Ai深度学习人工智能与机器学习课程 理论+实践全方位指导视频 Ai详解与案例

Ai深度学习人工智能与机器学习课程 理论+实践全方位指导视频 Ai详解与案例

课程介绍

欢迎参加深度学习人工智能与机器学习的课程！本课程将为您提供理论与实践全方位指导，帮助您深入学习和应用人工智能与机器学习技术。

在这个课程中，我们将深入探讨人工智能与机器学习的核心原理、算法和实现技术。通过丰富的理论讲解和实战项目指导，您将学会如何应用各种机器学习算法解决实际问题，以及如何利用深度学习技术提高模型性能。

课程目录

01 课程介绍.mp4
02 python基本知识.mp4
03 Windows下安装Anaconda.mp4
04 虚拟机环境的使用_导入虚拟机.mp4
05 虚拟机环境的使用_认识环境.mp4
06 Python工作环境.mp4
07 Python基本语法.mp4
08 Python对象.mp4
09 Python流程控制.mp4
10 函数的定义与使用.mp4
10 函数的定义与使用.mp4
100 附1-sclklt-learn引导篇.mp4
101 附2-Oange引导篇.mp4
102 附3-Xgboost安装篇.mp4
103 课程概述.mp4
104 特征构造的常用方法.mp4
105 用户RFM行为特征提取（代码演示）.mp4
106 用户RFM行为特征提取.mp4
107 特征转换之连续变量无量纲化.mp4
108 特征转换之连续变量数据变换.mp4
109 连续变量特征转换（代码演示）.mp4
11 闭包和装饰器.mp4
110 特征转换之连续变量离散化.mp4
111 类别变量编码（代码演示）.mp4
112 特征转换之类别变量编码.mp4
113 日期型变量处理（代码演示）.mp4
114 特征转换之缺失值处理（代码演示）.mp4
115 特征转换之缺失值处理.mp4
116 特征转换之特征组合（代码演示）.mp4
117  特征转换之特征组合.mp4
118 数据降维概述.mp4
119 数据降维之主成分分析（PCA）.mp4
12 Python的面向对象编程1.mp4
120 数据降维之主成分分析（PCA代码演示）.mp4
121 数据降维之线性判别分析法（LDA）.mp4
121 数据降维之线性判别分析法（LDA）~1.mp4
122 数据降维之线性判别分析法（LDA代码演示）.mp4
123 特征选择概述.mp4
124 单特征重要性评估.mp4
125 单特征重要性评估（代码演示）.mp4
126 课程总结.mp4
127 本章引言.mp4
128 构建你的第一个简单分类模型.mp4
129 构建你的第一个简单分类模型_代码演示.mp4
13 Python的面向对象编程2.mp4
130 用测试集对模型进行交叉验证.mp4
131 尝试其他的分类算法.mp4
132 准备一个更好的训练集.mp4
133 将多个模型的预测结果融合起来.mp4
134 模型优化的三个要素.mp4
135 本章引言.mp4
136 偏差与方差_过拟合与欠拟合.mp4
137 通过学习曲线诊断偏差和方差.mp4
138 通过验证曲线诊断过拟合和欠拟合.mp4
139 模型交叉验证方法之数据集划分.mp4
14 输入输出.mp4
140 模型交叉验证方法之k折交叉验证.mp4
141 模型评估指标之准确率和召回率.mp4
142 模型评估指标之收益曲线.mp4
143 模型评估指标之ROC与AUC.mp4
144 模型评估指标之KS值.mp4
145 本章引言.mp4
146 什么是逻辑回归.mp4
147 逻辑回归模型参数求解.mp4
148 逻辑回归模型正则化方法.mp4
149 逻辑回归代码示例.mp4
15 字符和编码.mp4
150 逻辑回归模型结果解释.mp4
151 逻辑回归模型自动化调参.mp4
152 逻辑回归的多分类问题.mp4
153 类别型特征变量转换.mp4
154 连续型特征变量转换.mp4
155 特征变量的组合.mp4
156 预测概率转换为分数.mp4
157 本章总结.mp4
158 本章引言.mp4
159 什么是K近邻.mp4
16 正则表达式.mp4
160 K近邻之距离度量.mp4
161 K近邻算法基本原理.mp4
162 K近邻算法代码演示.mp4
163 K近邻参数优化.mp4
164 特征标准化和转换.mp4
165 K近邻总结.mp4
166 本章引言.mp4
167 什么是决策树.mp4
168 决策树属性分裂基本概念.mp4
169 决策树节点不纯度.mp4
17 课程介绍.mp4
170 决策树最佳分裂.mp4
171 决策树算法对比.mp4
172 决策树剪枝.mp4
173 决策树代码演示.mp4
174 决策树参数调优.mp4
175 决策树总结.mp4
