高端实战 Python数据分析与机器学习实战 Numpy/Pandas/Matplotlib等常用库精讲视频下载

课程简介   

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快速入门机器学习。旨在帮助同学们快速上手如何使用python库来完整机器学习案例。

课程目录

│  ├<01-python科学计算库-numpy>

│  │  ├课时01.课程介绍（主题与大纲）

│  │  ├课时02.机器学习概述

│  │  ├课时03.使用Anaconda安装python环境.flv

│  │  ├课时04.课程数据，代码，PPT（在参考资料界面）

│  │  ├课时05.科学计算库Numpy.flv

│  │  ├课时06.Numpy基础结构.flv

│  │  ├课时07.Numpy矩阵基础

 │  ├课时08.Numpy常用函数

 │  ├课时09.矩阵常用操作

 │  └课时10.不同复制操作对比

 ├<02-python数据分析处理库-pandas>

│  │  ├课时11.Pandas数据读取.flv

│  │  ├课时12.Pandas索引与计算

 │  ├课时13.Pandas数据预处理实例

 │  ├课时14.Pandas常用预处理方法

 │  ├课时15.Pandas自定义函数

 │  └课时16.Series结构

 ├<03-python数据可视化库-matplotlib>

│  │  ├课时17.折线图绘制.flv

│  │  ├课时18.子图操作

 │  ├课时19.条形图与散点图

 │  ├课时20.柱形图与盒图

 │  └课时21.细节设置

 ├<04-python可视化库seaborn>

│  │  ├课时22.Seaborn简介.flv

│  │  ├课时23.整体布局风格设置

 │  ├课时24.风格细节设置

 │  ├课时25.调色板

 │  ├课时26.调色板

 │  ├课时27.调色板颜色设置

 │  ├课时28.单变量分析绘图

 │  ├课时29.回归分析绘图

 │  ├课时30.多变量分析绘图

 │  ├课时31.分类属性绘图

 │  ├课时32.Facetgrid使用方法

 │  └课时33.Facetgrid绘制多变量

 ├<05-回归算法>

│  │  ├课时34.热度图绘制

 │  ├课时35.回归算法综述

 │  ├课时36.回归误差原理推导

 │  ├课时37.回归算法如何得出最优解

 │  ├课时38.基于公式推导完成简易线性回归

 │  └课时39.逻辑回归与梯度下降

 ├<06-决策树>

│  │  ├课时40.使用梯度下降求解回归问题

 │  ├课时41.决策树算法综述

 │  ├课时42.决策树熵原理

 │  ├课时43.决策树构造实例

 │  ├课时44.信息增益原理

 │  ├课时45.信息增益率的作用

 │  ├课时46.决策树剪枝策略

 │  └课时47.随机森林模型

 ├<07-贝叶斯算法>

│  │  ├课时48.决策树参数详解

 │  ├课时49.贝叶斯算法概述

 │  ├课时50.贝叶斯推导实例

 │  ├课时51.贝叶斯拼写纠错实例

 │  └课时52.垃圾邮件过滤实例

 ├<08-支持向量机>

│  │  ├课时53.贝叶斯实现拼写检查器

 │  ├课时54.支持向量机要解决的问题

 │  ├课时55.支持向量机目标函数

 │  ├课时56.支持向量机目标函数求解

 │  ├课时57.支持向量机求解实例

 │  ├课时58.支持向量机软间隔问题

 │  └课时59.支持向量核变换

 ├<09-神经网络>

│  │  ├课时60.SMO算法求解支持向量机

 │  ├课时61.初识神经网络

 │  ├课时62.计算机视觉所面临的挑战

 │  ├课时63.K近邻尝试图像分类

 │  ├课时64.超参数的作用

 │  ├课时65.线性分类原理

 │  ├课时66.神经网络-损失函数

 │  ├课时67.神经网络-正则化惩罚项

 │  ├课时68.神经网络-softmax分类器

 │  ├课时69.神经网络-最优化形象解读

 │  ├课时70.神经网络-梯度下降细节问题

 │  ├课时71.神经网络-反向传播

 │  ├课时72.神经网络架构

 │  ├课时73.神经网络实例演示

 │  └课时74.神经网络过拟合解决方案

 ├<10-xgboost集成算法>

│  │  ├课时75.感受神经网络的强大

 │  ├课时76.集成算法思想

 │  ├课时77.xgboost基本原理

 │  ├课时78.xgboost目标函数推导

 │  ├课时79.xgboost求解实例

 │  ├课时80.xgboost安装

 │  └课时81.xgboost实战演示

 ├<11-自然语言处理词向量模型-word2vec>

│  │  ├课时82.Adaboost算法概述

 │  ├课时83.自然语言处理与深度学习加微信ff1318860

 │  ├课时84.语言模型

 │  ├课时85.-N-gram模型

 │  ├课时86.词向量

 │  ├课时87.神经网络模型

 │  ├课时88.Hierarchical.Softmax

 │  ├课时89.CBOW模型实例

 │  ├课时90.CBOW求解目标

 │  └课时91.梯度上升求解

