课程目录：

├── 1-第一章 AI课程所需安装软件教程
│ ├── 1.AI课程所需安装软件教程 .mp4
│ ├── 2.Python环境安装和搭建.mp4
│ ├── 3.Anaconda基础讲解和使用的教程 .mp4
│ ├── 4.Pytorch（CPU版本安装） .mp4
│ └── 5.PyCharm安装和配置.mp4
├── 2-第一模块：Python快速入门
│ ├── 1-Python、PyCharm安装与配置（Python和anaconda二者选一即可）
│ │ └── 1-1-Python环境配置.mp4
│ ├── 10-Python循环
│ │ └── 1-Python循环.mp4
│ ├── 11-函数定义
│ │ └── 1-15-函数定义.mp4
│ ├── 12-模块与包
│ │ └── 1-16-模块与包.mp4
│ ├── 13-异常处理模块
│ │ └── 1-17-异常处理模块.mp4
│ ├── 14-文件操作
│ │ └── 1-18-文件操作.mp4
│ ├── 15-类的基本定义
│ │ └── 1-19-类的基本定义.mp4
│ ├── 16-类的属性操作
│ │ └── 1-20-类的属性操作.mp4
│ ├── 17-时间操作
│ │ └── 1-21-时间操作.mp4
│ ├── 18-Python练习题-1
│ │ └── 1-22-Python练习题-1.mp4
│ ├── 19-Python练习题-2
│ │ └── 1-23-Python练习题-2.mp4
│ ├── 2-anaconda环境安装和搭建
│ │ └── 1-anaconda环境安装和搭建.mp4
│ ├── 3-Python简介
│ │ └── 1-Python简介.mp4
│ ├── 4-Python数据类型
│ │ └── 1-Python数据类型.mp4
│ ├── 5-Python列表
│ │ └── 1-Python列表.mp4
│ ├── 6-Python元组
│ │ └── 1-Python元组 .mp4
│ ├── 7-Python集合
│ │ └── 1-Python集合.mp4
│ ├── 8-Python字典
│ │ └── 1-Python字典.mp4
│ └── 9-Python条件判断
│ └── 1-Python条件判断.mp4
├── 3-第二模块：Python数据科学必备工具包实战
│ ├── 1-1. 科学计算库-Numpy
│ │ ├── 1-1-Numpy概述.mp4
│ │ ├── 10-10-四则运算 .mp4
│ │ ├── 11-11-随机模块.mp4
│ │ ├── 12-12-文件读写 .mp4
│ │ ├── 13-13-数组保存 .mp4
│ │ ├── 14-14-练习题-1.mp4
│ │ ├── 15-15-练习题-2.mp4
│ │ ├── 16-16-练习题-3 .mp4
│ │ ├── 2-2-Array数组 .mp4
│ │ ├── 3-3-数组结构 .mp4
│ │ ├── 4-4-数组类型 .mp4
│ │ ├── 5-5-数值运算 .mp4
│ │ ├── 6-6-排序操作.mp4
│ │ ├── 7-7-数组形状操作.mp4
│ │ ├── 8-8-数组生成函数 .mp4
│ │ └── 9-9-常用生成函数.mp4
│ ├── 2-2. 数据分析处理库-Pandas
│ │ ├── 1-1-Pandas概述.mp4
│ │ ├── 10-10-数据透视表 .mp4
│ │ ├── 11-11-时间操作 .mp4
│ │ ├── 12-12-时间序列操作 .mp4
│ │ ├── 13-Pandas常用操作 .mp4
│ │ ├── 14-Pandas常用操作2.mp4
│ │ ├── 15-15-Groupby操作延伸.mp4
│ │ ├── 16-16-字符串操作 .mp4
│ │ ├── 17-17-索引进阶.mp4
│ │ ├── 18-18-Pandas绘图操作.mp4
│ │ ├── 19-19-大数据处理技巧 .mp4
│ │ ├── 2-2-Pandas基本操作 .mp4
│ │ ├── 3-3-Pandas索引.mp4
│ │ ├── 4-4-groupby操作.mp4
│ │ ├── 5-5-数值运算1.mp4
│ │ ├── 6-6-对象操作.mp4
│ │ ├── 7-7-对象操作2 .mp4
│ │ ├── 8-8-merge操作 .mp4
│ │ └── 9-9-显示设置 .mp4
│ ├── 3-3 .可视化库-Matplotlib
│ │ ├── 1-1-Matplotlib概述.mp4
│ │ ├── 10-10-绘图细节设置2.mp4
│ │ ├── 11-11-直方图与散点图 .mp4
│ │ ├── 12-12-3D图绘制.mp4
│ │ ├── 13-13-pie图 .mp4
│ │ ├── 14-14-子图布局.mp4
│ │ ├── 15-15-结合pandas与sklearn.mp4
│ │ ├── 2-2-子图与标注 .mp4
│ │ ├── 3-3-风格设置.mp4
│ │ ├── 4-4-条形图 .mp4
│ │ ├── 5-5-条形图细节.mp4
│ │ ├── 6-6-条形图外观 .mp4
│ │ ├── 7-7-盒图绘制 .mp4
│ │ ├── 8-8-盒图细节 .mp4
│ │ └── 9-9-绘图细节设置.mp4
│ └── 4-4. 可视化库-Seaborn
│ ├── 1-0-课程简介 .mp4
│ ├── 10-9Facetgrid使用方法.mp4
│ ├── 11-10Facetgrid绘制多变量.mp4
│ ├── 12-11热度图绘制.mp4
│ ├── 2-1整体布局风格设置.mp4
│ ├── 3-2风格细节设置.mp4
│ ├── 4-3调色板.mp4
│ ├── 5-4调色板颜色设置 .mp4
│ ├── 6-5单变量分析绘图 .mp4
│ ├── 7-6回归分析绘图.mp4
│ ├── 8-7多变量分析绘图.mp4
│ └── 9-8分类属性绘图 .mp4
├── 4-第三模块：人工智能-必备数学课程
│ ├── 1-1.高等数学基础
│ │ ├── 1-0-课程简介 .mp4
│ │ ├── 2-1-函数 .mp4
│ │ ├── 3-2-极限.mp4
│ │ ├── 4-3-无穷小与无穷大 .mp4
│ │ ├── 5-4-连续性与导数.mp4
│ │ ├── 6-5-偏导数 .mp4
│ │ ├── 7-6-方向导数.mp4
│ │ └── 8-7-梯度 .mp4
│ ├── 10-10.熵与激活函数
│ │ ├── 1-1-熵的概念.mp4
│ │ ├── 2-2-熵的大小意味着什么.mp4
│ │ ├── 3-3-激活函数.mp4
│ │ └── 4-4-激活函数的问题 .mp4
│ ├── 11-11.回归分析
│ │ ├── 1-1-回归分析概述 .mp4
│ │ ├── 10-10-高阶与分类变量实例 .mp4
│ │ ├── 11-11-案例：汽车价格预测任务概述.mp4
│ │ ├── 12-12-案例：缺失值填充.mp4
│ │ ├── 13-13-案例：特征相关性.mp4
│ │ ├── 14-14-案例：预处理问题.mp4
│ │ ├── 15-15-案例：回归求解.mp4
│ │ ├── 2-2-回归方程定义 .mp4
│ │ ├── 3-3-误差项的定义.mp4
│ │ ├── 4-4-最小二乘法推导与求解.mp4
│ │ ├── 5-5-回归方程求解小例子 .mp4
│ │ ├── 6-6-回归直线拟合优度 .mp4
│ │ ├── 7-7-多元与曲线回归问题.mp4
│ │ ├── 8-8-Python工具包介绍.mp4
│ │ └── 9-9-statsmodels回归分析 .mp4
│ ├── 12-12.假设检验
│ │ ├── 1-1-假设检验基本思想 .mp4
│ │ ├── 10-10-Python假设检验实例 .mp4
│ │ ├── 11-11-Python卡方检验实例.mp4
│ │ ├── 2-2-左右侧检验与双侧检验 .mp4
│ │ ├── 3-3-Z检验基本原理 .mp4
│ │ ├── 4-4-Z检验实例.mp4
│ │ ├── 5-5-T检验基本原理 .mp4
│ │ ├── 6-6-T检验实例.mp4
│ │ ├── 7-7-T检验应用条件.mp4
│ │ ├── 8-8-卡方检验.mp4
│ │ └── 9-9-假设检验中的两类错误.mp4
│ ├── 13-13.相关分析
│ │ ├── 1-1-相关分析概述.mp4
│ │ ├── 2-2-皮尔森相关系数.mp4
│ │ ├── 3-3-计算与检验 .mp4
│ │ ├── 4-4-斯皮尔曼等级相关 .mp4
│ │ ├── 5-5-肯德尔系数 .mp4
│ │ ├── 6-6-质量相关分析.mp4
│ │ └── 7-7-偏相关与复相关 .mp4
│ ├── 14-14.方差分析
│ │ ├── 1-1-方差分析概述.mp4
│ │ ├── 2-2-方差的比较.mp4
│ │ ├── 3-3-方差分析计算方法.mp4
│ │ ├── 4-4-方差分析中的多重比较 .mp4
│ │ ├── 5-5-多因素方差分析.mp4
│ │ └── 6-6-Python方差分析实例 .mp4
│ ├── 15-15.聚类分析
│ │ ├── 1-1-层次聚类概述.mp4
│ │ ├── 10-6-1-多种聚类算法概述.mp4
│ │ ├── 11-6-2-聚类案例实战 .mp4
│ │ ├── 2-2-层次聚类流程.mp4
│ │ ├── 3-3-层次聚类实例.mp4
│ │ ├── 4-4-1-KMEANS算法概述 .mp4
│ │ ├── 5-4-2-KMEANS工作流程 .mp4
