夸克网盘
5积分
01 阶段一 人工智能 --01 第一章 机器学习概述V2.1 --02 第二章 环境安装和使用V2.1 --03 第三章 matplotlibV2.1 --04 第四章 numpyV2.1 --05 第五章 pandasV2.1 --06 第六章 seabornV2.1 --07 第七章 K近邻算法V2.1 --08 第八章 线性回归V2.1 --09 第九章 逻辑回归V2.1 --10 第十章 决策树V2.1 --11 第十一章 集成学习V2.1 --12 第十二章 聚类算法V2.1 --13 第十三章 朴素贝叶斯V2.1 --14 第十四章 SVM算法V2.1 --15 第十五章 EM算法V2.1 --16 第十六章 HMM算法V2.1 --17 第十七章 集成学习进阶V2.1 02 阶段二 数据挖掘 --01 第一章 SparkMllib数据挖掘+SparkGraphX
黑马-人工智能与数据挖掘13.95GB
01 阶段一 人工智能9.33GB
01 第一章 机器学习概述V2.1456.64MB
01 机器学习介绍456.64MB
01 01-0前置-机器学习科学计算库内容简介.mp413.83MB02 01-1讲解-机器学习科学计算库内容简介.mp46.2MB03 02-1讲解-人工智能概述.mp455.63MB04 02-2点评-人工智能概述.mp422.46MB05 03-1讲解-人工智能的发展历程.mp422.3MB06 04-1讲解-人工智能主要分支.mp422.49MB07 04-2点评-人工智能主要分支.mp424.87MB08 05-1讲解-机器学习定义工作流程概述.mp49.47MB09 05-2点评-机器学习定义工作流程概述.mp434.52MB10 06-1讲解-机器学习工作流程各步骤解释.mp443.1MB11 06-2点评-机器学习工作流程各步骤解释.mp412.75MB12 06-3点评-机器学习工作流程各步骤解释.mp48.04MB13 07-1讲解-机器学习算法分类介绍.mp431.2MB14 07-2点评-机器学习算法分类介绍.mp46.31MB15 08-1讲解-模型评估.mp420.06MB16 08-2点评-模型评估.mp49.2MB17 08-3点评-模型评估.mp45.88MB18 09-1讲解-Azure机器学习平台实验演示1.mp455.5MB19 10-1讲解-Azure机器学习平台实验演示2.mp425.04MB20 11-1讲解-深度学习简介.mp418.43MB21 11-2点评-深度学习简介.mp49.34MB02 第二章 环境安装和使用V2.1155.99MB
01 环境安装及使用155.99MB
01 12-1讲解-基础环境安装.mp411.98MB02 13-1讲解-jupyter notebook的基本使用1.mp447.42MB03 13-2点评-jupyter notebook的基本使用1.mp432.15MB04 14-1讲解-jupyter notebook的基本使用2.mp443.28MB05 14-2点评-jupyter notebook的基本使用2.mp45.96MB06 15-1讲解-matplotlib的基本使用.mp415.19MB03 第三章 matplotlibV2.1263.71MB
01 matplotlib使用263.71MB
01 01-1讲解-实现基础绘图-某城市温度变换图.mp412.1MB02 01-2点评-实现基础绘图-某城市温度变换图.mp426.19MB03 02-1讲解-绘图辅助功能完善-某城市温度变换图.mp453.21MB04 02-2点评-绘图辅助功能完善-某城市温度变换图.mp414.45MB05 03-1讲解-在一个坐标系下绘制多个图像.mp425.87MB06 03-2点评-在一个坐标系下绘制多个图像.mp46.76MB07 04-1讲解-在多个坐标系下绘制多个图像.mp454.66MB08 04-2点评-在多个坐标系下绘制多个图像.mp418.76MB09 05-1讲解-常见图形绘制.mp430.69MB10 05-2点评-常见图形绘制.mp421.02MB04 第四章 numpyV2.1408.49MB
01 numpy使用408.49MB
01 06-1讲解-numpy介绍.mp426.39MB02 06-2点评-numpy介绍.mp47.72MB03 07-1讲解-ndarray介绍.mp49MB04 07-2点评-ndarray介绍.mp416.13MB05 08-1讲解-创建0，1数组，固定范围数组.mp424.14MB06 08-2点评-创建0，1数组，固定范围数组.mp416.07MB07 09-1讲解-创建随机数组.mp438.14MB08 09-2点评-创建随机数组.mp414.89MB09 10-1讲解-数组的基本操作.mp437.77MB10 10-2点评-数组的基本操作.mp413.46MB11 10-3点评-前面总结.mp413.96MB12 10-4点评-回顾.mp439.68MB13 11-1讲解-ndarray的运算.mp442.83MB14 12-1讲解-数组间运算.mp424.13MB15 11-2点评-ndarray的运算.mp411.91MB16 12-2点评-数组间运算.mp414.18MB17 13-1讲解-矩阵复习.mp427.99MB18 13-2点评-矩阵复习.mp419.24MB19 13-3点评-矩阵复习.mp410.86MB05 第五章 pandasV2.11.02GB
