├── 38 第12周，课堂讲解(上)
│ ├── 347_【直播】第12周，文本分类系统的设计与实现(上).vip
│ ├── 344_【视频】3.基于gensim的词向量使用.vip
│ ├── 346_【视频】5.停用词、训练词向量、tf-idf模型.vip
│ ├── 343_【视频】2.词嵌入和Word2Vec算法.vip
│ ├── 342_【视频】1.One-Hot编码对文本向量化.vip
│ ├── 345_【视频】4.中文分词与jieba分词器.vip
├── 39 第12周，课堂讲解(上)
│ ├── 352_【直播】第12周，文本分类系统的设计与实现(下).vip
│ ├── 349_【视频】2.卷积神经网络.vip
│ ├── 350_【视频】3.LeNet-5，卷积神经网络.vip
│ ├── 348_【视频】1.卷积和卷积运算.vip
│ ├── 351_【视频】4.使用卷积神经网络进行图片分类.vip
├── 35 第11周，课堂讲解(下)
│ ├── 319_【直播】第11周，集成学习算法(下).vip
│ ├── 315_【视频】2.随机森林算法的代码实现.vip
│ ├── 318_【视频】5.GBDT梯度提升树的代码实现.vip
│ ├── 317_【视频】4.GBDT梯度提升树的算法原理.vip
│ ├── 316_【视频】3.提升树的算法原理和举例.vip
│ ├── 314_【视频】1.随机森林算法的设计原理.vip
├── 34 第11周，课堂讲解(上)
│ ├── 313_【直播】第11周，集成学习算法(上).vip
│ ├── 312_【视频】7.AdaBoost算法的代码实现.vip
│ ├── 310_【视频】5.AdaBoost的算法设计原理.vip
│ ├── 308_【视频】3.bagging算法的设计与实现.vip
│ ├── 311_【视频】6.AdaBoost算法流程的详细举例.vip
│ ├── 309_【视频】4.提升方法，AdaBoost的基本思想.vip
│ ├── 307_【视频】2.不同集成学习的特点和区别.vip
│ ├── 306_【视频】1.集成学习算法的基本概念.vip
├── 37 第12周，课堂讲解(体验课)
│ ├── 339_【视频】7.文本特征向量提取.vip
│ ├── 338_【视频】6.训练与测试数据集的构造.vip
│ ├── 341_【视频】9.文本分类预测模块的设计与实现.vip
│ ├── 340_【视频】8.文本分类的模型训练与持久化.vip
│ ├── 336_【视频】4.文本分类的模型评估.vip
│ ├── 337_【视频】5.词袋模型的设计与实现.vip
│ ├── 335_【视频】3.文本分类的整体框架.vip
│ ├── 334_【视频】2.文本分类概述与数据收集.vip
│ ├── 333_【视频】1.NLP文本分类系统简介.vip
├── 36 第12周，文本分类系统的设计与实现
│ ├── 329_【视频】10.文本特征向量提取.vip
│ ├── 332_【视频】13.文本分类预测模块的设计与实现.vip
│ ├── 328_【视频】9.训练与测试数据集的构造.vip
│ ├── 327_【视频】8.文本分类的模型评估.vip
│ ├── 331_【视频】12.文本分类的模型训练与持久化.vip
│ ├── 330_【视频】11.多项式朴素贝叶斯模型.vip
│ ├── 324_【视频】5.tf-idf模型的设计与实现.vip
│ ├── 326_【视频】7.文本分类的整体框架.vip
│ ├── 325_【视频】6.基于jieba的关键词特征提取.vip
│ ├── 322_【视频】3.停用词与停用词过滤.vip
│ ├── 323_【视频】4.词袋模型的设计与实现.vip
│ ├── 321_【视频】2.中文分词与jieba分词器.vip
│ ├── 320_【视频】1.文本分类概述与数据收集.vip
├── 31 第10周，课堂讲解(上)
│ ├── 286_【直播】第10周，概率图模型(上).vip
│ ├── 285_【视频】6.参数学习，BaumWelch算法.vip
│ ├── 284_【视频】5.概率计算问题的前向算法.vip
│ ├── 282_【视频】3.隐马尔可夫模型的基本概念.vip
│ ├── 280_【视频】1.概率图模型的基本概念.vip
│ ├── 283_【视频】4.观测序列生成和三个基本问题.vip