│ │ ├── 6-4-3-KMEANS迭代可视化展示.mp4
│ │ ├── 7-5-1-DBSCAN聚类算法.mp4
│ │ ├── 8-5-2-DBSCAN工作流程.mp4
│ │ └── 9-5-3-DBSCAN可视化展示.mp4
│ ├── 16-16.贝叶斯分析
│ │ ├── 1-1-贝叶斯分析概述.mp4
│ │ ├── 10-10-MCMC概述 .mp4
│ │ ├── 11-11-PYMC3概述 .mp4
│ │ ├── 12-12-模型诊断 .mp4
│ │ ├── 13-13-模型决策 .mp4
│ │ ├── 2-2-概率的解释 .mp4
│ │ ├── 3-3-贝叶斯学派与经典统计学派的争论.mp4
│ │ ├── 4-4-贝叶斯算法概述 .mp4
│ │ ├── 5-5-贝叶斯推导实例.mp4
│ │ ├── 6-6-贝叶斯拼写纠错实例.mp4
│ │ ├── 7-7-垃圾邮件过滤实例 .mp4
│ │ ├── 8-8-贝叶斯解释 .mp4
│ │ └── 9-9-经典求解思路.mp4
│ ├── 2-2.微积分
│ │ ├── 1-1-微积分基本想法 .mp4
│ │ ├── 2-2-微积分的解释 .mp4
│ │ ├── 3-3-定积分 .mp4
│ │ ├── 4-4-定积分性质 .mp4
│ │ └── 5-5-牛顿-莱布尼茨公式 .mp4
│ ├── 3-3.泰勒公式与拉格朗日
│ │ ├── 1-1-泰勒公式出发点.mp4
│ │ ├── 2-2-一点一世界.mp4
│ │ ├── 3-3-阶数的作用 .mp4
│ │ ├── 4-4-阶乘的作用 .mp4
│ │ ├── 5-5-拉格朗日乘子法 .mp4
│ │ └── 6-6-求解拉格朗日乘子法.mp4
│ ├── 4-4.线性代数基础
│ │ ├── 1-1-行列式概述.mp4
│ │ ├── 2-2-矩阵与数据的关系 .mp4
│ │ ├── 3-3-矩阵基本操作 .mp4
│ │ ├── 4-4-矩阵的几种变换.mp4
│ │ ├── 5-5-矩阵的秩.mp4
│ │ └── 6-6-内积与正交.mp4
│ ├── 5-5.特征值与矩阵分解
│ │ ├── 1-1-特征值与特征向量.mp4
│ │ ├── 2-2-特征空间与应用.mp4
│ │ ├── 3-1-SVD要解决的问题.mp4
│ │ ├── 4-4-特征值分解 .mp4
│ │ └── 5-5-SVD矩阵分解.mp4
│ ├── 6-6.随机变量
│ │ ├── 1-1-离散型随机变量.mp4
│ │ ├── 2-2-连续型随机变量.mp4
│ │ ├── 3-3-简单随机抽样.mp4
│ │ ├── 4-4-似然函数.mp4
│ │ └── 5-5-极大似然估计 .mp4
│ ├── 7-7.概率论基础
│ │ ├── 1-1-概率与频率.mp4
│ │ ├── 10-10-期望求解 .mp4
│ │ ├── 11-11-马尔科夫不等式.mp4
│ │ ├── 12-12-切比雪夫不等式.mp4
│ │ ├── 13-13-后验概率估计 .mp4
│ │ ├── 14-14-贝叶斯拼写纠错实例 .mp4
│ │ ├── 15-15-垃圾邮件过滤实例.mp4
│ │ ├── 2-2-古典概型.mp4
│ │ ├── 3-3-条件概率 .mp4
│ │ ├── 4-4-条件概率小例子 .mp4
│ │ ├── 5-5-独立性 .mp4
│ │ ├── 6-6-二维离散型随机变量.mp4
│ │ ├── 7-7-二维连续型随机变量.mp4
│ │ ├── 8-8-边缘分布.mp4
│ │ └── 9-9-期望.mp4
│ ├── 8-8.数据科学你得知道的几种分布
│ │ ├── 1-1-正态分布 .mp4
│ │ ├── 2-2-二项式分布 .mp4
│ │ ├── 3-3-泊松分布.mp4
│ │ ├── 4-4-均匀分布 .mp4
│ │ ├── 5-5-卡方分布 .mp4
│ │ └── 6-6-beta分布.mp4
│ └── 9-9.核函数变换
│ ├── 1-1-核函数的目的.mp4
│ ├── 2-2-线性核函数 .mp4
│ ├── 3-3-多项式核函数 .mp4
│ ├── 4-4-核函数实例.mp4
│ ├── 5-5-高斯核函数.mp4
│ └── 6-6-参数的影响.mp4
├── 5-第四模块：机器学习算法精讲及其案例应用
│ ├── 1-1.线性回归原理推导
│ │ ├── 1-1-回归问题概述.mp4
│ │ ├── 2-2-误差项定义.mp4
│ │ ├── 3-3-独立同分布的意义 .mp4
│ │ ├── 4-4-似然函数的作用 .mp4
│ │ ├── 5-5-参数求解 .mp4
│ │ ├── 6-6-梯度下降通俗解释.mp4
│ │ ├── 7-7参数更新方法 .mp4
│ │ └── 8-8-优化参数设置 .mp4
│ ├── 10-10.聚类算法实验分析
│ │ ├── 1-1-Kmenas算法常用操作.mp4
│ │ ├── 10-1-半监督学习.mp4
│ │ ├── 11-1-DBSCAN算法 .mp4
│ │ ├── 2-1-聚类结果展示.mp4
│ │ ├── 3-1-建模流程解读.mp4
│ │ ├── 4-1-不稳定结果 .mp4
│ │ ├── 5-1-评估指标-Inertia.mp4
│ │ ├── 6-1-如何找到合适的K值.mp4
│ │ ├── 7-2-Kmenas算法存在的问题.mp4
│ │ ├── 8-1-轮廓系数的作用 .mp4
│ │ └── 9-2-应用实例-图像分割 .mp4
│ ├── 11-11.决策树原理
│ │ ├── 1-1-决策树算法概述 .mp4
│ │ ├── 2-2-熵的作用.mp4
│ │ ├── 3-3-信息增益原理 .mp4
│ │ ├── 4-4-决策树构造实例 .mp4
│ │ ├── 5-5-信息增益率与gini系数 .mp4
│ │ ├── 6-6-预剪枝方法.mp4
│ │ ├── 7-7-后剪枝方法.mp4
│ │ └── 8-8-回归问题解决.mp4
│ ├── 12-12.决策树代码实现
│ │ ├── 1-整体模块概述.mp4
│ │ ├── 2-递归生成树节点.mp4
│ │ ├── 3-整体框架逻辑.mp4
│ │ ├── 4-熵值计算.mp4
│ │ ├── 5-数据集切分 .mp4
│ │ ├── 6-完成树模型构建 .mp4
│ │ └── 7-测试算法效果 .mp4
│ ├── 13-13.决策树实验分析
│ │ ├── 1-1-树模型可视化展示.mp4
│ │ ├── 2-2-决策边界展示分析 .mp4
│ │ ├── 3-3-树模型预剪枝参数作用 .mp4
│ │ └── 4-4-回归树模型 .mp4
│ ├── 14-14.集成算法原理
│ │ ├── 1-1-随机森林算法原理 .mp4
│ │ ├── 2-2-随机森林优势与特征重要性指标.mp4
│ │ ├── 3-3-提升算法概述.mp4
│ │ └── 4-4-stacking堆叠模型 .mp4
│ ├── 15-15.集成算法实验分析
│ │ ├── 1-1-构建实验数据集.mp4
│ │ ├── 10-10-集成参数对比分析.mp4
│ │ ├── 11-11-模型提前停止策略 .mp4
│ │ ├── 12-12-停止方案实施 .mp4
│ │ ├── 13-13-堆叠模型.mp4
│ │ ├── 2-2-硬投票与软投票效果对比.mp4
│ │ ├── 3-3-Bagging策略效果 .mp4
│ │ ├── 4-4-集成效果展示分析.mp4
│ │ ├── 5-5-OOB袋外数据的作用 .mp4
│ │ ├── 6-6-特征重要性热度图展示.mp4
│ │ ├── 7-7-Adaboost算法概述.mp4
│ │ ├── 8-8-Adaboost决策边界效果.mp4
│ │ └── 9-9-GBDT提升算法流程.mp4
│ ├── 16-16.支持向量机原理推导
│ │ ├── 1-1-支持向量机要解决的问题.mp4
│ │ ├── 2-2-距离与数据定义.mp4
│ │ ├── 3-3-目标函数推导.mp4
│ │ ├── 4-4-拉格朗日乘子法求解.mp4
│ │ ├── 5-5-化简最终目标函数 .mp4
│ │ ├── 6-6-求解决策方程.mp4
│ │ ├── 7-7-软间隔优化 .mp4
│ │ ├── 8-8-核函数的作用.mp4
│ │ └── 9-9-知识点总结 .mp4
│ ├── 17-17.支持向量机实验分析
│ │ ├── 1-1-支持向量机所能带来的效果 .mp4
│ │ ├── 2-2-决策边界可视化展示 .mp4
│ │ ├── 3-3-软间隔的作用.mp4
│ │ ├── 4-4-非线性SVM.mp4
│ │ └── 5-5-核函数的作用与效果 .mp4
│ ├── 18-18.神经网络算法原理
│ │ ├── 1-1-深度学习要解决的问题.mp4
│ │ ├── 10-10-神经网络架构细节.mp4
│ │ ├── 11-11-神经元个数对结果的影响 .mp4
│ │ ├── 12-12-正则化与激活函数 .mp4
│ │ ├── 13-13-神经网络过拟合解决方法 .mp4
│ │ ├── 2-2-深度学习应用领域 .mp4
│ │ ├── 3-3-计算机视觉任务 .mp4
│ │ ├── 4-4-视觉任务中遇到的问题.mp4
│ │ ├── 5-5-得分函数 .mp4
│ │ ├── 6-6-损失函数的作用 .mp4
│ │ ├── 7-7-前向传播整体流程 .mp4
│ │ ├── 8-8-返向传播计算方法.mp4
│ │ └── 9-9-神经网络整体架构.mp4
│ ├── 19-19.神经网络代码实现
│ │ ├── 1-1-神经网络整体框架概述 .mp4
