百度网盘
5积分
这是一门由“九天菜菜”主讲的机器学习实战课程，内容极其全面和深入，覆盖了从机器学习基础到高级实战项目的全流程。课程从基本概念、矩阵运算、线性回归和逻辑回归的手动实现入手，深入讲解了梯度下降家族算法、模型评估、Scikit-Learn应用、决策树、集成算法(Bagging、随机森林、AdaBoost、GBDT、XGBoost、LightGBM)、超参数优化(网格搜索、贝叶斯优化、Halving、Optuna)等核心主题。最大的亮点是包含了多个大型实战项目，如用户流失预测、金融风控、股价预测、时间序列预测(WSDM案例)，并详细演示了特征工程、特征衍生、特征筛选、模型融合(Stacking, Blending)等工业级技巧。课程注重“手动实现”以加深理解，并紧密结合理论与代码实践，旨在培养学员的完整机器学习项目能力。
九天菜菜-机器学习实战15.66GB
257_【WDSM时序案例】35-机器学习中的时间序列(3)-Pmdarima实现滑窗交叉验证.mp4206.28MB256_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX.mp4139.7MB255_【WDSM时序案例】34-机器学习中的时间序列(2)-Pmdarima实现滚动交叉验证.mp4193.43MB254_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现.mp4221.46MB253_【WDSM时序案例】30-多变量时序模型(1)-多变量模型的基本思想.mp4197.74MB252_【WDSM时序案例】31-多变量时序模型(2)-VAR与VARMA模型的数学表示.mp4219.16MB251_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单.mp4240.78MB250_【WDSM时序案例】29【加餐】ARIMA模型的实现-(5)-选择最佳参数组合.mp4173.35MB249_【WDSM时序案例】27【加餐】ARIMA模型的实现-(3)-确定d值，进行建模.mp4131.55MB248_【WDSM时序案例】26【加餐】ARIMA模型的实现-(2)-平稳性检验与差分运算.mp4160.12MB247_【WDSM时序案例】25【加餐】ARIMA模型的实现-(1)-ARIMA经典假设与建模流程.mp4116.87MB246_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标.mp4115.93MB245_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势.mp4132.52MB244_【WDSM时序案例】23【加餐】时序模型-(10)-确定p、d、q的超参数值.mp4157.84MB243_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求.mp4111.33MB242_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像.mp4152.84MB241_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算.mp4184.99MB240_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算.mp4101.05MB239_【WDSM时序案例】17【加餐】时序模型-(4)-MA模型训练与测试流程.mp4167.04MB238_【WDSM时序案例】15【加餐】ARIMA模型详解(2)-AR自回归模型的训练与测试流程.mp4126.52MB237_【WDSM时序案例】16【加餐】时序模型-(3)-MA模型原理与公式讲解.mp4198.09MB236_【WDSM时序案例】14【加餐】ARIMA模型详解(1)-AR自回归模型原理与公式.mp4122.66MB235_【WDSM时序案例】13-理解时序预测(6)-深度学习领域的时间序列模型.mp483.68MB234_【WDSM时序案例】11-理解时序预测(4)-2大关键预测类型与前沿时序领域.mp4142.37MB233_【WDSM时序案例】12-理解时序预测(5)-统计学与机器学习中的时间序列模型.mp4130.12MB232_【WDSM时序案例】10-理解时序预测(3)-时间序列的训练与预测（下）.mp4206.86MB231_【WDSM时序案例】09-理解时序预测(2)-时间序列的训练与预测（上）.mp4120.62MB230_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点.mp496.21MB229_【WDSM时序案例】08-理解时序预测(1)-单变量vs多变量时间序列.mp4118.55MB228_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息.mp4138.42MB227_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息.mp4178.16MB226_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下).mp4121.25MB225_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上).mp4114.73MB224_【WDSM时序案例】03-赛题理解(3)-解读测试数据集.mp4108.44MB223_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分.mp4131.05MB222_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务.mp4101.26MB221_【股价项目】14-行业分段