│ ├── 281_【视频】2.生成式模型与判别式模型.vip
├── 32 第10周，课堂讲解(下)
│ ├── 293_【直播】第10周，概率图模型(下).vip
│ ├── 292_【视频】6.中文分词的隐马尔可夫原理.vip
│ ├── 291_【视频】5.状态预测，维特比算法.vip
│ ├── 290_【视频】4.词性标注的条件随机场原理.vip
│ ├── 288_【视频】2.马尔可夫随机场的概念和性质.vip
│ ├── 287_【视频】1.概率无向图模型的使用举例.vip
│ ├── 289_【视频】3.条件随机场的应用和定义.vip
├── 29 第9周，课堂讲解(下)
│ ├── 267_【直播】第9周，PCA降维和高斯混合模型(下).vip
│ ├── 262_【视频】2.PCA降温的代码实现和实验.vip
│ ├── 265_【视频】5.EM算法求解高斯混合模型.vip
│ ├── 263_【视频】3.高斯分布和异常检测算法.vip
│ ├── 266_【视频】6.高斯混合模型的可视化实验.vip
│ ├── 261_【视频】1.PCA降维算法的流程和设计.vip
│ ├── 264_【视频】4.高斯混合模型的基本概念.vip
├── 33 第11周，集成学习算法
│ ├── 305_【视频】12.GBDT梯度提升树的代码实现.vip
│ ├── 304_【视频】11.GBDT梯度提升树的算法原理.vip
│ ├── 302_【视频】9.随机森林算法的代码实现.vip
│ ├── 303_【视频】10.提升树的算法原理和举例.vip
│ ├── 301_【视频】8.随机森林算法的设计原理.vip
│ ├── 300_【视频】7.AdaBoost算法的代码实现.vip
│ ├── 299_【视频】6.AdaBoost算法流程的详细举例.vip
│ ├── 298_【视频】5.AdaBoost的算法设计原理.vip
│ ├── 296_【视频】3.bagging算法的设计与实现.vip
│ ├── 297_【视频】4.提升方法，AdaBoost的基本思想.vip
│ ├── 295_【视频】2.不同集成学习的特点和区别.vip
│ ├── 294_【视频】1.集成学习算法的基本概念.vip
├── 25 第8周，课堂讲解(上)
│ ├── 232_【直播】第8周，神经网络(上).vip
│ ├── 231_【视频】5.pytorch的使用和训练.vip
│ ├── 230_【视频】4.前向传播的设计与实现.vip
│ ├── 228_【视频】2.pytorch的安装和快速入门.vip
│ ├── 229_【视频】3.神经网络的表示和计算.vip
│ ├── 227_【视频】1.神经网络的背景和概念.vip
├── 28 第9周，课堂讲解(上)
│ ├── 260_【直播】第9周，PCA降维和高斯混合模型(上).vip
│ ├── 259_【视频】6.目标函数求解和矩阵特征分解.vip
│ ├── 255_【视频】2.PCA优化目标的分析和理解.vip
│ ├── 256_【视频】3.PCA主成分分析的降维过程.vip
│ ├── 258_【视频】5.PCA目标函数的推导和化简.vip
│ ├── 257_【视频】4.方差、协方差和协方差矩阵.vip
│ ├── 254_【视频】1.数据的维度和降维算法.vip
├── 26 第8周，课堂讲解(下)
│ ├── 241_【直播】第8周，神经网络(下).vip
│ ├── 240_【视频】8.反向传播算法的设计和实现.vip
│ ├── 238_【视频】6.误差反向传播的通用公式推导.vip
│ ├── 236_【视频】4.反向传播的计算图和链式法则(上).vip
│ ├── 239_【视频】7.通用神经网络的设计和实现.vip
│ ├── 237_【视频】5.反向传播的计算图和链式法则(下).vip
│ ├── 235_【视频】3.计算图和求导的链式法则.vip
│ ├── 233_【视频】1.均方误差和交叉熵误差.vip
│ ├── 234_【视频】2.神经网络的分类代价函数.vip
├── 30 第10周，概率图模型
│ ├── 278_【视频】11.词性标注的条件随机场原理.vip
│ ├── 277_【视频】10.条件随机场的应用和定义.vip
│ ├── 279_【视频】12.中文分词的隐马尔可夫原理.vip