│ │ ├── 10-10-完成全部迭代更新模块.mp4
│ │ ├── 11-11-手写字体识别数据集.mp4
│ │ ├── 12-12-算法代码错误修正.mp4
│ │ ├── 13-13-模型优化结果展示.mp4
│ │ ├── 14-14-测试效果可视化展示 .mp4
│ │ ├── 2-2-参数初始化操作.mp4
│ │ ├── 3-3-矩阵向量转换.mp4
│ │ ├── 4-4-向量反变换 .mp4
│ │ ├── 5-5-完成前向传播模块 .mp4
│ │ ├── 6-6-损失函数定义.mp4
│ │ ├── 7-7-准备反向传播迭代 .mp4
│ │ ├── 8-8-差异项计算 .mp4
│ │ └── 9-9-逐层计算.mp4
│ ├── 2-2.线性回归代码实现
│ │ ├── 1-线性回归整体模块概述 .mp4
│ │ ├── 10-非线性回归 .mp4
│ │ ├── 2-初始化步骤 .mp4
│ │ ├── 3-实现梯度下降优化模块 .mp4
│ │ ├── 4-损失与预测模块 .mp4
│ │ ├── 5-数据与标签定义.mp4
│ │ ├── 6-训练线性回归模型.mp4
│ │ ├── 7-得到线性回归方程 .mp4
│ │ ├── 8-整体流程debug解读.mp4
│ │ └── 9-多特征回归模型 .mp4
│ ├── 20-20.贝叶斯算法原理
│ │ ├── 1-1-贝叶斯要解决的问题.mp4
│ │ ├── 2-2-贝叶斯公式推导.mp4
│ │ ├── 3-3-垃圾邮件过滤实例.mp4
│ │ └── 4-4-拼写纠错实例 .mp4
│ ├── 21-21.贝叶斯代码实现
│ │ ├── 1-1-朴素贝叶斯算法整体框架 .mp4
│ │ ├── 2-2-邮件数据读取.mp4
│ │ ├── 3-3-预料表与特征向量构建.mp4
│ │ ├── 4-4-分类别统计词频.mp4
│ │ ├── 5-5-贝叶斯公式对数变换.mp4
│ │ └── 6-6-完成预测模块.mp4
│ ├── 22-22.关联规则实战分析
│ │ ├── 1-1-关联规则概述 .mp4
│ │ ├── 2-2-支持度与置信度 .mp4
│ │ ├── 3-3-提升度的作用 .mp4
│ │ ├── 4-4-Python实战关联规则.mp4
│ │ ├── 5-5-数据集制作.mp4
│ │ └── 6-6-电影数据集题材关联分析.mp4
│ ├── 23-23.关联规则代码实现
│ │ ├── 1-1-Apripri算法整体流程 .mp4
│ │ ├── 2-2-数据集demo.mp4
│ │ ├── 3-3-扫描模块.mp4
│ │ ├── 4-4-拼接模块.mp4
│ │ ├── 5-5-挖掘频繁项集.mp4
│ │ ├── 6-6-规则生成模块.mp4
│ │ ├── 7-7-完成全部算法流程.mp4
│ │ └── 8-8-规则结果展示.mp4
│ ├── 24-24.词向量word2vec通俗解读
│ │ ├── 1-1-词向量模型通俗解释 .mp4
│ │ ├── 2-2-模型整体框架 .mp4
│ │ ├── 3-3-训练数据构建 .mp4
│ │ ├── 4-4-CBOW与Skip-gram模型 .mp4
│ │ └── 5-5-负采样方案 .mp4
│ ├── 25-25.代码实现word2vec词向量模型
│ │ ├── 1-1-数据与任务流程.mp4
│ │ ├── 2-2-数据清洗 .mp4
│ │ ├── 3-3-batch数据制作.mp4
│ │ ├── 4-4-网络训练.mp4
│ │ └── 5-5-可视化展示.mp4
│ ├── 26-26.线性判别分析降维算法原理解读
│ │ ├── 1-1-线性判别分析要解决的问题 .mp4
│ │ ├── 2-2-线性判别分析要优化的目标.mp4
│ │ ├── 3-3-线性判别分析求解.mp4
│ │ ├── 4-4-实现线性判别分析进行降维任务 .mp4
│ │ └── 5-5-求解得出降维结果.mp4
│ ├── 27-27.主成分分析降维算法原理解读
│ │ ├── 1-1-PCA基本概念 .mp4
│ │ ├── 2-2-方差与协方差.mp4
│ │ ├── 3-3-PCA结果推导.mp4
│ │ └── 4-4-PCA降维实例.mp4
│ ├── 28-28.隐马尔科夫模型
│ │ ├── 1-1-马尔科夫模型.mp4
│ │ ├── 10-10-维特比算法 .mp4
│ │ ├── 2-2-隐马尔科夫模型基本出发点 .mp4
│ │ ├── 3-3-组成与要解决的问题 .mp4
│ │ ├── 4-4-暴力求解方法 .mp4
│ │ ├── 5-5-复杂度计算 .mp4
│ │ ├── 6-6-前向算法.mp4
│ │ ├── 7-7-前向算法求解实例 .mp4
│ │ ├── 8-8-Baum-Welch算法.mp4
│ │ └── 9-9-参数求解.mp4
│ ├── 29-29.HMM应用实例
│ │ ├── 1-1-hmmlearn工具包 .mp4
│ │ ├── 2-2-工具包使用方法.mp4
│ │ ├── 3-3-中文分词任务.mp4
│ │ └── 4-4-实现中文分词 .mp4
│ ├── 3-3.模型评估方法
│ │ ├── 1-1-Sklearn工具包简介.mp4
│ │ ├── 2-2-数据集切分.mp4
│ │ ├── 3-3-交叉验证的作用.mp4
│ │ ├── 4-4-交叉验证实验分析 .mp4
│ │ ├── 5-5-混淆矩阵.mp4
│ │ ├── 6-6-评估指标对比分析.mp4
│ │ ├── 7-7-阈值对结果的影响.mp4
│ │ └── 8-8-ROC曲线.mp4
│ ├── 4-4.线性回归实验分析
│ │ ├── 1-1-实验目标分析.mp4
│ │ ├── 10-10-模型复杂度.mp4
│ │ ├── 11-11-样本数量对结果的影响.mp4
│ │ ├── 12-12-正则化的作用 .mp4
│ │ ├── 13-13-岭回归与lasso.mp4
│ │ ├── 14-14-实验总结.mp4
│ │ ├── 2-2-参数直接求解方法.mp4
│ │ ├── 3-3-预处理对结果的影响 .mp4
│ │ ├── 4-4-梯度下降模块 .mp4
│ │ ├── 5-5-学习率对结果的影响 .mp4
│ │ ├── 6-6-随机梯度下降得到的效果.mp4
│ │ ├── 7-7-MiniBatch方法.mp4
│ │ ├── 8-8-不同策略效果对比 .mp4
│ │ └── 9-9-多项式回归 .mp4
│ ├── 5-5.逻辑回归实验分析
│ │ ├── 1-1-逻辑回归算法原理.mp4
│ │ └── 2-2-化简与求解 .mp4
│ ├── 6-6.逻辑回归代码实现
│ │ ├── 1-1-多分类逻辑回归整体思路 .mp4
│ │ ├── 10-10-准备测试数据 .mp4
│ │ ├── 11-11-决策边界绘制.mp4
│ │ ├── 12-12-非线性决策边界 .mp4
│ │ ├── 2-2-训练模块功能.mp4
│ │ ├── 3-3-完成预测模块.mp4
│ │ ├── 4-4-优化目标定义.mp4
│ │ ├── 5-5-迭代优化参数 .mp4
│ │ ├── 6-6-梯度计算 .mp4
│ │ ├── 7-7-得出最终结果.mp4
│ │ ├── 8-8-鸢尾花数据集多分类任务 .mp4
│ │ └── 9-9-训练多分类模型.mp4
│ ├── 7-7.逻辑回归实验分析
│ │ ├── 1-1-逻辑回归实验概述.mp4
│ │ ├── 2-2-概率结果随特征数值的变化 .mp4
│ │ ├── 3-3-可视化展示.mp4
│ │ ├── 4-4-坐标棋盘制作.mp4
│ │ ├── 5-5-分类决策边界展示分析.mp4
│ │ └── 6-6-多分类-softmax.mp4
│ ├── 8-8.聚类算法-Kmeans&Dbscan原理
│ │ ├── 1-1-KMEANS算法概述.mp4
│ │ ├── 2-2-KMEANS工作流程 .mp4
│ │ ├── 3-3-KMEANS迭代可视化展示.mp4
│ │ ├── 4-4-DBSCAN聚类算法 .mp4
│ │ ├── 5-5-DBSCAN工作流程 .mp4
│ │ └── 6-6-DBSCAN可视化展示 .mp4
│ └── 9-9.Kmeans代码实现
│ ├── 1-1-Kmeans算法模块概述 .mp4
│ ├── 2-2-计算得到簇中心点 .mp4
│ ├── 3-3-样本点归属划分 .mp4
│ ├── 4-4-算法迭代更新.mp4
│ ├── 5-5-鸢尾花数据集聚类任务 .mp4
│ └── 6-6-聚类效果展示.mp4
├── 6-第五模块：机器学习算法建模实战项目
│ ├── 1-1.项目实战-交易数据异常检测
│ │ ├── 1-1-任务目标解读 .mp4
│ │ ├── 10-10-混淆矩阵评估分析.mp4
│ │ ├── 11-11-测试集遇到的问题.mp4
│ │ ├── 12-12-阈值对结果的影响.mp4
│ │ ├── 13-13-SMOTE样本生成策略.mp4
│ │ ├── 14-14-过采样效果与项目总结 .mp4
│ │ ├── 2-2-项目挑战与解决方案制定.mp4
│ │ ├── 3-3-数据标准化处理.mp4
│ │ ├── 4-4-下采样数据集制作 .mp4
│ │ ├── 5-5-交叉验证.mp4
│ │ ├── 6-6-数据集切分.mp4
│ │ ├── 7-7-模型评估方法与召回率.mp4
│ │ ├── 8-8-正则化惩罚项.mp4
│ │ └── 9-9-训练逻辑回归模型 .mp4
│ ├── 2-2.基于随机森林的气温预测实战
│ │ ├── 1-1-基于随机森林的气温预测任务概述.mp4