01 pandas数据结构149.57MB
01 14-1讲解-pandas介绍.mp46.43MB02 14-2点评-pandas介绍.mp44.06MB03 15-1讲解-pandas数据结构-series.mp419.09MB04 15-2点评-pandas数据结构-series.mp45.94MB05 16-1讲解-pandas数据结构-DataFrame1.mp428.5MB06 16-2点评-pandas数据结构-DataFrame1.mp411.42MB07 16-3点评-回顾总结.mp422.41MB08 17-1讲解-pandas数据结构-DataFrame2.mp419.44MB09 18-1讲解-pandas数据结构-multiindex和panel.mp428.12MB10 18-2点评-pandas数据结构-multiindex和panel.mp44.15MB02 pandas基础使用496.26MB
01 01-1讲解-pandas中的索引.mp438.36MB02 01-2点评-pandas中的索引.mp411.32MB03 02-1讲解-赋值和排序.mp424.76MB04 02-2点评-赋值和排序.mp47.09MB05 03-1讲解-pandas中的算术运算和逻辑运算.mp424.24MB06 03-2点评-pandas中的算术运算和逻辑运算.mp49.95MB07 04-1讲解-pandas中的统计函数.mp422.49MB08 04-2点评-pandas中的统计函数.mp47.92MB09 05-1讲解-pandas中的累计统计函数和自定义函数.mp425.37MB10 05-2点评-pandas中的累计统计函数和自定义函数.mp444.86MB11 06-1讲解-pandas中绘图方式介绍.mp426.45MB12 07-1讲解-pandas中文件的读取和写入.mp471.48MB13 07-2点评-pandas中文件的读取和写入.mp416MB14 07-3点评-pandas中文件的读取和写入.mp471.77MB15 07-4点评-内容总结.mp494.2MB03 pandas高级使用270.25MB
01 08-1讲解-缺失值的处理.mp461.25MB02 08-2点评-缺失值的处理.mp416.2MB03 09-1讲解-数据离散化.mp433.6MB04 09-2点评-数据离散化.mp413.13MB05 10-1讲解-数据表的合并.mp421.71MB06 10-2点评-数据表的合并.mp410.75MB07 11-1讲解-交叉表和透视表介绍.mp438.17MB08 11-2点评-交叉表和透视表介绍.mp412.48MB09 11-3点评-内容回顾.mp411.78MB10 12-1讲解-分组聚合介绍.mp418.32MB11 12-2点评-分组聚合介绍.mp49.83MB12 13-1讲解-星巴克案例实现.mp419.61MB13 13-2点评-星巴克案例实现.mp43.43MB04 电影案例分析130.06MB
01 14-0前置-电影案例分析1.mp44.83MB02 14-1讲解-电影案例分析1.mp432.83MB03 14-2点评-电影案例分析1.mp412.77MB04 15-1讲解-电影案例分析.mp448.8MB05 15-2点评-电影案例分析.mp420.62MB06 15-3点评-电影案例分析.mp410.22MB06 第六章 seabornV2.1853.95MB
01 绘制统计图79.95MB
01 01-1讲解-绘制单变量分布.mp421.65MB02 01-2点评-绘制单变量分布.mp47.3MB03 02-1讲解-绘制双变量分布图形.mp441.63MB04 02-2点评-绘制双变量分布图形.mp49.37MB02 分类数据绘图173.44MB
01 03-1讲解-类别散点图的绘制.mp417.54MB02 03-2点评-类别散点图的绘制.mp431.53MB03 03-3点评-内容回顾.mp465.05MB04 04-1讲解-类别内的数据分布和统计估计.mp439.4MB05 04-2点评-类别内的数据分布和统计估计.mp419.91MB03 NBA案例242.44MB
01 05-1讲解-NBA数据获取和相关性基本分析.mp44.83MB02 05-2点评-NBA数据获取和相关性基本分析.mp414.27MB03 06-1讲解-对数据进行分析-seaborn.mp455.31MB04 06-2点评-对数据进行分析-seaborn.mp416.28MB05 07-1讲解-衍生变量的可视化实践.mp445.34MB06 07-2点评-衍生变量的可视化实践.mp49.08MB07 08-1讲解-球队数据分析.mp487.16MB08 08-2点评-球队数据分析.mp410.16MB04 北京租房数据统计分析358.13MB