 ├<12-k近邻与聚类>

│  │  ├课时92.负采样模型

 │  ├课时93.无监督聚类问题

 │  ├课时94.聚类结果与离群点分析

 │  ├课时95.K-means聚类案例对NBA球员进行评估

 │  ├课时96.使用Kmeans进行图像压缩

 │  └课时97.K近邻算法原理

 ├<13-pca降维与svd矩阵分解>

│  │  ├课时100.PCA实例

 │  ├课时101.SVD奇异值分解原理

 │  ├课时98.K近邻算法代码实现

 │  └课时99.PCA基本原理

 ├<14-scikit-learn模型建立与评估>

│  │  ├课时102.SVD推荐系统应用实例

 │  ├课时103.使用python库分析汽车油耗效率.flv

│  │  ├课时104.使用scikit-learn库建立回归模型

 │  ├课时105.使用逻辑回归改进模型效果

 │  ├课时106..模型效果衡量标准

 │  ├课时107.ROC指标与测试集的价值

 │  └课时108.交叉验证

 ├<15-python库分析科比生涯数据>

│  │  ├课时109.多类别问题

 │  ├课时110.Kobe.Bryan生涯数据读取与简介.flv

│  │  ├课时111.特征数据可视化展示

 │  └课时112.数据预处理

 ├<16-机器学习项目实战-泰坦尼克获救预测>

│  │  ├课时113.使用Scikit-learn建立模型

 │  ├课时114.船员数据分析.flv

│  │  ├课时115.数据预处理

 │  ├课时116.使用回归算法进行预测

 │  └课时117.使用随机森林改进模型

 ├<17-机器学习项目实战-交易数据异常检测>

│  │  ├课时118.随机森林特征重要性分析

 │  ├课时119.案例背景和目标

 │  ├课时120.样本不均衡解决方案

 │  ├课时121.下采样策略

 │  ├课时122.交叉验证

 │  ├课时123.模型评估方法

 │  ├课时124.正则化惩罚

 │  ├课时125.逻辑回归模型

 │  ├课时126.混淆矩阵

 │  └课时127.逻辑回归阈值对结果的影响

 ├<18-python文本数据分析：新闻分类任务>

│  │  ├课时128.SMOTE样本生成策略

 │  ├课时129.文本分析与关键词提取

 │  ├课时130.相似度计算

 │  ├课时131.新闻数据与任务简介

 │  ├课时132.TF-IDF关键词提取

 │  └课时133.LDA建模

 ├<19-python时间序列分析>

│  │  ├课时134.基于贝叶斯算法进行新闻分类

 │  ├课时135.章节简介.flv

│  │  ├课时136.Pandas生成时间序列

 │  ├课时137.Pandas数据重采样

 │  ├课时138.Pandas滑动窗口

 │  ├课时139.数据平稳性与差分法

 │  ├课时140.ARIMA模型

 │  ├课时141.相关函数评估方法

 │  ├课时142.建立ARIMA模型

 │  ├课时143.参数选择

 │  ├课时144.股票预测案例

 │  └课时145.使用tsfresh库进行分类任务

 ├<20-使用gensim库构造中文维基百度数据词向量模型>

│  │  ├课时146.维基百科词条EDA

 │  ├课时147.使用Gensim库构造词向量

 │  ├课时148.维基百科中文数据处理

 │  └课时149.Gensim构造word2vec模型

 ├<21-机器学习项目实战-贷款申请最大化利润>

│  │  ├课时150.测试模型相似度结果

 │  ├课时151.数据清洗过滤无用特征

 │  ├课时152.数据预处理

 │  └课时153.获得最大利润的条件与做法

 ├<22-机器学习项目实战-用户流失预警>

│  │  ├课时154.预测结果并解决样本不均衡问题

 │  ├课时155.数据背景介绍

 │  ├课时156.数据预处理

 │  ├课时157.尝试多种分类器效果

 │  └课时158.结果衡量指标的意义

 ├<23-探索性数据分析-足球赛事数据集>

│  │  ├课时159.应用阈值得出结果

 │  ├课时160.内容简介

 │  ├课时161.数据背景介绍.flv

│  │  ├课时162.数据读取与预处理

 │  ├课时163.数据切分模块

 │  ├课时164.缺失值可视化分析

 │  ├课时165.特征可视化展示

 │  ├课时166.多特征之间关系分析

 │  └课时167.报表可视化分析

 ├<24-探索性数据分析-农粮组织数据集>

│  │  ├课时168.红牌和肤色的关系

 │  ├课时169.数据背景简介

 │  ├课时170.数据切片分析

 │  ├课时171.单变量分析

 │  ├课时172.峰度与偏度

 │  ├课时173.数据对数变换

 │  └课时174.数据分析维度

 ├<25-机器学习项目实战-http日志聚类分析>

│  │  ├课时175.变量关系可视化展示

 │  ├课时176.建立特征工程

 │  ├课时177.特征数据预处理

 │  └课时178.应用聚类算法得出异常IP点

资源下载

此资源下载价格为15学分，VIP免费，请先登录

充值比例 1元=1学分
资源失效，请咨询客服
客服QQ 980264305