│ │ ├── 2-2-基本随机森林模型建立 .mp4
│ │ ├── 3-3-可视化展示与特征重要性 .mp4
│ │ ├── 4-4-加入新的数据与特征.mp4
│ │ ├── 5-5-数据与特征对结果的影响.mp4
│ │ ├── 6-6-效率对比分析.mp4
│ │ ├── 7-7-网格与随机参数选择 .mp4
│ │ ├── 8-8-随机参数选择方法实践 .mp4
│ │ └── 9-9-调参优化细节 .mp4
│ ├── 3-3.贝叶斯新闻分类实战
│ │ ├── 1-1-新闻数据与任务概述.mp4
│ │ ├── 2-2-中文分词与停用词过滤 .mp4
│ │ ├── 3-3-文本关键词提取 .mp4
│ │ ├── 4-4-词袋模型.mp4
│ │ ├── 5-5-贝叶斯建模结果.mp4
│ │ └── 6-6-TF-IDF特征分析对比.mp4
│ ├── 4-4.推荐系统实战
│ │ ├── 1-1-音乐推荐任务概述.mp4
│ │ ├── 2-2-数据集整合 .mp4
│ │ ├── 3-3-基于物品的协同过滤.mp4
│ │ ├── 4-4-物品相似度计算与推荐.mp4
│ │ ├── 5-5-SVD矩阵分解.mp4
│ │ └── 6-6-基于矩阵分解的音乐推荐 .mp4
│ ├── 5-5.fbprophe时间序列预测
│ │ ├── 1-1-fbprophet股价预测任务概述 .mp4
│ │ ├── 2-2-时间序列分析 .mp4
│ │ ├── 3-3-fbprophet时间序列预测实例.mp4
│ │ ├── 4-4-亚马逊股价趋势 .mp4
│ │ └── 5-5-突变点调参.mp4
│ └── 6-6.京东用户购买意向预测
│ ├── 1-1-项目与数据介绍 .mp4
│ ├── 10-10-行为特征.mp4
│ ├── 11-11-累积行为特征.mp4
│ ├── 12-12-Xgboost模型.mp4
│ ├── 2-2-数据挖掘流程.mp4
│ ├── 3-3-数据检查.mp4
│ ├── 4-4-构建用户特征表单.mp4
│ ├── 5-5-构建商品特征表单.mp4
│ ├── 6-6-数据探索概述.mp4
│ ├── 7-7-购买因素分析 .mp4
│ ├── 8-8-特征工程 .mp4
│ └── 9-9-基本特征构造.mp4
├── 7-第六模块：机器学习案例实战应用集锦
│ ├── 1-1.Python实战关联规则
│ │ ├── 1-1-关联规则概述.mp4
│ │ ├── 2-2-支持度与置信度 .mp4
│ │ ├── 3-3-提升度的作用.mp4
│ │ ├── 4-4-Python实战关联规则 .mp4
│ │ ├── 5-5-数据集制作.mp4
│ │ └── 6-6-电影数据集题材关联分析.mp4
│ ├── 10-10文本特征处理方法对比
│ │ ├── 1-1-数据与任务介绍 .mp4
│ │ ├── 10-10-序列化执行预处理操作 .mp4
│ │ ├── 11-11-完成所有预处理操作.mp4
│ │ ├── 12-12-构建回归模型 .mp4
│ │ ├── 2-2-数据分析与可视化展示.mp4
│ │ ├── 3-3-连续值离散化与可视化细节.mp4
│ │ ├── 4-4-加载数据坐标到实际地图中进行分析 .mp4
│ │ ├── 5-5-特征相关性分析 .mp4
│ │ ├── 6-6-缺失值填充 .mp4
│ │ ├── 7-7-sklearn工具包预处理模块.mp4
│ │ ├── 8-8-离散属性特征处理 .mp4
│ │ └── 9-9-构建合适的特征.mp4
│ ├── 11-11.银行客户还款可能性预测
│ │ ├── 1-1-数据任务介绍及缺失值处理.mp4
│ │ ├── 10-10-结果评估.mp4
│ │ ├── 11-11-必杀神奇：lightgbm .mp4
│ │ ├── 2-2-EDA数据探索分析 .mp4
│ │ ├── 3-3-特征展示分析.mp4
│ │ ├── 4-4-KDEPLOT展示 .mp4
│ │ ├── 5-5-部分特征分析与可视化.mp4
│ │ ├── 6-6-数据检查与特征工程.mp4
│ │ ├── 7-7-多项式特征.mp4
│ │ ├── 8-8-自定义特征.mp4
│ │ └── 9-9-逻辑回归模型.mp4
│ ├── 12-12.图像特征聚类分析实践
│ │ ├── 1-1-数据与任务流程分析 .mp4
│ │ ├── 2-2-图片数据导入.mp4
│ │ ├── 3-3-图像特征编码 .mp4
│ │ ├── 4-4-数组保存与读取 .mp4
│ │ ├── 5-5-得出聚类结果 .mp4
│ │ └── 6-6-聚类效果可视化展示.mp4
│ ├── 2-2.爱彼迎数据集分析与建模
│ │ ├── 1-1-数据与任务分析.mp4
│ │ ├── 2-2-提取月份信息进行统计分析 .mp4
│ │ ├── 3-3-房价随星期变化的可视化展示.mp4
│ │ ├── 4-4-房屋信息指标分析 .mp4
│ │ ├── 5-5-提取房屋常见设施.mp4
│ │ ├── 6-6-房屋规格热度图分析 .mp4
│ │ ├── 7-7-预处理与建模准备.mp4
│ │ ├── 8-8-随机森林与LightGBM .mp4
│ │ └── 9-9-训练与评估 .mp4
│ ├── 3-3.基于相似度的酒店推荐系统
│ │ ├── 1-1-数据与任务介绍.mp4
│ │ ├── 2-2-文本词频统计 .mp4
│ │ ├── 3-3-ngram结果可视化展示.mp4
│ │ ├── 4-4-文本清洗.mp4
│ │ ├── 5-5-相似度计算 .mp4
│ │ └── 6-6-得出推荐结果 .mp4
│ ├── 4-4.商品销售额回归分析
│ │ ├── 1-1-数据任务分析.mp4
│ │ ├── 2-2-特征工程制作.mp4
│ │ ├── 3-3-统计指标生成.mp4
│ │ ├── 4-4-特征信息提取.mp4
│ │ ├── 5-5-标签变换 .mp4
│ │ ├── 6-6-输入数据制作.mp4
│ │ ├── 7-7-Xgboost训练模型.mp4
│ │ └── 8-8-生成输出结果 .mp4
│ ├── 5-5.绝地求生数据集探索分析与建模
│ │ ├── 1-1-数据与任务简介.mp4
│ │ ├── 2-2-数据问题探索与解决方案 .mp4
│ │ ├── 3-3-剔除开挂数据.mp4
│ │ ├── 4-5-绘图统计分析.mp4
│ │ ├── 5-6-热度图展示.mp4
│ │ ├── 6-7-随机森林建模.mp4
│ │ └── 7-8-特征重要性 .mp4
│ ├── 6-6.机器学习-模型解释方法实战
│ │ ├── 1-1-模型解释方法与实践.mp4
│ │ ├── 2-2-部分依赖图解释.mp4
│ │ ├── 3-3-双变量分析 .mp4
│ │ ├── 4-4-ShapValues指标分析.mp4
│ │ └── 5-5-疾病引起原因分析实战.mp4
│ ├── 7-7.自然语言处理必备工具包实战
│ │ ├── 1-1-Python字符串处理 .mp4
│ │ ├── 10-10-名字实体匹配.mp4
│ │ ├── 11-11-恐怖袭击分析.mp4
│ │ ├── 12-12-统计分析结果.mp4
│ │ ├── 13-13-结巴分词器 .mp4
│ │ ├── 14-14-词云展示.mp4
│ │ ├── 2-2-正则表达式基本语法 .mp4
│ │ ├── 3-3-正则常用符号 .mp4
│ │ ├── 4-4-常用函数介绍.mp4
│ │ ├── 5-5-NLTK工具包简介.mp4
│ │ ├── 6-6-停用词过滤.mp4
│ │ ├── 7-7-词性标注 .mp4
│ │ ├── 8-8-数据清洗实例 .mp4
│ │ └── 9-9-Spacy工具包.mp4
│ ├── 8-8.NLP核心模型-Word2vec
│ │ ├── 1-1-词向量模型通俗解释.mp4
│ │ ├── 2-2-模型整体框架.mp4
│ │ ├── 3-3-训练数据构建.mp4
│ │ ├── 4-4-CBOW与Skip-gram模型.mp4
│ │ └── 5-5-负采样方案 .mp4
│ └── 9-9.数据特征预处理
│ ├── 1-1-任务概述.mp4
│ ├── 2-2-词袋模型.mp4
│ ├── 3-3-词袋模型分析.mp4
│ ├── 4-4-TFIDF模型.mp4
│ ├── 5-5-word2vec词向量模型.mp4
│ └── 6-6-深度学习模型.mp4
├── 8-第七模块：机器学习竞赛优胜解决方案实战
│ ├── 1-1.快手短视频用户活跃度分析
│ │ ├── 1-1-任务目标与数据分析. .mp4
│ │ ├── 2-2-整体模型架构 .mp4
│ │ ├── 3-3-构建用户特征序列 .mp4
│ │ ├── 4-4-序列特征提取方法.mp4
│ │ ├── 5-5-生成特征汇总表 .mp4
│ │ ├── 6-6-标签制作 .mp4
│ │ ├── 7-7-网络训练模块.mp4
│ │ ├── 8-8-得出最终模型结果.mp4
│ │ └── 9-0-课程简介.mp4
│ ├── 10-10.机器学习项目实战模板
│ │ ├── 1-1-建筑能源利用效率任务概述.mp4
│ │ ├── 10-2-基础模型对比.mp4
│ │ ├── 11-3-选择参数.mp4
│ │ ├── 12-4-测试模型 .mp4
│ │ ├── 13-5-模型解释 .mp4
│ │ ├── 14-6-模型分析 .mp4
│ │ ├── 2-2-处理流程与数据简介 .mp4
│ │ ├── 3-3-能源信息各项指标数据预处理.mp4
│ │ ├── 4-4-单变量绘图分析.mp4