01 09-0前置-北京市租房数据获取和重复值与空值处理.mp431.14MB02 09-1讲解-北京市租房数据获取和重复值与空值处理.mp429.06MB03 09-2点评-北京市租房数据获取和重复值与空值处理.mp412.87MB04 10-1讲解-数据类型转换（面积，户型）.mp430.6MB05 10-2点评-数据类型转换（面积，户型）.mp46.86MB06 11-1讲解-房源数量和位置分布分析.mp420.14MB07 11-2点评-房源数量和位置分布分析.mp44.41MB08 12-1讲解-户型数量基本分析.mp438.49MB09 12-2点评-户型数量基本分析.mp419.37MB10 12-3点评-户型数量基本分析.mp47.92MB11 13-1讲解-平均租金基本分析.mp453.57MB12 13-2点评-平均租金基本分析.mp425.19MB13 14-1讲解-面积区间分析.mp48.61MB14 14-2点评-面积区间分析.mp46.22MB15 14-3点评-内容总结.mp463.69MB07 第七章 K近邻算法V2.1997.82MB
01 k近邻算法介绍166.51MB
01 01-0前置-K-近邻算法简介.mp48.46MB02 01-1讲解-K-近邻算法简介.mp431.54MB03 01-2点评-K-近邻算法简介.mp48.2MB04 02-1讲解-K近邻算法api初步使用.mp421.16MB05 02-2点评-K近邻算法api初步使用.mp419.07MB06 03-1讲解-机器学习中距离度量介绍.mp435.21MB07 03-2点评-机器学习中距离度量介绍.mp416.36MB08 04-1讲解-K值的选择介绍.mp413.99MB09 04-2点评-K值的选择介绍.mp412.54MB02 kd树134.91MB
01 05-1讲解-kd树和kd树的构造过程.mp427.69MB02 05-2点评-kd树和kd树的构造过程.mp415.22MB03 06-1讲解-kd树案例实现.mp441.83MB04 06-2点评-kd树案例实现.mp418.38MB05 06-3点评-内容回顾.mp411.95MB06 06-4点评-kd树案例实现.mp419.84MB03 数据集处理132.75MB
01 07-1讲解-数据集获取和属性介绍.mp450.71MB02 07-2点评-数据集获取和属性介绍.mp421.16MB03 08-1讲解-数据可视化介绍.mp418.62MB04 08-2讲解-数据可视化介绍.mp47.3MB05 09-1讲解-数据集的划分.mp425.96MB06 09-2点评-数据集的划分.mp49MB04 特征工程88.91MB
01 10-1讲解-特征预处理简介.mp410.77MB02 10-2点评-特征预处理简介.mp43.43MB03 11-1讲解-归一化和标准化介绍.mp443.38MB04 11-2点评-归一化和标准化介绍.mp427.61MB05 11-3点评-归一化和标准化介绍.mp43.73MB05 KNN总结134.37MB
01 12-1讲解-鸢尾花种类预测.mp440.15MB02 12-2点评-鸢尾花种类预测.mp49.35MB03 12-3点评-内容总结.mp413.16MB04 12-4点评-内容回顾.mp457.41MB05 13-1讲解-KNN算法总结.mp49.53MB06 13-2点评-KNN算法总结.mp44.77MB06 交叉验证, 网格搜索63.19MB
01 14-1讲解-交叉验证、网格搜索概念介绍.mp418.35MB02 14-2点评-交叉验证、网格搜索概念介绍.mp411.99MB03 15-1讲解-交叉验证、网格搜索案例实现.mp424.25MB04 15-2点评-交叉验证、网格搜索案例实现.mp48.61MB07 案例 Facebook位置预测277.18MB
01 01-1讲解-案例-Facebook位置预测流程分析.mp421.89MB02 01-2点评-案例-Facebook位置预测流程分析.mp413.11MB03 02-1讲解-案例-Facebook位置预测代码实现1.mp456.53MB04 02-2点评-案例-Facebook位置预测代码实现1.mp433.29MB05 03-1讲解-案例-Facebook位置预测代码实现2.mp442MB06 03-3点评-案例-Facebook位置预测代码实现2.mp48.46MB07 04-1讲解-补充-数据分割和留出法.mp426.49MB08 04-2点评-补充-数据分割和留出法.mp414.03MB09 05-1讲解-补充-交叉验证法和自助法.mp443.45MB10 05-2点评-补充-交叉验证法和自助法.mp417.93MB08 第八章 线性回归V2.1500.23MB
01 回归介绍59.7MB
01 06-1讲解-线性回归简介.mp423.82MB02 06-2点评-线性回归简介.mp44.59MB03 07-1讲解-初始线性回归api.mp413.8MB04 08-1讲解-数学：求导.mp411.99MB05 08-2点评-数学：求导.mp45.5MB02 损失优化111.99MB
01 09-1讲解-线性回归中损失函数的介绍.mp411.44MB02 09-2点评-线性回归中损失函数的介绍.mp49.31MB03 10-1讲解-使用正规方程对损失函数进行优化.mp423.42MB04 10-2点评-使用正规方程对损失函数进行优化.mp420.67MB05 11-1讲解-使用梯度下降法对损失函数进行优化.mp431.35MB06 11-2点评-使用梯度下降法对损失函数进行优化.mp415.81MB03 回归相关知识6.68MB
05 13-1讲解-线性回归api再介绍.mp46.68MB03 回归相关知识321.86MB