│ ├── 276_【视频】9.马尔可夫随机场的概念和性质.vip
│ ├── 275_【视频】7.状态预测，维特比算法.vip
│ ├── 274_【视频】8.概率无向图模型的使用举例.vip
│ ├── 271_【视频】4.观测序列生成和三个基本问题.vip
│ ├── 273_【视频】6.参数学习和状态预测算法.vip
│ ├── 272_【视频】5.概率计算问题的前向算法.vip
│ ├── 269_【视频】2.生成式模型与判别式模型.vip
│ ├── 270_【视频】3.隐马尔可夫模型的基本概念.vip
│ ├── 268_【视频】1.概率图模型的基本概念.vip
├── 22 第7周，课堂讲解(下)
│ ├── 208_【直播】第7周，KMeans聚类和EM算法(下).vip
│ ├── 207_【视频】5.EM算法的设计和代码实现.vip
│ ├── 206_【视频】4.三硬币问题的分析和理解.vip
│ ├── 203_【视频】1.聚类总结和sklearn聚类实验.vip
│ ├── 205_【视频】2.极大似然估计和EM最大期望.vip
│ ├── 204_【视频】3.EM最大期望的原理和举例.vip
├── 27 第9周，PCA降维和高斯混合模型
│ ├── 253_【视频】12.高斯混合模型的可视化实验.vip
│ ├── 252_【视频】11.EM算法求解高斯混合模型.vip
│ ├── 249_【视频】8.PCA降维的代码实现和实验.vip
│ ├── 248_【视频】7.PCA降维算法的流程和设计.vip
│ ├── 251_【视频】10.高斯混合模型的基本概念.vip
│ ├── 250_【视频】9.高斯分布和异常检测算法.vip
│ ├── 247_【视频】6.目标函数求解和矩阵特征分解.vip
│ ├── 246_【视频】5.PCA目标函数的推导和化简.vip
│ ├── 244_【视频】3.PCA主成分分析的降维过程.vip
│ ├── 245_【视频】4.方差、协方差和协方差矩阵.vip
│ ├── 243_【视频】2.PCA优化目标的分析和理解.vip
│ ├── 242_【视频】1.数据的维度和降维算法.vip
├── 21 第7周，课堂讲解(上)
│ ├── 202_【直播】第7周，KMeans聚类和EM算法(上).vip
│ ├── 201_【视频】7.K-means的代码实现与可视化.vip
│ ├── 200_【视频】6.目标函数、初始化和K值选择.vip
│ ├── 197_【视频】3.K值的确定与sklearn中的KNN.vip
│ ├── 198_【视频】4.K-means聚类算法的执行过程.vip
│ ├── 199_【视频】5.聚簇计算和质心更新.vip
│ ├── 195_【视频】1.无监督学习的概念与算法.vip
│ ├── 196_【视频】2.KNN分类算法的设计与实现.vip
├── 24 第8周，课堂讲解(体验课)
│ ├── 224_【视频】3.神经网络的表示和计算.vip
│ ├── 223_【视频】2.激活函数的作用和原理.vip
│ ├── 226_【视频】5.前向传播的设计与实现.vip
│ ├── 225_【视频】4.非线性可分的异或问题.vip
│ ├── 222_【视频】1.神经网络的背景和概念.vip
├── 18 第6周，课堂讲解(上)
│ ├── 174_【直播】第6周，支持向量机(上).vip
│ ├── 171_【视频】5.SVM的等价问题和对偶问题.vip
│ ├── 173_【视频】7.SVM问题的求解与总结.vip
│ ├── 172_【视频】6.对偶SVM的化简和计算.vip
│ ├── 168_【视频】2.SVM和凸二次规划.vip
│ ├── 170_【视频】4.KKT条件与SVM的拉格朗日表示.vip
│ ├── 169_【视频】3.拉格朗日乘子法求极值.vip
│ ├── 167_【视频】1.SVM的快速回顾.vip
├── 23 第8周，神经网络
│ ├── 221_【视频】13.反向传播算法的设计和实现.vip
│ ├── 220_【视频】12.通用神经网络的设计和实现.vip
│ ├── 219_【视频】11.误差反向传播的通用公式推导.vip
│ ├── 218_【视频】10.反向传播的计算图和链式法则(下).vip
│ ├── 217_【视频】9.反向传播的计算图和链式法则(上).vip
│ ├── 216_【视频】8.计算图和求导的链式法则.vip