│ │ ├── 5-5-离群点剔除 .mp4
│ │ ├── 6-6-变量与结果的关系 .mp4
│ │ ├── 7-7-多变量展示.mp4
│ │ ├── 8-8-特征工程的价值和方法.mp4
│ │ └── 9-1-dataleakage问题 .mp4
│ ├── 2-2.工业化生产预测
│ │ ├── 1-1-数据任务概述 .mp4
│ │ ├── 2-2-数据异常检查.mp4
│ │ ├── 3-3-时间特征提取 .mp4
│ │ ├── 4-4-各道工序特征构建 .mp4
│ │ ├── 5-5-准备训练数据 .mp4
│ │ └── 6-6-训练xgboost模型.mp4
│ ├── 3-3.智慧城市-道路通行时间预测
│ │ ├── 1-1-数据与任务目标分析 .mp4
│ │ ├── 2-2-数据清洗与标签转换.mp4
│ │ ├── 3-3-道路通行时间序列数据生成.mp4
│ │ ├── 4-4-序列缺失补全方法.mp4
│ │ ├── 5-5-基于回归与插值完成序列特征 .mp4
│ │ ├── 6-6-基于回归与插值进行序列补全 .mp4
│ │ ├── 7-7-特征汇总.mp4
│ │ └── 8-8-建立回归模型进行预测.mp4
│ ├── 4-4.特征工程建模可解释包
│ │ ├── 1-1-模型解释方法与实践 .mp4
│ │ ├── 2-2-部分依赖图解释.mp4
│ │ ├── 3-3-双变量分析.mp4
│ │ ├── 4-4-ShapValues指标分析 .mp4
│ │ ├── 5-5-疾病引起原因分析实战 .mp4
│ │ ├── 6-1-竞赛与目标分析 .mp4
│ │ ├── 7-1-特征对比分析方法 .mp4
│ │ └── 8-1-结果对比分析.mp4
│ ├── 5-5.医学糖尿病数据命名实体识别
│ │ ├── 1-1-数据与任务介绍.mp4
│ │ ├── 2-2-整体模型架构 .mp4
│ │ ├── 3-3-数据-标签-语料库处理.mp4
│ │ ├── 4-4-输入样本填充补齐.mp4
│ │ ├── 5-5-训练网络模型 .mp4
│ │ └── 6-6-医疗数据集（糖尿病）实体识别.mp4
│ ├── 6-6.贷款平台风控模型+特征工程
│ │ ├── 1-1-竞赛任务目标.mp4
│ │ ├── 2-2-图模型信息提取 .mp4
│ │ ├── 3-3-节点权重特征提取(PageRank) .mp4
│ │ ├── 4-4-deepwalk构建图顶点特征.mp4
│ │ ├── 5-5-各项统计特征 .mp4
│ │ ├── 6-6-app安装特征 .mp4
│ │ └── 7-7-图中联系人特征.mp4
│ ├── 7-7.新闻关键词抽取模型
│ │ ├── 1-1-任务目标与数据集介绍 .mp4
│ │ ├── 2-2-数据清洗与预处理 .mp4
│ │ ├── 3-3-基本特征抽取 .mp4
│ │ ├── 4-4-文章与词向量分析.mp4
│ │ ├── 5-5-权重划分 .mp4
│ │ ├── 6-6-候选词统计特征.mp4
│ │ ├── 7-7-textrank特征提取 .mp4
│ │ ├── 8-8-候选词相似度特征.mp4
│ │ └── 9-9-特征工程汇总.mp4
│ ├── 8-8.数据特征常用构建方法
│ │ ├── 1-1-基本数值特征.mp4
│ │ ├── 2-2-常用特征构造手段.mp4
│ │ ├── 3-3-时间特征处理.mp4
│ │ ├── 4-4-文本特征处理.mp4
│ │ ├── 5-5-构造文本向量 .mp4
│ │ ├── 6-6-词向量特征.mp4
│ │ └── 7-7-计算机眼中的图像.mp4
│ └── 9-9.用电敏感客户分类
│ ├── 1-1-任务与解决框架概述.mp4
│ ├── 2-2-特征工程分析与特征提取 .mp4
│ ├── 3-3-离散数据处理.mp4
│ ├── 4-4-统计与文本特征 .mp4
│ ├── 5-5-文本特征构建 .mp4
│ ├── 6-6-构建低敏用户模型 .mp4
│ └── 7-7-高敏模型概述.mp4
├── 9-第八模块：Python金融分析与量化交易实战
│ ├── 1-课程内容与大纲介绍
│ │ └── 1-课程内容与大纲介绍 .mp4
│ ├── 10-1.因子打分选股实战
│ │ ├── 1-1-打分法选股策略概述.mp4
│ │ ├── 2-2-整体任务流程梳理 .mp4
│ │ ├── 3-3-策略初始化与数据读取.mp4
│ │ ├── 4-4-因子打分与排序.mp4
│ │ ├── 5-5-完成选股方法 .mp4
│ │ ├── 6-6-完成策略交易展示结果 .mp4
│ │ └── 7-7-策略总结与分析.mp4
│ ├── 11-1.回归分析策略
│ │ ├── 1-1-回归问题概述.mp4
│ │ ├── 10-10-特征可视化展示 .mp4
│ │ ├── 11-11-构建回归方程.mp4
│ │ ├── 12-12-回归分析结果.mp4
│ │ ├── 2-2-误差项定义 .mp4
│ │ ├── 3-3-独立同分布的意义.mp4
│ │ ├── 4-4-似然函数的作用.mp4
│ │ ├── 5-5-参数求解 .mp4
│ │ ├── 6-6-梯度下降通俗解释.mp4
│ │ ├── 7-7参数更新方法 .mp4
│ │ ├── 8-8-优化参数设置 .mp4
│ │ └── 9-9-回归任务概述 .mp4
│ ├── 11-1.聚类分析策略
│ │ ├── 1-1-KMEANS算法概述.mp4
│ │ ├── 2-2-KMEANS工作流程.mp4
│ │ ├── 3-3-KMEANS迭代可视化展示 .mp4
│ │ ├── 4-4-DBSCAN聚类算法.mp4
│ │ ├── 5-5-DBSCAN工作流程.mp4
│ │ ├── 6-6-DBSCAN可视化展示.mp4
│ │ ├── 7-7-聚类分析实例 .mp4
│ │ ├── 8-8-统计分析所需数据准备 .mp4
│ │ └── 9-9-统计效果展示 .mp4
│ ├── 12-13.拓展：fbprophet时间序列预测神器
│ │ ├── 1-1-fbprophet股价预测任务概述.mp4
│ │ ├── 2-2-时间序列分析 .mp4
│ │ ├── 3-3-fbprophet时间序列预测实例 .mp4
│ │ ├── 4-4-亚马逊股价趋势.mp4
│ │ └── 5-5-突变点调参.mp4
│ ├── 13-14.基于深度学习的时间序列预测
│ │ ├── 1-1-任务目标与数据源 .mp4
│ │ ├── 2-2-构建时间序列数据 .mp4
│ │ ├── 3-3-训练时间序列数据预测结果 .mp4
│ │ ├── 4-4-多特征预测结果.mp4
│ │ └── 5-5-序列结果预测 .mp4
│ ├── 2-1.金融数据时间序列分析
│ │ ├── 1-1-金融时间序列数据统计分析.mp4
│ │ ├── 2-2-序列变化情况分析计算.mp4
│ │ ├── 3-3-连续指标变化情况分析.mp4
│ │ ├── 4-4-时间序列重采样操作 .mp4
│ │ ├── 5-5-短均与长均计算实例.mp4
│ │ ├── 6-6-指标相关情况分析.mp4
│ │ └── 7-7-回归方程与相关系数实例 .mp4
│ ├── 3-1双均线交易策略实战
│ │ ├── 1-1-金叉与死叉介绍.mp4
│ │ ├── 2-2-买点与卖点可视化分析 .mp4
│ │ ├── 3-3-策略收益效果分析.mp4
│ │ └── 4-4-均线调参实例.mp4
│ ├── 4-1.策略收益与风险评估指标解析
│ │ ├── 1-1-回测收益率指标解读.mp4
│ │ ├── 2-年化指标分析 .mp4
│ │ ├── 3-3-最大回撤区间.mp4
│ │ ├── 4-4-夏普比率的作用 .mp4
│ │ └── 5-5-阿尔法与贝塔概述.mp4
│ ├── 5-1.量化交易与回测平台解读
│ │ ├── 1-1-量化交易概述.mp4
│ │ ├── 2-2-量化交易所需技能分析.mp4
│ │ └── 3-3-Ricequant交易平台简介 .mp4
│ ├── 6-1.Ricequant回测选股分析实战
│ │ ├── 1-1-策略任务分析.mp4
│ │ ├── 2-2-股票池筛选.mp4
│ │ ├── 3-策略效果演示与指标分析 .mp4
│ │ └── 4-4-定时器功能与作用.mp4
│ ├── 7-1.因子数据预处理实战
│ │ ├── 1-1-百分位去极值方法.mp4
│ │ ├── 2-2-基于百分位去极值实例.mp4
│ │ ├── 3-3-Mad法去极值演示 .mp4
│ │ ├── 4-4-3Sigma方法实例 .mp4
│ │ ├── 5-5-标准化处理方法 .mp4
│ │ ├── 6-6-中性化处理方法通俗解释.mp4
│ │ └── 7-7-策略任务概述.mp4
│ ├── 8-1.因子选股策略实战
│ │ ├── 1-1-股票数据获取.mp4
│ │ ├── 2-2-过滤筛选因子指标数据.mp4
│ │ ├── 3-3-因子数据预处理.mp4
│ │ ├── 4-4-股票池筛选 .mp4
│ │ └── 5-5-策略效果评估分析.mp4
│ └── 9-1.因子分析实战
│ ├── 1-5-因子分析概述 .mp4
│ ├── 2-2-Alphalens工具包介绍 .mp4
│ ├── 3-3-获取因子指标数据.mp4
│ ├── 4-4-获取给定区间全部数据.mp4
│ ├── 5-5-数据格式转换.mp4
│ ├── 6-6-IC指标值计算 .mp4
│ ├── 7-7-工具包绘图展示.mp4
│ └── 8-8-因子收益率简介 .mp4
├── 10-第九模块：深度学习必备核⼼算法