01 12-1讲解-梯度下降法方法介绍.mp452.14MB02 12-2点评-梯度下降法方法介绍.mp422.88MB03 12-3点评-内容回顾.mp447.57MB04 13-0前置-线性回归api再介绍.mp44.86MB06 13-2点评-线性回归api再介绍.mp48.79MB07 14-1讲解-波士顿房价预测案例.mp455.08MB08 14-2点评-波士顿房价预测案例.mp47.77MB09 15-1讲解-欠拟合和过拟合的介绍.mp423.99MB10 15-2点评-欠拟合和过拟合的介绍.mp416.48MB11 16-1讲解-正则化线性模型.mp413.51MB12 16-2点评-正则化线性模型.mp411.99MB13 17-1讲解-岭回归介绍.mp425MB14 17-2点评-岭回归介绍.mp46.54MB15 18-1讲解-模型保存和加载.mp421.74MB16 18-2点评-模型保存和加载.mp43.52MB09 第九章 逻辑回归V2.1328.26MB
01 逻辑回归328.26MB
01 01-1讲解-逻辑回归介绍.mp431.32MB02 01-2点评-逻辑回归介绍.mp419.91MB03 02-1讲解-逻辑回归api介绍.mp44.61MB04 02-2点评-内容回顾.mp419.03MB05 03-1讲解-肿瘤预测案例.mp443.08MB06 03-2点评-肿瘤预测案例.mp416.55MB07 04-1讲解-分类评估方法介绍.mp452.11MB08 04-2点评-分类评估方法介绍.mp417.71MB09 05-1讲解-roc曲线绘制过程.mp426.54MB10 05-2点评-roc曲线绘制过程.mp416.16MB11 05-3点评-roc曲线绘制过程.mp44.39MB12 06-1讲解-补充-类别不平衡数据介绍.mp423.93MB13 06-2点评-补充-类别不平衡数据介绍.mp46.35MB14 07-1讲解-补充-过采样和欠采样介绍.mp432.28MB15 07-2点评-补充-过采样和欠采样介绍.mp414.27MB10 第十章 决策树V2.1954.51MB
01 信息增益448.75MB
01 08-1讲解-决策树算法简介.mp45.81MB02 09-1讲解-熵的介绍.mp419.69MB03 09-2点评-熵的介绍.mp487.16MB04 09-3点评-内容回顾.mp451.75MB05 09-3点评-熵的介绍.mp410.08MB06 10-0前置-信息增益的介绍.mp48.86MB07 10-1讲解-信息增益的介绍.mp430.28MB08 10-2点评-信息增益的介绍.mp431.45MB09 11-1讲解-信息增益率的介绍.mp432.23MB10 11-2点评-信息增益率的介绍.mp425.83MB11 12-1讲解-基尼指数的介绍.mp427.11MB12 12-2点评-基尼指数的介绍.mp419.45MB13 13-1讲解-决策树划分原理小结.mp416.1MB14 13-2点评-决策树划分原理小结.mp47.1MB15 14-1讲解-cart剪枝介绍.mp444.32MB16 14-2点评-cart剪枝介绍.mp431.54MB02 特征提取226.4MB
01 15-1讲解-字典特征提取.mp434.26MB02 15-2点评-字典特征提取.mp411.82MB03 16-1讲解-英文文本特征提取.mp424.98MB04 16-2点评-英文文本特征提取.mp49.33MB05 17-1讲解-中文文本特征提取.mp454.59MB06 17-2点评-中文文本特征提取.mp443.08MB07 18-1讲解-tfidf内容讲解.mp424.26MB08 18-2点评-tfidf内容讲解.mp410.39MB09 18-3点评-tfidf内容讲解.mp413.69MB03 案例泰坦生存预测145.32MB
01 01-1讲解-决策树算法api介绍.mp44.89MB02 01-2点评-决策树算法api介绍.mp416.48MB03 02-1讲解-泰坦尼克号乘客生存预测.mp466.07MB04 02-2点评-泰坦尼克号乘客生存预测.mp413.59MB05 03-1讲解-树木可视化操作.mp431.31MB06 03-2点评-树木可视化操作.mp412.99MB04 回归决策树134.04MB
01 04-1讲解-回归决策树介绍.mp471.48MB02 04-2点评-回归决策树介绍.mp428.56MB03 05-1讲解-回归决策树和线性回归对比.mp430.81MB04 05-2点评-回归决策树和线性回归对比.mp43.19MB11 第十一章 集成学习V2.1592.01MB
01 集成介绍122.5MB
01 06-1讲解-集成学习基本介绍.mp48.47MB02 07-1讲解-bagging和随机森林.mp462.34MB03 07-2点评-bagging和随机森林.mp413.07MB04 07-3点评-bagging和随机森林.mp48.21MB05 07-4点评-内容回顾.mp430.41MB02 随机森林案例295.99MB
