成器与Python模块编写.mp4

LESSON3.3线性回归手动实现与模型局限.mp4

LESSON3.4机器学习模型可信度理论与交叉验证基础.mp4

LESSON4.1逻辑回归模型构建与多分类学习方法（上）.mp4

LESSON4.1逻辑回归模型构建与多分类学习方法（下）.mp4

LESSON4.2逻辑回归参数估计.mp4

LESSON4.3梯度下降基本原理与手动实现(上).mp4

LESSON4.3梯度下降基本原理与手动实现（下）.mp4

LESSON4.4随机梯度下降与小批量梯度下降（上）.mp4

LESSON4.4随机梯度下降与小批量梯度下降（下）.mp4

LESSON4.5梯度下降优化基础：数据归一化与学习率调度（上）.mp4

LESSON4.5梯度下降优化基础：数据归一化与学习率调度（下）.mp4

LESSON4.6逻辑回归的手动实现方法（上）.mp4

LESSON4.6逻辑回归的手动实现方法（下).mp4

LESSON5.1分类模型决策边界.mp4

LESSON5.2混淆矩阵与F1-Score.mp4

LESSON5.3ROC-AUC的计算方法、基本原理.mp4

LESSON6.1Scikit-Learn快速入门.mp4

LESSON6.2Scikit-Learn常用方法速通.mp4

LESSON6.3（上）正则化、过拟合抑制.mp4

LESSON6.3（下）Scikit-Learn逻辑回归参.mp4

LESSON6.4机器学习调参入门.mp4

LESSON6.5（上）机器学习调参基础理.mp4

LESSON6.5（下）Scikit-Learn中网格搜索.mp4

LESSON6.6.1多分类评估指标的macro与we.mp4

LESSON6.6.2GridSearchCV的进阶使用方.mp4

LESSON7.1（上）无监督学习与K-Means基.mp4

LESSON7.1（下）K-Means聚类的Scikit-Lear.mp4

LESSON7.2MiniBatchK-Means与DBSCAN聚类.mp4

LESSON8.1决策树模型的核心思想与建.mp4

LESSON8.2（上）CART分类树的建模流.mp4

LESSON8.2（下）sklearn中CART分类树的参.mp4

LESSON8.3【加餐】ID3和C4.5的基本原理.mp4

LESSON8.4CART回归树的建模流程与skle.mp4

LESSON9.1集成算法开篇：Bagging方法的.mp4

LESSON9.2随机森林回归器的实现.mp4

LESSON9.3随机森林回归器的参数.mp4

LESSON9.4集成算法的参数空间与网格.mp4

LESSON9.5随机森林在巨量数据上的增.mp4

LESSON9.6Bagging及随机森林6大面试热.mp4