│ ├── 1-神经网络算法解读
│ │ └── 1-神经网络算法解读.mp4
│ ├── 2-卷积神经网络算法解读
│ │ └── 1-卷积神经网络算法解读.mp4
│ └── 3-递归神经网络算法解读
│ └── 1-递归神经网络算法解读 .mp4
├── 11-选修：Python数据分析案例实战
│ ├── 1-KIVA贷款数据
│ │ ├── 1-kiva贷款数据集介绍 .mp4
│ │ ├── 2-2-各个国家贷款需求.mp4
│ │ ├── 3-3-贷款金额与还款间隔分析 .mp4
│ │ ├── 4-5-深入各个行业分析 .mp4
│ │ ├── 5-6-针对时间序列进行分析.mp4
│ │ └── 6-7-各项数据指标统计分析 .mp4
│ ├── 2-订单数据集分析
│ │ ├── 1-8-预测结果展示 .mp4
│ │ ├── 2-2-双变量热度图绘制方法.mp4
│ │ ├── 3-3-复购情况对比分析.mp4
│ │ ├── 4-4-购物车情况与复购.mp4
│ │ └── 5-5-聚类划分商品.mp4
│ ├── 3-基于统计分析的电影推荐
│ │ ├── 1-1-电影数据与环境配置 .mp4
│ │ ├── 2-2-数据与关键词信息展示.mp4
│ │ ├── 3-3-关键词云与直方图可视化展示.mp4
│ │ ├── 4-4-电影特征数据可视化.mp4
│ │ ├── 5-5数据清洗方法分析.mp4
│ │ ├── 6-6-缺失值填充方法 .mp4
│ │ ├── 7-7-推荐引擎构造.mp4
│ │ ├── 8-8-数据特征构造 .mp4
│ │ └── 9-9-得出推荐结果.mp4
│ ├── 4-纽约出租车建模
│ │ ├── 1-1-纽约出租车运行情况数据概述 .mp4
│ │ ├── 10-10-加入天气特征对结果的影响分析.mp4
│ │ ├── 2-2-聚类区域划分.mp4
│ │ ├── 3-3-客流趋势动态展示.mp4
│ │ ├── 4-4-区域邻居情况分析.mp4
│ │ ├── 5-5-用户数据特征分析 .mp4
│ │ ├── 6-6-不同类别的出租车运行情况对比 .mp4
│ │ ├── 7-7-客户数据特征可视化分析.mp4
│ │ ├── 8-8-聚类特征信息可视化展示.mp4
│ │ └── 9-9-xgboost模型进行分析预测 .mp4
│ ├── 5-商品信息可视化与文本分析
│ │ ├── 1-1-在线商城商品数据信息概述.mp4
│ │ ├── 2-2-商品类别划分方式.mp4
│ │ ├── 3-3-商品类别可视化展示.mp4
│ │ ├── 4-4-商品描述长度对价格的影响分析.mp4
│ │ ├── 5-5-关键词的词云可视化展示 .mp4
│ │ ├── 6-6-基于tf-idf提取关键词信息 .mp4
│ │ ├── 7-7-通过降维进行可视化展示.mp4
│ │ └── 8-8-聚类分析与主题模型展示.mp4
│ └── 6-数据分析-机器学习模板
│ ├── 1-1-人口普查预测任务概述.mp4
│ ├── 2-2-单特征与缺失值展示.mp4
│ ├── 3-3-人口普查数据集清洗 .mp4
│ ├── 4-4-人口信息数据特征工程展示.mp4
│ ├── 5-5-单变量展示.mp4
│ ├── 6-6-双变量分析.mp4
│ ├── 7-7-开发新变量 .mp4
│ ├── 8-8-ROC与AUC模型评估标准 .mp4
│ └── 9-9-机器学习算法模型效果对比.mp4
├── 12-选修：机器学习进阶实战
│ ├── 1-1.数据特征
│ │ ├── 1-1-基本数值特征.mp4
│ │ ├── 2-2-常用特征构造手段.mp4
│ │ ├── 3-3-时间特征处理.mp4
│ │ ├── 4-4-文本特征处理 .mp4
│ │ ├── 5-5-构造文本向量.mp4
│ │ ├── 6-6-词向量特征.mp4
│ │ └── 7-7-计算机眼中的图像.mp4
│ ├── 10-10.HMM隐马尔科夫模型
│ │ ├── 1-1-马尔科夫模型 .mp4
│ │ ├── 10-10-维特比算法.mp4
│ │ ├── 2-2-隐马尔科夫模型基本出发点.mp4
│ │ ├── 3-3-组成与要解决的问题 .mp4
│ │ ├── 4-4-暴力求解方法.mp4
│ │ ├── 5-5-复杂度计算 .mp4
│ │ ├── 6-6-前向算法.mp4
│ │ ├── 7-7-前向算法求解实例 .mp4
│ │ ├── 8-8-Baum-Welch算法.mp4
│ │ └── 9-9-参数求解.mp4
│ ├── 11-11.HMM案例实战
│ │ ├── 1-1-hmmlearn工具包.mp4
│ │ ├── 2-2-工具包使用方法.mp4
│ │ ├── 3-3-中文分词任务.mp4
│ │ └── 4-4-实现中文分词.mp4
│ ├── 12-12.推荐系统
│ │ ├── 1-0-开场 .mp4
│ │ ├── 2-1-推荐系统应用 .mp4
│ │ ├── 3-2-推荐系统要完成的任务.mp4
│ │ ├── 4-3-相似度计算 .mp4
│ │ ├── 5-4-基于用户的协同过滤.mp4
│ │ ├── 6-5-基于物品的协同过滤 .mp4
│ │ ├── 7-6-隐语义模型.mp4
│ │ ├── 8-7-隐语义模型求解.mp4
│ │ └── 9-8-模型评估标准.mp4
│ ├── 13-13.音乐推荐系统实战
│ │ ├── 1-1-音乐推荐任务概述.mp4
│ │ ├── 2-2-数据集整合 .mp4
│ │ ├── 3-3-基于物品的协同过滤.mp4
│ │ ├── 4-4-物品相似度计算与推荐 .mp4
│ │ ├── 5-5-SVD矩阵分解.mp4
│ │ └── 6-6-基于矩阵分解的音乐推荐.mp4
│ ├── 14-14.基于统计分析的电影推荐
│ │ ├── 1-1-数据与环境配置.mp4
│ │ ├── 2-2-数据与关键词信息展示.mp4
│ │ ├── 3-3-关键词云与直方图展示.mp4
│ │ ├── 4-4-特征可视化 .mp4
│ │ ├── 5-5-数据清洗概述.mp4
│ │ ├── 6-6-缺失值填充方法.mp4
│ │ ├── 7-7-推荐引擎构造.mp4
│ │ ├── 8-8-数据特征构造.mp4
│ │ └── 9-9-得出推荐结果.mp4
│ ├── 15-15.学习曲线
│ │ ├── 1-1-Bian与Variance曲线 .mp4
│ │ ├── 2-2-数据集中的结果 .mp4
│ │ └── 3-3-曲线实验结果 .mp4
│ ├── 16-16.NLP-文本特征方法对比
│ │ ├── 1-1.1-任务概述.mp4
│ │ ├── 2-2-词袋模型.mp4
│ │ ├── 3-3-词袋模型分析.mp4
│ │ ├── 4-4-TFIDF模型 .mp4
│ │ ├── 5-5-word2vec词向量模型.mp4
│ │ └── 6-6-深度学习模型.mp4
│ ├── 17-17.使用word2vec分类任务
│ │ ├── 1-1-影评情感分类.mp4
│ │ ├── 2-2-基于词袋模型训练分类器 .mp4
│ │ ├── 3-3-准备word2vec输入数据.mp4
│ │ └── 4-4-使用gensim构建word2vec词向量（新） .mp4
│ ├── 18-18.Tensorflow自己打造word2vec
│ │ ├── 1-1-数据与任务流程 .mp4
│ │ ├── 2-2-数据清洗.mp4
│ │ ├── 3-3-batch数据制作.mp4
│ │ ├── 4-4-网络训练.mp4
│ │ └── 5-5-可视化展示 .mp4
│ ├── 19-19.制作自己常用工具包
│ │ ├── 1-1-为什么要做自己的数据工具包.mp4
│ │ ├── 2-2-工具包注释 .mp4
│ │ ├── 3-3-缺失值处理 .mp4
│ │ ├── 4-4-其他处理方式概述.mp4
│ │ └── 5-5-工具包调用.mp4
│ ├── 2-2.GBDT提升算法
│ │ ├── 1-1-回归树模型.mp4
│ │ ├── 2-2-Adaboost算法 .mp4
│ │ ├── 3-3-GBDT工作流程.mp4
│ │ ├── 4-4-回归任务.mp4
│ │ ├── 5-5-分类任务 .mp4
│ │ └── 6-6-可视化 .mp4
│ ├── 20-20.机器学习项目实战-数据处理与特征提取
│ │ ├── 1-1-建筑能源利用效率任务概述.mp4
│ │ ├── 3-3-能源信息各项指标数据预处理.mp4
│ │ ├── 4-4-单变量绘图分析.mp4
│ │ ├── 5-5-离群点剔除.mp4
│ │ ├── 6-6-变量与结果的关系对比分析.mp4
│ │ ├── 7-7-多变量展示 .mp4
│ │ └── 8-8-特征工程的价值与方法 .mp4
│ ├── 21-21.机器学习项目实战-建模与分析
│ │ ├── 1-1-dataleakage问题解决方案.mp4
│ │ ├── 2-2-机器学习基础模型对比.mp4
│ │ ├── 3-3-参数对结果的影响分析 .mp4
│ │ ├── 4-4-测试模型效果 .mp4
│ │ ├── 5-5-模型的结果解释与参数分析 .mp4
│ │ └── 6-6-机器学习常用模型分析方法介绍 .mp4
│ ├── 3-3.xgboost-gbdt-lightgbm提升算法框架对比
│ │ ├── 1-1-GBDT效果 .mp4
│ │ ├── 2-2-Xgboost效果.mp4
│ │ └── 3-3-lightGBM效果.mp4
│ ├── 4-4.4.使用lightgbm进行饭店流量预测
│ │ ├── 1-1-饭店流量数据介绍 .mp4
│ │ ├── 2-2-数据汇总.mp4