01 08-1讲解-otto案例介绍以及数据获取.mp431MB02 08-2点评-otto案例介绍以及数据获取.mp410.84MB03 09-1讲解-otto数据基本处理.mp429.69MB04 09-2点评-otto数据基本处理.mp419.47MB05 10-1讲解-otto数据模型基本训练.mp435.45MB06 10-2点评-otto数据模型基本训练.mp46.52MB07 11-1讲解-模型调优和确定最优模型.mp482.7MB08 11-2点评-模型调优和确定最优模型.mp49.55MB09 11-3点评-模型调优和确定最优模型.mp412.98MB10 12-1讲解-生成提交数据.mp440.56MB11 12-2点评-生成提交数据.mp417.24MB03 集成学习173.52MB
01 13-1讲解-boosting介绍.mp436.79MB02 13-2点评-boosting介绍.mp473.84MB03 14-1讲解-GBDT的介绍.mp418.55MB04 14-2点评-GBDT的介绍.mp444.35MB12 第十二章 聚类算法V2.1317.37MB
01 聚类算法317.37MB
01 01-1讲解-聚类算法介绍.mp47.06MB02 02-1讲解-聚类算法api初步实现.mp423.82MB03 02-2点评-聚类算法api初步实现.mp420.67MB04 03-1讲解-聚类算法实现流程.mp415.7MB05 03-2点评-聚类算法实现流程.mp411.49MB06 04-1讲解-模型评估.mp431.57MB07 04-2点评-模型评估.mp420.65MB08 05-1讲解-算法优化介绍.mp434.43MB09 05-2点评-算法优化介绍.mp426.22MB10 06-1讲解-特征降维内容介绍.mp462.22MB11 06-2点评-特征降维内容介绍.mp47.58MB12 07-1讲解-pca降维介绍.mp44.59MB13 08-1讲解-用户对物品类别的喜好细分案例.mp441.11MB14 08-2点评-用户对物品类别的喜好细分案例.mp410.28MB13 第十三章 朴素贝叶斯V2.1311.81MB
01 朴素贝叶斯311.81MB
01 09-1讲解-初始朴素贝叶斯.mp44.41MB02 09-2点评-初始朴素贝叶斯.mp44.86MB03 10-1讲解-概率内容复习.mp444.9MB04 10-2点评-概率内容复习.mp48.48MB05 11-1讲解-朴素贝叶斯计算案例.mp425.85MB06 11-2点评-朴素贝叶斯计算案例.mp412.08MB07 12-1讲解-朴素贝叶斯案例实现1.mp424.54MB08 13-1讲解-朴素贝叶斯案例实现2.mp481.69MB09 13-2点评-朴素贝叶斯案例实现2.mp47.98MB10 13-3点评-内容回顾.mp413.01MB11 13-4点评-内容回顾.mp446.75MB12 14-1讲解-朴素贝叶斯内容总结.mp413.25MB13 14-2点评-朴素贝叶斯内容总结.mp423.99MB14 第十四章 SVM算法V2.1483.81MB
01 SVM算法483.81MB
01 01-1讲解-SVM基本介绍.mp428.56MB02 01-2点评-SVM基本介绍.mp418.2MB03 02-1讲解-SVM算法api初步使用.mp45.69MB04 03-1讲解-SVM算法推导的目标函数.mp427.97MB05 03-2点评-SVM算法推导的目标函数.mp419.07MB06 04-1讲解-SVM目标函数推导过程及举例.mp442.32MB07 04-2点评-SVM目标函数推导过程及举例.mp447.83MB08 04-3点评-内容回顾.mp442.43MB09 05-1讲解-SVM损失函数.mp414.7MB10 05-2点评-SVM损失函数.mp49.12MB11 06-1讲解-SVM的核方法介绍.mp434.17MB12 06-2点评-SVM的核方法介绍.mp48.83MB13 07-1讲解-SVM回归介绍.mp42.35MB14 07-2点评-SVM回归介绍.mp46.35MB15 08-1讲解-SVM算法api再介绍.mp417.27MB16 08-2点评-SVM算法api再介绍.mp410.63MB17 09-1讲解-数字识别器案例初步介绍.mp417.91MB18 09-2点评-数字识别器案例初步介绍.mp48.31MB19 10-1讲解-数字识别器-获取数据.mp427.29MB20 10-2点评-数字识别器-获取数据.mp45.98MB21 11-1讲解-数字识别器-数据基本处理和模型训练.mp460.61MB22 11-2点评-数字识别器-数据基本处理和模型训练.mp410.05MB23 12-1讲解-SVM总结.mp44.12MB24 12-2点评-SVM总结.mp46.07MB25 12-3点评-内容总结.mp47.98MB15 第十五章 EM算法V2.1157.47MB
01 EM算法157.47MB
01 01-1讲解-初识EM算法.mp45.73MB02 01-2点评-初识EM算法.mp45.91MB03 02-1讲解-EM算法介绍.mp422.61MB04 02-2点评-EM算法介绍.mp47.37MB05 02-3点评-内容回顾.mp444.84MB06 03-0前置-EM算法实例.mp49.45MB07 03-1讲解-EM算法实例.mp442.03MB08 03-2点评-EM算法实例.mp419.54MB16 第十六章 HMM算法V2.1420.11MB
01 HMM算法420.11MB