176 本章引言.mp4
177  什么是支持向量机.mp4
178 支持向量机算法基本原理.mp4
179 支持向量机代码演示.mp4
18 Numpy基础.mp4
180 支持向量机参数优化.mp4
181 支持向量机总结.mp4
182 本章引言.mp4
183 贝叶斯公式.mp4
184  朴素贝叶斯分类原理.mp4
185 朴素贝叶斯代码演示.mp4
186 朴素贝叶斯总结.mp4
187 课程概述.mp4
188 相关和回归.mp4
189 一元线性回归模型.mp4
19 多维数组类型_ndarray.mp4
190 最小二乘法.mp4
191 一元线性回归excel操作.mp4
192 一元线性回归python操作.mp4
193 课程总结.mp4
194 多元线性回归模型.mp4
195 多重共线性概念.mp4
196 逐步回归方法.mp4
197 过拟合与正则化.mp4
198 多元线性回归excel操作.mp4
199 多元线性回归python操作.mp4
20 创建ndarray.mp4
200 非线性回归简介.mp4
201 非线性回归在Excel中的操作.mp4
202 非线性回归在python的操作.mp4
203  回归模型常用评估指标.mp4
204 回归树（CART）基本原理.mp4
205 回归树代码演示.mp4
206 课程概述.mp4
207 什么是聚类分析.mp4
208  相似度与距离度量.mp4
209 聚类之K均值算法.mp4
21 numpy中的数据类型.mp4
210 K均值算法代码演示.mp4
211 K均值算法调参.mp4
212 聚类模型评估指标.mp4
213 聚类分析总结.mp4
214  什么是关联规则.mp4
215 关联规则Apriori算法.mp4
216 关联规则的lift指标.mp4
217 关联规则的理解与应用.mp4
218 关联规则代码演示.mp4
219 关联规则总结.mp4
22 ndarray的文件IO.mp4
220 课程总结.mp4
221 什么是推荐系统.mp4
222 基于Item的协同过滤算法.mp4
223 基于User的协同过滤算法.mp4
224 SVD矩阵分解算法.mp4
225 机器学习经典案例：垃圾邮件过滤模型.mp4
226 机器学习经典案例：KNN算法实现手写字体识别.mp4
226 机器学习经典案例：KNN算法实现手写字体识别~1.mp4
227 机器学习经典案例：餐馆菜肴推荐系统.mp4
228 课程概述.mp4
229 模型融合基本概念.mp4
23 操作多维数组ndarray.mp4
230 Voting和Averaging融合.mp4
231 Bagging融合.mp4
232 Boosting融合.mp4
233 随机森林算法基本原理.mp4
234 随机森林算法（分类）代码演示.mp4
235 随机森林算法（回归）代码演示.mp4
236 Adaboost算法基本原理.mp4
237 Adaboost算法（分类）代码演示.mp4
238 Adaboost算法（回归）代码演示.mp4
239 GBDT算法基本原理.mp4
24 选择ndarray的元素_索引.mp4
240 GBDT算法（分类）代码演示.mp4
241 GBDT算法（回归）代码演示.mp4
242 Xgboost基本介绍.mp4
243 Xgboost算法（分类）代码演示.mp4
244 Xgboost算法（回归）代码演示.mp4
245 课程总结.mp4
246 文本分析的基本概念.mp4
247 文本特征表示方法（词袋模型）.mp4
248 TF-IDF算法.mp4
249 词表征方法（词向量）.mp4
25 选择ndarray的元素_索引数组.mp4
250 神经网络与深度学习.mp4
251 卷积神经网络CNN介绍.mp4
252  循环神经网络RNN介绍.mp4
253 深度学习的应用场景.mp4
254 背景与部分原理.mp4
255 模型原理.mp4
256 数据.mp4
257 代码.mp4
258 总结.mp4
259 项目概述.mp4
26 选择ndarray的元素_布尔数组.mp4
260 数据观察.mp4
261 基于item的协同过滤推荐.mp4
262 基于user的协同过滤推荐.mp4
263 基于SVD的协同过滤推荐.mp4
264 项目概述.mp4
265 opencv的安装及使用.mp4
266 图像特征_颜色直方图.mp4
267 用随机森林构建图像分类模型.mp4
268 对新图片进行分类预测.mp4
269 项目概述.mp4
27 改变ndarray的形状.mp4
270 对文档进行分词.mp4
271 用TFIDF和词袋表示文档特征.mp4
272 用word2vec词向量表示文档特征.mp4