│ │ ├── 3-3-离群点筛选.mp4
│ │ ├── 4-4-特征提取 .mp4
│ │ └── 5-5-lightgbm建模 .mp4
│ ├── 5-5.人口普查数据集项目实战-收入预测
│ │ ├── 1-1-人口普查预测任务概述 .mp4
│ │ ├── 2-2-单特征与缺失值展示.mp4
│ │ ├── 3-3-第一步：数据清洗 .mp4
│ │ ├── 4-4-特征工程 .mp4
│ │ ├── 5-5-单变量展示.mp4
│ │ ├── 6-6-双变量分析.mp4
│ │ ├── 7-7-开发新变量 .mp4
│ │ ├── 8-8-ROC与AUC模型评估标准.mp4
│ │ └── 9-9-机器学习模型.mp4
│ ├── 6-6.降维算法-线性判别分析
│ │ ├── 1-1-线性判别分析要解决的问题.mp4
│ │ ├── 2-2-线性判别分析要优化的目标.mp4
│ │ ├── 3-3-线性判别分析求解.mp4
│ │ ├── 4-4-实现线性判别分析进行降维任务 .mp4
│ │ └── 5-5-求解得出降维结果.mp4
│ ├── 7-7.贝叶斯优化及其工具包使用
│ │ ├── 1-1-贝叶斯优化概述 .mp4
│ │ ├── 2-2-工具包使用方法.mp4
│ │ ├── 3-3-贝叶斯优化效果.mp4
│ │ └── 4-4-调整参数空间.mp4
│ ├── 8-8.贝叶斯优化实战
│ │ ├── 1-1-基础模型建立.mp4
│ │ ├── 2-2-设置参数空间 .mp4
│ │ ├── 3-3-随机优化结果 .mp4
│ │ ├── 4-4-贝叶斯优化效果 .mp4
│ │ ├── 5-5-方法对比 .mp4
│ │ └── 6-6-参数变化情况.mp4
│ └── 9-9.EM算法
│ ├── 1-1-EM算法要解决的问题 .mp4
│ ├── 2-2-隐变量问题.mp4
│ ├── 3-3-EM算法求解实例 .mp4
│ ├── 4-4-Jensen不等式 .mp4
│ ├── 5-5-GMM模型.mp4
│ ├── 6-6-GMM实例.mp4
│ └── 7-7-GMM聚类 .mp4
├── 13-Pycharm环境配置与Debug演示(没用过的同学必看)
│ └── 1-Pycharm环境配置与Debug演示(没用过的同学必看)
│ └── 1-Pycharm环境配置与Debug演示(没用过的同学必看) .mp4
└── 课件资料
├── 第二章 第二模块：Python数据科学必备工具包实战
│ ├── Matplotlib
│ │ ├── img
│ │ ├── 1-Matplotlib基本操作.ipynb
│ │ ├── 2-风格设置.ipynb
│ │ ├── 3-条形图.ipynb
│ │ ├── 4-盒图.ipynb
│ │ ├── 5-直方图and散点图.ipynb
│ │ ├── 6-3D图.ipynb
│ │ ├── 7-pie与布局.ipynb
│ │ └── 8-Pandas与sklearn结合实例.ipynb
│ ├── Numpy
│ │ ├── 1-Numpy概述.ipynb
│ │ ├── 2-array结构.ipynb
│ │ ├── 3-数值计算.ipynb
│ │ ├── 4-排序.ipynb
│ │ ├── 5-数组形状.ipynb
│ │ ├── 6-数组生成.ipynb
│ │ ├── 7-运算.ipynb
│ │ ├── 8-随机模块.ipynb
│ │ ├── 9-读写.ipynb
│ │ └── 练习题.ipynb
│ ├── pandas
│ │ └── Pandas
│ └── Seaborn
│ ├── 4-REG.ipynb
│ ├── 5-category.ipynb
│ ├── 6-FacetGrid.ipynb
│ ├── 7-Heatmap.ipynb
│ ├── f1.png
│ ├── iris.data
│ ├── Seaborn-1Style.ipynb
│ ├── Seaborn-2Color.ipynb
│ ├── Seaborn-3Var.ipynb
│ └── Untitled.ipynb
├── 第三章 第三模块：人工智能-必备数学课程
│ ├── img
│ │ ├── 1.png
│ │ ├── 2.png
│ │ └── 3.png
│ ├── 统计分析
│ │ └── 统计分析
│ ├── ladybug.png
│ ├── SVD.pdf
│ ├── 概率分布与概率密度.pdf
│ ├── 概率论.pdf
│ ├── 高等数学.pdf
│ ├── 核函数.pdf
│ ├── 后验概率估计.pdf
│ ├── 激活函数.pdf
│ ├── 矩阵.pdf
│ ├── 聚类.ipynb
│ ├── 聚类算法.pdf
│ ├── 拉格朗日乘子法.pdf
│ ├── 熵.pdf
│ ├── 似然函数.pdf
│ ├── 泰勒公式.pdf
│ ├── 特征值与特征向量.pdf
│ ├── 梯度.pdf
│ └── 微积分.pdf
├── 第三章机器学习基础知识
│ ├── 机器学习概述
│ │ ├── 机器学习（人工智能概述）.ipynb
│ │ ├── 机器学习开发流程.ipynb
│ │ └── 什么是机器学习？ .ipynb
│ ├── 机器学习算法讲解
│ │ ├── data.csv
│ │ ├── K-means聚类算法.ipynb
│ │ ├── K-近邻算法.ipynb
│ │ ├── 基于随机森林的鸢尾花分类预测.ipynb
│ │ ├── 决策树算法原理与银行贷款分类实战.ipynb
│ │ ├── 随机森林算法原理.ipynb
│ │ └── 专家系统.ipynb
│ ├── 模型优化
│ │ ├── 模型保存和加载.ipynb
│ │ └── 模型选择与调优.ipynb
│ └── 特征工程
│ ├── dating.txt
│ ├── 数据集.ipynb
│ ├── 特征工程介绍.ipynb
│ └── 特征降维.ipynb
├── 第四模块：机器学习算法精讲及其案例应用
│ ├── 1-线性回归原理推导
│ │ └── 2-回归算法.pdf
│ ├── 10-聚类算法实验分析
│ │ ├── img
│ │ ├── mldata
│ │ ├── ladybug.png
│ │ └── 聚类.ipynb
│ ├── 11-决策树原理
│ │ └── 3-决策树与集成算法.pdf
│ ├── 12-决策树代码实现
│ │ └── decisiontree
│ ├── 13-决策树实验分析
│ │ ├── iris_tree.dot
│ │ ├── iris_tree.png
│ │ ├── regression_tree.dot
│ │ ├── regression_tree.png
│ │ └── 决策树.ipynb
│ ├── 14-集成算法原理
│ │ └── 3-决策树与集成算法.pdf
│ ├── 15-集成算法实验分析
│ │ ├── img
│ │ ├── mldata
│ │ ├── mnist-original.mat
│ │ └── 随机森林与集成算法.ipynb
│ ├── 16-支持向量机原理推导
│ │ └── 6-支持向量机.pdf
│ ├── 17-支持向量机实验分析
│ │ ├── img
│ │ └── 支持向量机.ipynb
│ ├── 18-神经网络算法原理
│ │ └── 神经网络-单独.pdf
│ ├── 19-神经网络代码实现
│ │ ├── data
│ │ ├── neural_network
│ │ └── utils
│ ├── 2-线性回归代码实现
│ │ ├── data
│ │ ├── LinearRegression
│ │ └── utils
│ ├── 20-贝叶斯算法原理
│ │ └── 5-贝叶斯算法.pdf
│ ├── 21-贝叶斯代码实现
│ │ └── bayes
│ ├── 22-关联规则实战分析
│ │ └── 第一章：Python实战关联规则
│ ├── 23-关联规则代码实现
│ │ └── Apriori
│ ├── 24-词向量word2vec通俗解读
│ │ └── NLP核心模型-word2vec.zip
│ ├── 24-代码实现word2vec词向量模型
│ │ └── 18.Tensorflow自己打造word2vec
│ ├── 25-推荐系统原理
│ │ └── 7-推荐系统.pdf
│ ├── 26-打造音乐推荐系统
│ │ └── Python实现音乐推荐系统
│ ├── 27.28-主成分分析与线性判别分析
│ │ ├── 降维算法
│ │ └── 9-LDA与PCA算法.pdf
│ ├── 29-主成分分析降维算法解读
│ │ └── 降维算法
│ ├── 3-模型评估方法
│ │ ├── img
│ │ └── 模型评估方法.ipynb
│ ├── 30-隐马尔科夫模型
│ │ └── HMM.pdf
│ ├── 31-HMM应用实例
│ │ ├── HMM
│ │ ├── data2.csv
│ │ ├── hmm实践.ipynb
│ │ └── 时间序列.ipynb
│ ├── 4-线性回归实验分析
│ │ ├── img
│ │ └── 线性回归.ipynb
│ ├── 5-逻辑回归实验分析
│ │ ├── img
│ │ └── 逻辑回归.ipynb
│ ├── 6-逻辑回归代码实现
│ │ ├── data
│ │ ├── logistic_regression
│ │ └── utils
│ ├── 8-Kmeans代码实现
│ │ ├── data
│ │ ├── kmeans
│ │ └── utils
│ ├── 8-聚类算法-Kmeans&Dbscan原理
│ │ └── 4-聚类算法.pdf