01 04-1讲解-马尔科夫链的介绍.mp412.12MB02 04-2点评-马尔科夫链的介绍.mp48.24MB03 05-1讲解-HMM模型的简单案例.mp437.36MB04 05-2点评-HMM模型的简单案例.mp416.85MB05 06-1讲解-HMM模型三种经典问题举例求解.mp454.74MB06 06-2点评-HMM模型三种经典问题举例求解.mp420.99MB07 07-1讲解-HMM模型基础.mp445.89MB08 07-2点评-HMM模型基础.mp417.02MB09 08-1讲解-前向后向算法评估观察序列概率.mp410.08MB10 08-2点评-前向后向算法评估观察序列概率.mp46.87MB11 08-3点评-内容回顾.mp423.43MB12 08-4点评-前向后向算法评估观察序列概率.mp433.56MB13 09-1讲解-维特比算法解码隐藏状态序列.mp443.51MB14 09-2点评-维特比算法解码隐藏状态序列.mp419.59MB15 10-1讲解-鲍姆-韦尔奇算法简介.mp44.75MB16 11-1讲解-HMM模型api介绍及案例代码实现.mp447.76MB17 11-2点评-HMM模型api介绍及案例代码实现.mp417.37MB17 第十七章 集成学习进阶V2.11.28GB
01 XGBoost算法347.24MB
01 01-1讲解-xgboost最优模型构建方法.mp410.26MB02 01-2点评-xgboost最优模型构建方法.mp47.53MB03 02-1讲解-目标函数确定和树的复杂度介绍.mp424.4MB04 02-2点评-目标函数确定和树的复杂度介绍.mp418.21MB05 03-1讲解-XGBoost目标函数的推导.mp432.23MB06 03-2点评-回顾.mp468.62MB07 03-2点评-XGBoost目标函数的推导.mp435.35MB08 04-1讲解-XGBoost的回归树构建方法.mp417.14MB09 04-2点评-XGBoost的回归树构建方法.mp410.39MB10 05-1讲解-XGBoost和GBDT的区别.mp431.6MB11 05-2点评-XGBoost和GBDT的区别.mp46.52MB12 06-1讲解-xgboost算法api与参数介绍.mp428.11MB13 06-2点评-xgboost算法api与参数介绍.mp430.85MB14 07-1讲解-xgboost简单案例介绍.mp426.05MB02 otto案例161.82MB
01 08-1讲解-otto案例xgboost实现-数据基本处理.mp469.49MB02 08-2点评-otto案例xgboost实现-数据基本处理.mp413.78MB03 08-3点评-otto案例xgboost实现-数据基本处理.mp43.28MB04 09-1讲解-otto案例xgboost实现-模型基本训练.mp417.48MB05 10-1讲解-otto案例xgboost实现-模型调优.mp416.55MB06 10-2点评-otto案例xgboost实现-模型调优.mp45.94MB07 10-3点评-内容回顾.mp47.53MB08 11-1讲解-otto案例xgboost实现-最优模型运行.mp427.77MB03 lightGBM算法235.99MB
01 01-1讲解-lightGBM简单介绍.mp427.61MB02 01-2点评-lightGBM简单介绍.mp49.64MB03 02-1讲解-lightGBM算法原理介绍.mp432.15MB04 02-2点评-lightGBM算法原理介绍.mp434.9MB05 03-1讲解-lightGBM算法api参数介绍.mp419.17MB06 03-2点评-lightGBM算法api参数介绍.mp427.61MB07 04-1讲解-lightGBM算法简单案例介绍.mp448.19MB08 04-2点评-lightGBM算法简单案例介绍.mp48.05MB09 05-1讲解-pubg案例简介.mp422.89MB10 05-2点评-pubg案例简介.mp45.79MB04 绝地求生案例561.22MB
01 06-1讲解-获取pubg数据.mp431.54MB02 06-2点评-获取pubg数据.mp44.06MB03 07-1讲解-数据缺失值处理和查看每场比赛人数.mp444.86MB04 07-2点评-数据缺失值处理和查看每场比赛人数.mp45.46MB05 07-3点评-内容回顾.mp459.06MB06 08-1讲解-规范化输出部分数据和部分变量合成.mp434.52MB07 09-1讲解-异常值处理1.mp463.2MB08 09-2点评-异常值处理1.mp412.92MB09 10-1讲解-异常值值处理2.mp449.77MB10 10-2点评-异常值值处理2.mp47.73MB11 11-1讲解-类别型数据处理.mp441.83MB12 11-2点评-类别型数据处理.mp49.68MB13 12-1讲解-数据截取、确定特征值和目标值、分割数据集.mp417.74MB14 13-1讲解-使用RF进行模型训练.mp457.58MB15 13-2点评-使用RF进行模型训练.mp410.6MB16 14-1讲解-lightGBM对模型调优1.mp445.77MB17 14-2点评-lightGBM对模型调优1.mp47.15MB18 15-1讲解-lightGBM对模型调优2.mp451.14MB19 15-2点评-lightGBM对模型调优2.mp46.6MB02 阶段二 数据挖掘4.62GB