建模与模型融合.mp4185.62MB220_【股价项目】13-时序特征工程在股价数据中的应用.mp453.79MB219_【股价项目】11-指数加权移动平均.mp468.05MB218_【股价项目】12-市场波动特征.mp4175.81MB217_【股价项目】10-窗口统计特征.mp491.5MB216_【股价项目】-09-历史平移和增长率特征.mp438.73MB215_【股价项目】08-趋势特征分析简介.mp481.11MB214_【股价项目】-07-kaggle常见Q&A.mp444.23MB213_【股价项目】06-basline的建立.mp473.05MB212_【股价项目】05-数据探索与股票字段的深入理解.mp4261.9MB211_【股价项目】04-股票数据的特征含义与业务理解.mp468.88MB210_【股价项目】03-kaggle三大经典比赛形式.mp498.22MB209_【股价项目】02-股票相关的金融概念与评估指标.mp494.11MB208_【股价项目】01认识量化交易和股票收益预测.mp490.08MB207_【金融案例】19-逆向工程与无限融合.mp4112.73MB206_【金融案例】-18-optuna实现贝叶斯优化.mp459.11MB205_【金融案例】-16-focal-loss在多分类上的实现.mp476.82MB204_【金融案例】17-Leaking-Usage：重复申请人漏洞.mp488.68MB203_【金融案例】-15-focal-loss-在二分类上的实现.mp4103.37MB202_【金融案例】-14-特征工程成果与focal-loss原理精讲.mp493.97MB201_【金融案例】13-featuretools在HomeCredit数据集的进阶应用.mp4253MB200_【金融案例】12自动化衍生技巧以及featuretools库的基本流程.mp4134.15MB199_【金融案例】10-GAME策略的进阶应用：相对性行为分析和分层聚合分析.mp4156.47MB198_【金融案例】11GAME策略在附表中的综合应用.mp4291.08MB197_【金融案例】09-GAME策略和bureau表单的业务特征衍生.mp4105.43MB196_【金融案例】08-Leaking-proof式目标编码.mp4176.38MB195_【金融案例】07-主表的领域特征：还款业务指标.mp4197.58MB194_【金融案例】06三剑客建立baseline.mp4171.82MB193_【金融案例】05海量数据处理入门.mp4129.43MB192_【金融案例】04数据探索：主表的异常值处理以及相关性分析.mp4143.93MB191_【金融案例】03-比赛背景与目标主表的特征字段讲解以及缺失值的处理.mp4135.92MB190_【金融案例】02-比赛背景与目标.mp4194.83MB189_【金融案例】01-认识捷信金融还款风险预测.mp490.15MB188_Part-4.3.12.2-回归问题的Stacking&Blending融合方法.mp4211.78MB187_Part-4.3.12.1-回归问题的加权平均融合方法实践.mp4281.38MB186_Part-4.3.11.2-回归类集成算法优化策略（下）.mp498.92MB185_Part-4.3.11.1-回归类集成算法优化策略（上）.mp4468.16MB184_Part-4.3.10-Blending融合进阶优化策略.mp4188.24MB183_Part-4.3.9-Blending融合原理与实践.mp4223.43MB182_Part-4.3.8.2-Stacking自动元学习器优化函数.mp4159.95MB181_Part-4.3.8.1-Stacking自动超参数交叉训练函数.mp4287.16MB180_Part-4.3.7.2-Stacking元学习器优化流程.mp4218.26MB179_Part-4.3.7.1-Stacking一级学习器训练策略.mp4220.96MB178_Part-4.3.6.2-Stacking优化方法初阶.mp4287.66MB177_Part-4.3.6.1-Stacking基本原理与手动实现方法.mp4170.95MB176_Part-4.3.5.2-细粒度&多级分层加权融合实践.mp4118.64MB175_Part-4.3.5.1-细粒度&多级分层加权融合原理.mp4132.27MB174.Part 4.3.4.4 基于交叉训练的TPE搜索融合.mp479.7MB173.Part 4.3.4.3 决策树&逻辑回归的交叉训练.mp4142.63MB172.Part 4.3.4.2 随机森林模型的交叉训练过程.mp4187.08MB171.Part 4.3.4.1 交叉训练基本思想和数据准备.mp4108.73MB170.Part 4.3.3.4 交叉训练与Stacking融合的基本思路.mp4109.02MB169.Part 4.3.3.3 基于搜索空间裁剪的权重搜索策略.mp4178.04MB168.Part 4.3.3.2（新） 加权平均法的经验法权重设置策略.mp4232.83MB167.Part 4.3.3.1（新） 加权平均融合与理论最优权重.mp4138.99MB166.Part 4.3.2.2 阈值移动的TPE搜索与交叉验证.mp4286.93MB165.Part 4.3.2.1 投票法与均值法.mp4223.43MB164.Part 4.3.1 模型融合与深度森林技术体系介绍.mp4288.46MB163.Part 4.2.2 网格搜索超参数优化实战（下）.mp4362.07MB162.Part 4.2.1 网格搜索超参数优化实战（上）.mp4392.56MB161.Part 4.1.2 海量特征衍生与筛选（下）.mp4226.79MB160.Part 4.1.1 海量特征衍生与筛选（上）.mp4168.6MB159.Part 4.0第四部分导学.mp453.59MB158.Part 3.3.14 特征筛选方法总结.mp4284.13MB