│ └── mldata
│ └── mnist-original.mat
├── 第一十章 选修：Python数据分析案例实战
│ ├── img
│ │ ├── 3dplots.png
│ │ ├── barplots.png
│ │ ├── boxplots.png
│ │ ├── boxplot_overview.png
│ │ ├── errorbars.png
│ │ ├── formatting_1.png
│ │ ├── formatting_2.png
│ │ ├── formatting_3.png
│ │ ├── formatting_4.png
│ │ ├── heatmaps.png
│ │ ├── heat_dendro.png
│ │ ├── histograms.png
│ │ ├── intro_boxplot.png
│ │ ├── lineplots.png
│ │ ├── publication.png
│ │ ├── scatterplots.png
│ │ └── specialplots.png
│ ├── 贷款数据分析
│ │ ├── .ipynb_checkpoints
│ │ ├── country_stats.csv
│ │ ├── GEconV4.csv
│ │ ├── kiva_loans.csv
│ │ ├── kiva_mpi_region_locations.csv
│ │ ├── lenders.csv
│ │ ├── loans.csv
│ │ ├── loans_lenders.csv
│ │ ├── loan_coords.csv
│ │ ├── loan_themes_by_region.csv
│ │ ├── loan_theme_ids.csv
│ │ ├── locations.csv
│ │ ├── MPI_national.csv
│ │ ├── MPI_subnational.csv
│ │ └── 贷款数据.ipynb
│ ├── 电影推荐
│ │ ├── .ipynb_checkpoints
│ │ ├── tmdb_5000_credits.csv
│ │ ├── tmdb_5000_movies.csv
│ │ └── 电影推荐.ipynb
│ ├── 多元分析入门
│ │ ├── .ipynb_checkpoints
│ │ ├── wine.data
│ │ └── 多变量分析.ipynb
│ ├── 可视化
│ │ ├── .ipynb_checkpoints
│ │ ├── data
│ │ ├── images
│ │ └── Pair Plots.ipynb
│ ├── 纽约动态
│ │ ├── .ipynb_checkpoints
│ │ ├── animation2_frames
│ │ ├── animation_frames
│ │ ├── data
│ │ ├── animation.html
│ │ ├── animation2.html
│ │ ├── mahesh_xgb_submission.csv
│ │ ├── test.csv
│ │ ├── train.csv
│ │ └── 纽约出租车旅途时间建模分析.ipynb
│ ├── 商品订单数据集分析
│ │ ├── .ipynb_checkpoints
│ │ ├── ._aisles.csv
│ │ ├── ._departments.csv
│ │ ├── ._orders.csv
│ │ ├── ._order_products__prior.csv
│ │ ├── ._order_products__train.csv
│ │ ├── ._products.csv
│ │ ├── 1.png
│ │ ├── aisles.csv
│ │ ├── departments.csv
│ │ ├── orders.csv
│ │ ├── order_products__prior.csv
│ │ ├── order_products__train.csv
│ │ ├── products.csv
│ │ ├── 不同类型人的购买情况.ipynb
│ │ └── 购物情况分析.ipynb
│ ├── 数据分析与机器学习模板
│ │ ├── .ipynb_checkpoints
│ │ ├── dataset
│ │ ├── images
│ │ ├── 1.png
│ │ ├── 2.png
│ │ └── 机器学习作业模板.ipynb
│ ├── 数据降维
│ │ ├── .ipynb_checkpoints
│ │ ├── Mnist降维.ipynb
│ │ └── train.csv
│ ├── 文本主题模型
│ │ ├── .ipynb_checkpoints
│ │ ├── test.tsv
│ │ ├── train.tsv
│ │ └── 商品可视化展示与文本处理.ipynb
│ ├── 1-Matplotlib基本操作.ipynb
│ ├── 2-风格设置.ipynb
│ ├── 3-条形图.ipynb
│ ├── 4-盒图.ipynb
│ ├── 5-直方图and散点图.ipynb
│ ├── 6-3D图.ipynb
│ ├── 7-pie与布局.ipynb
│ └── 8-Pandas与sklearn结合实例.ipynb
├── 第一章 第一模块：Python快速入门
│ └── Python基础
│ ├── Python基础代码
│ ├── pycharm-2025.2.3.exe
│ ├── python-3.14.0-amd64.exe
│ ├── Python：从入门到核心.ipynb
│ └── Python环境配置教程.docx
├── 机器学习训练营第四章综合实训项目与模型优化
│ ├── 3-模型评估方法
│ │ ├── img
│ │ └── 模型评估方法.ipynb
│ ├── data
│ │ ├── Item_table.csv
│ │ ├── JData_Action_201602.csv
│ │ ├── JData_Action_201603.csv
│ │ ├── JData_Action_201603_dedup.csv
│ │ ├── JData_Action_201604.csv
│ │ ├── JData_Action_201604_dedup.csv
│ │ ├── JData_Comment.csv
│ │ ├── JData_FUser.csv
│ │ ├── JData_Product.csv
│ │ ├── JData_User.csv
│ │ └── User_table.csv
│ ├── img
│ │ ├── 1.png
│ │ ├── 2.png
│ │ ├── 3.png
│ │ └── 5.png
│ ├── 第二章：爱彼迎数据集分析与建模
│ │ ├── .ipynb_checkpoints
│ │ ├── calendar.csv.gz
│ │ ├── listings.csv.gz
│ │ ├── reviews.csv.gz
│ │ └── 爱彼迎数据集分析建模.ipynb
│ ├── 第十六章：基于随机森林的气温预测
│ │ └── 随机森林
│ ├── 第十章：数据特征预处理
│ │ ├── .ipynb_checkpoints
│ │ ├── img
│ │ ├── california.png
│ │ ├── housing.csv
│ │ └── 数据特征预处理.ipynb
│ ├── 数据分析与机器学习模板
│ │ ├── .ipynb_checkpoints
│ │ ├── dataset
│ │ ├── images
│ │ ├── 1.png
│ │ ├── 2.png
│ │ └── 机器学习作业模板.ipynb
│ ├── 1-数据清洗.ipynb
│ ├── 2-数据探索.ipynb
│ ├── 3-特征工程.ipynb
│ ├── 4-Xgboost模型.ipynb
│ ├── bst.model
│ ├── Data_Explore.ipynb
│ ├── feature_importance_10-24.csv
│ ├── label_val_3.csv
│ ├── README.md
│ ├── train_set.csv
│ ├── val_3.csv
│ └── xgb.fmap
├── 数学基础课件
│ ├── 统计分析
│ │ ├── 贝叶斯分析
│ │ ├── 方差分析
│ │ ├── 回归分析
│ │ ├── 假设检验
│ │ ├── 聚类分析
│ │ ├── 逻辑回归
│ │ ├── 描述统计
│ │ ├── 统计分布
│ │ └── 相关分析
│ ├── SVD.pdf
│ ├── 概率分布与概率密度.pdf
│ ├── 概率论.pdf
│ ├── 高等数学.pdf
│ ├── 核函数.pdf
│ ├── 后验概率估计.pdf
│ ├── 激活函数.pdf
│ ├── 矩阵.pdf
│ ├── 拉格朗日乘子法.pdf
│ ├── 熵.pdf
│ ├── 似然函数.pdf
│ ├── 泰勒公式.pdf
│ ├── 特征值与特征向量.pdf
│ ├── 梯度.pdf
│ └── 微积分.pdf
└── 选修2：人工智能-必备数学课程
└── 课件、源码
├── 统计分析
├── SVD.pdf
├── 概率分布与概率密度.pdf
├── 概率论.pdf
├── 高等数学.pdf
├── 核函数.pdf
├── 后验概率估计.pdf
├── 激活函数.pdf
├── 矩阵.pdf
├── 拉格朗日乘子法.pdf
├── 熵.pdf
├── 似然函数.pdf
├── 泰勒公式.pdf
├── 特征值与特征向量.pdf
├── 梯度.pdf
└── 微积分.pdf