01 第一章 SparkMllib数据挖掘+SparkGraphX4.62GB
01 1-SparkMllib机器学习理论基础详解425.15MB
01 01-机器学习和大数据的区别(一).mp427.46MB02 02-机器学习和大数据的区别和联系(二).mp434.79MB03 03-机器学习和大数据的区别和联系(三).mp426.25MB04 04-人工智能和机器学习的区别.mp436.52MB05 05-数据分析和数据挖掘联系.mp415.29MB06 06-什么是机器学习问题.mp429.83MB07 07-基于规则的学习和基于模型的学习方式.mp424.42MB08 08-机器学习数据集概述1.mp419.66MB09 09-机器学习数据集概述2.mp425.69MB10 10-机器学习数据集概述3.mp427.34MB11 11-机器学习问题分类.mp457.62MB12 12-机器学习三要素强化.mp419.07MB13 13-构建机器学习模型的流程.mp414.93MB14 14-模型选择.mp426.87MB15 15-交叉验证及经验和结构风险.mp439.4MB02 2-SparkMllib库特征工程基础与实战(一)739.54MB
01 01-SparkMllib的功能.mp433.11MB02 2-SparkMllib的版本.mp417.59MB03 3-SparkMllib架构.mp420.9MB04 4-环境搭建及RDD、DF、DS的转换实践.mp462.06MB05 5-如何利用SparkMllib构建机器学习推荐架构.mp431.6MB06 6.SparkMllib算法分类及应用场景.mp418.4MB07 7-SparkMllib基础数据类型-localvector.mp445.63MB08 8-SparkMllib基础数据类型-labelpoint.mp420.59MB09 9.SparkMllib基础数据类型-libsvm数据读取.mp434.81MB10 10.SparkMllib基础数据类型-localmatrix.mp422.26MB11 11.SparkMllib基础数据类型-分布式行矩阵和行索引矩阵.mp449.11MB12 12.SparkMllib基础数据类型-分块矩阵.mp456.24MB13 13.SparkMllib均值和方差.mp449.91MB14 14-SparkMllib相关系数.mp446MB15 15-SparkMllib假设检验的卡方验证.mp453.83MB16 16-SparkMllib假设检验和随机数的产生.mp465.55MB17 17-特征提取tf-ifd.mp461.09MB18 18-特征提取-word2vec实践.mp425.72MB19 19-特征提取CountVector.mp425.16MB03 3-SparkMllib库特征工程基础与实战(二)553.47MB
01 20-特征转化的二值化操作.mp44.29MB02 21-特征转换-PCA操作.mp456.88MB03 22-特征转换-类别型数据和数值型数据转换.mp419.07MB04 23-特征转换-OneHot编码方式.mp417.36MB05 24-特征转换-VectorIndexer转换操作.mp45.94MB06 25-正则项.mp439.58MB07 26-数值型数据处理的方法.mp435.19MB08 27-Bucketizer分箱.mp421.74MB09 28-ElementWise与SQLTransform实践.mp433.18MB10 29-特征转换VectorAssemble.mp451.11MB11 30-特征转换-QuantileDiscretizer.mp418.55MB12 31-特征选择VectorSlicer.mp425.08MB13 32-RFormula和卡方验证选择特征方法.mp443.44MB14 33-卡方验证案例补充.mp445.61MB15 36-案例实践2-Iris统计初步实践.mp429.24MB16 37-案例实践2-Iris的rdd相关系数实践.mp415.62MB17 38-案例实践2-iris的Dataframe数据统计.mp440.68MB18 39-案例实践2-iris的SParkMllib特征工程实践.mp450.92MB04 4-SparkMllib决策树算法基础与实战642.65MB
01 1-了解什么是决策树.mp423.43MB02 2.基于规则建树.mp442.78MB03 3-信息熵的理解.mp411.91MB04 4-ID3算法步骤详解.mp419.05MB05 5-ID3算法举例和C4.5算法改进.mp436.99MB06 6-决策树的剪枝方式.mp431.73MB07 7-电商购买数据集ID3算法对比实践.mp418.83MB08 8-Cart树的回归树原理理解.mp440.6MB09 9-Cart树算法案例讲解.mp49.47MB10 10-Cart分类树原理及Gini系数.mp429.3MB11 11-Cart分类树的案例.mp415.67MB12 12-SparkMllib实战libsvm数据建模.mp494.66MB13 13-SparkMl实战libsvm数据全流程讲解实战.mp475.64MB14 14-SparkMllib相亲数据建模分析.mp453.48MB15 15-SparkMllib实战iris鸢尾花实战.mp469.19MB16 16-SparkMl实战Iris特征工程及建模实战1.mp469.91MB05 5-SparkMllib高级模块与线性回归基础及实战670.39MB