273 训练文档分类模型.mp4
274 模型效果的评估.mp4
275 对新文档进行分类预测.mp4
276 预测房价项目概述.mp4
277 数据理解和整体探索.mp4
278 数据清洗.mp4
279 特征转换、衍生、组合.mp4
28 ndarray的基本运算.mp4
280 特征筛选.mp4
281 模型训练.mp4
282 对新数据进行预测.mp4
283 项目概述.mp4
284 从交易数据中提取RFM特征.mp4
285 客户RFM分析.mp4
286 响应预测模型训练和选择.mp4
287 模型部署和应用.mp4
288 项目概述.mp4
289 CT图像的预处理技术.mp4
29 numpy进阶.mp4
290 图像数据的增强(augmentation).mp4
291 训练图像分割模型.mp4
292 训练三维卷积神经网络.mp4
293 模型串联+项目总结.mp4
30 广播_不同维度数组运算.mp4
31 复制和视图.mp4
32 附1_Windows下安装Anaconda.mp4
33 附2_虚拟机环境的使用_导入虚拟机.mp4
34 附3_虚拟机环境的使用_认识环境.mp4
35 scipy简介.mp4
36 线性代数基础知识_向量.mp4
37 线性代数基础知识_矩阵.mp4
38 特征值和特征向量.mp4
39 解线性方程组.mp4
40 最小二乘法.mp4
41 本章引言.mp4
42 Pandas安装&数据结构介绍.mp4
43 Pandas数据查看.mp4
44 Pandas数据选择.mp4
45 Pandas数据修改与基本运算1.mp4
46 Pandas数据修改与基本运算2.mp4
47 Pandas数据修改与基本运算3.mp4
48 Pandas数据加载.mp4
49 Pandas多层索引.mp4
50 Pandas数据变形之关联.mp4
51 Pandas数据变形之分组与聚合.mp4
52 Pandas数据变形之数据重塑.mp4
53 本章引言.mp4
54 Matplotlib主要绘图类型_上.mp4
55 Matplotlib主要绘图类型_下.mp4
56 Matplotlib主要绘图参数.mp4
57 Matplotlib主要绘图装饰函数.mp4
58 Matplotlib文字标注与注释.mp4
59 Matplotlib子图.mp4
60 本章引言.mp4
61 快速理解数据挖掘和机器学习.mp4
62 数据挖掘的六大任务.mp4
63 数据挖掘的方法论（CRISP-DM）.mp4
64 预测模型的构建和应用流程.mp4
65 机器学习算法及分类.mp4
66 数据挖掘与数据仓库和OLAP.mp4
67 数据挖掘和机器学习的应用案例.mp4
68 如何成为一名优秀的数据科学家.mp4
69 本章引言.mp4
70 认识数据.mp4
71 描述性统计分析.mp4
72 分类变量的分析方法.mp4
73 连续变量的分析方法.mp4
74 相关性分析.mp4
75 基本空间与随机事件.mp4
76 事件的关系与运算.mp4
77 事件的概率.mp4
78 随机变量的分布.mp4
79 期望与方差.mp4
80 联合分布.mp4
81 条件分布与条件期望.mp4
82 正态分布.mp4
83 总体与样本.mp4
84 样本均值与方差.mp4
85 次序统计量与分位数.mp4
86 矩法估计.mp4
87 极大似然估计.mp4
88 贝叶斯估计.mp4
89 区间估计.mp4
90 假设检验.mp4
91 多元线性回归（上）.mp4
92 多元线性回归（下）.mp4
93 判别分析（上）.mp4
94 判别分析（下）.mp4
95 数据处理.mp4
96 系统聚类法.mp4
97 动态聚类法.mp4
98 主成分分析.mp4
99 样本主成分及其应用.mp4



下载地址（百度网盘）：

游客，如果您要查看本帖隐藏内容请回复

版权声明

1. 本站出于学习和研究的目的提供平台共会员进行交流和讨论，网站资源由会员从网上收集整理所得，版权属于原作者。

2. 网站所有资源是进行学习和研究测试之用，不得以任何方式用于商业用途。请在下载后24小时删除。

3. AE资源网非常重视知识产权,如有侵犯任何第三方权益，请发邮件(aeziyuan@foxmail.com)及时联系，邮件请附（专利证书、商标注册证、著作权证书，以及知识产权人授权投诉方进行投诉的证明文件等有效证明），我们将第一时间核实并删除侵权帖子(3个工作日内处理完并邮件答复)。

本文地址: https://aeziyuan.com/thread-41182-1-1.html

感谢分享

相当不错，感谢分享！

多谢您的分享。

多谢您的分享。

学习了，谢谢分享

回复看看下载地址

谢谢楼主分享！

感谢分享