01 1-SparkMllib的pipeline简介.mp416.87MB02 2-Dataframe组件.mp440.75MB03 3-Pipeline原理.mp428.14MB04 4-通过set方法和ParamMap方法赋值超参数的选项.mp443.83MB05 5-通过pipeline完成案例的代码编写.mp442.27MB06 6-如何对模型选择与优化.mp412.08MB07 7-超参数的网格搜索.mp461.95MB08 8-简单交叉验证及模型选择.mp443.49MB09 9-简单线性回归.mp430.62MB10 10-最小二乘法解决简单线性回归原理.mp419.68MB11 11-多元线性回归简介.mp410.6MB12 12-最小二乘推导补充(补充).mp433.56MB13 13-线性回归的变体及各适用场景.mp435.24MB14 14-SparkMl实战脂肪数据集的案例.mp471.77MB15 15-SparkMl实战运输时间的预测分析.mp434.03MB16 16-SparkMllib基于RDD结构实战线性回归实例.mp436.23MB17 16-SparkMl实战libsvm数据的形式.mp422.4MB18 17-Sparkml完成房价预测分析实战.mp486.89MB06 6-SparkMllib聚类算法基础与实战602.87MB
01 1-什么是聚类.mp415.62MB02 2-关于多种距离的度量简介.mp424.45MB03 3-聚类算法核心思想.mp425.52MB04 4-KMeans的举例.mp427.88MB05 5-Kmens算法性能指标分析.mp420.92MB06 6-KMeans特点及注意事项.mp421.45MB07 7-SparkMLIB实战KMEans算法.mp443.28MB08 8-SparkMLLIB实现药品数据得简单聚类.mp429.78MB09 9-SparkMl实现基本数据的聚类分析实战.mp427.09MB10 10-SparkMl和parkSql实现经纬度数据聚类分析实战.mp476.3MB11 11-k-medoids了解.mp422.66MB12 12-其他聚类思路-层次聚类方法.mp427.07MB13 13-基于密度的聚类DBSCAN.mp432.41MB14 14-GMM模型原理.mp436.95MB15 15-聚类算法的总结：.mp49.13MB16 16-SparkMllib实现对于层次聚类的分析.mp429.82MB17 17-SparkMllib完成对于GMM高斯混合模型实践分析.mp426.45MB18 18-SparkLDA实现了主题的提取实战.mp470.59MB19 19-SparkML实现IRis鸢尾花的聚类算法实战.mp435.52MB07 7-SparkGraphX理论基础与实战639.09MB
01 1-图基本概念以及图计算应用【耗时整理‖免费分享 】.mp418.42MB02 2-SparkGraphX简介【耗时整理‖免费分享 】.mp417.3MB03 3-SparkGraphX图算法【耗时整理‖免费分享 】.mp414.53MB04 4-SparkGraphX抽象是RDPG---弹性分布式属性图.mp49.83MB05 5-SparkGraphX架构层面及存储方式简介.mp419.79MB06 6-SparkGraphX定义顶点操作.mp451.14MB07 7-SparkGraphX构件图及查询的操作.mp450.71MB08 8-图的基本数据结构.mp436.98MB09 9-图的类型和图的存储方式简介.mp442.42MB10 10-构建图的方法原理及源码了解创建过程.mp468.66MB11 11-构建图的操作代码.mp466.34MB12 12-社交网络数据的创建部分代码实战.mp457.45MB13 13-图的基本信息--顶点、边、入度、出度.mp450.66MB14 14-图的转换操作：mapVertices、mapEdges、mapTriplet.mp44.29MB15 15-图的结构操作：reverse、subgraph、mask、groupGraph.mp457.59MB16 16-图的关联操作.mp425.08MB17 17-图的聚合以及图的操作API总结.mp447.91MB08 8-SparkGraphX与SparkMllib综合实战460.77MB
01 1-PageRank算法的基本假设和理解.mp414.24MB02 2-PageRank算法思想.mp439.18MB03 3-PageRank算法深入.mp422.74MB04 4-SparkGraphX通过社交网络数据完成重要节点的选择.mp459.35MB05 5-通过wiki数据达到网页重要性的pagerank度量.mp431.57MB06 6-通过PageRank算法得到网页排名的重要性.mp433.11MB07 7-广度优先遍历.mp452.29MB08 8-SparkGrphX实现最短路径.mp444.76MB09 9-连通图和强联通图.mp451.14MB10 10-SparkGraphx实战三角关系网络发现.mp444.86MB11 11-SVD++原理.mp441.08MB12 12-SVD++实战推荐算法预测.mp426.45MB