│ ├── 213_【视频】5.前向传播的设计与实现.vip
│ ├── 214_【视频】6.均方误差和交叉熵误差.vip
│ ├── 215_【视频】7.神经网络的分类代价函数.vip
│ ├── 212_【视频】4.非线性可分的异或问题.vip
│ ├── 211_【视频】3.神经网络的表示和计算.vip
│ ├── 209_【视频】1.神经网络的背景和概念.vip
│ ├── 210_【视频】2.激活函数的作用和原理.vip
├── 19 第6周，课堂讲解(下)
│ ├── 182_【直播】第6周，支持向量机(下).vip
│ ├── 175_【视频】1.可容忍错误的软间隔SVM.vip
│ ├── 181_【视频】7.《机器学习》第6章-支持向量机-6.4软间隔与正则化.vip
│ ├── 180_【视频】6.《机器学习》第6章-支持向量机-6.3核函数.vip
│ ├── 179_【视频】5.《机器学习》第6章-支持向量机-6.2对偶问题.vip
│ ├── 178_【视频】4.《机器学习》第6章-支持向量机-6.1间隔与支持向量.vip
│ ├── 176_【视频】2.从低维到高维核函数SVM.vip
│ ├── 177_【视频】3.sklearn的SVM模型实验.vip
├── 15 第5周，课堂讲解(下)
│ ├── 147_【直播】第5周，逻辑回归和正则化(下).vip
│ ├── 143_【视频】3.lasso回归与岭回归的数学原理.vip
│ ├── 144_【视频】4.伯努利、指数族分布和逻辑回归.vip
│ ├── 146_【视频】6.《机器学习》(周志华)第3章-3.3对数几率回归.vip
│ ├── 145_【视频】5.极大似然估计与逻辑回归.vip
│ ├── 141_【视频】1.L1和L2正则化优化.vip
│ ├── 142_【视频】2.sklearn的逻辑回归实验.vip
├── 14 第5周，课堂讲解(上)
│ ├── 140_【直播】第5周，逻辑回归和正则化(上).vip
│ ├── 138_【视频】7.多项式特征与非线性逻辑回归.vip
│ ├── 136_【视频】5.逻辑回归的实现与可视化.vip
│ ├── 139_【视频】8.模型的过拟合与解决方法.vip
│ ├── 137_【视频】6.网格点、等高线与三维图形绘制.vip
│ ├── 134_【视频】3.逻辑回归的代价函数.vip
│ ├── 132_【视频】1.逻辑回归的基本概念.vip
│ ├── 135_【视频】4.梯度下降求解逻辑回归.vip
│ ├── 133_【视频】2.分类问题的决策边界.vip
├── 12 第4周，课堂讲解(下)
│ ├── 119_【直播】第4周，概率和朴素贝叶斯(下).vip
│ ├── 114_【视频】3.贝叶斯分类的算法实现.vip
│ ├── 118_【视频】7.《机器学习》(周志华)第7章-贝叶斯分类器.vip
│ ├── 117_【视频】6.连续特征与高斯朴素贝叶斯.vip
│ ├── 115_【视频】4.贝叶斯分类的样本预测.vip
│ ├── 112_【视频】1.贝叶斯分类的模型设计.vip
│ ├── 116_【视频】5.sklearn的朴素贝叶斯分类模型.vip
│ ├── 113_【视频】2.拉普拉斯平滑.vip
├── 20 第7周，KMeans聚类和EM算法
│ ├── 194_【视频】12.EM算法的设计和代码实现.vip
│ ├── 189_【视频】7.K-means的代码实现与可视化.vip
│ ├── 193_【视频】11.三硬币问题的分析和理解.vip
│ ├── 190_【视频】8.聚类总结和sklearn聚类实验.vip
│ ├── 192_【视频】10.EM最大期望的原理和举例.vip
│ ├── 191_【视频】9.极大似然估计和EM最大期望.vip
│ ├── 188_【视频】6.目标函数、初始化和K值选择.vip
│ ├── 185_【视频】3.K值的确定与sklearn中的KNN.vip
│ ├── 187_【视频】5.聚簇计算和质心更新.vip
│ ├── 186_【视频】4.K-means聚类算法的执行过程.vip
│ ├── 184_【视频】2.KNN分类算法的设计与实现.vip
│ ├── 183_【视频】1.无监督学习的概念与算法.vip
├── 17 第6周，课堂讲解(体验课)
│ ├── 166_【视频】6.SVM的目标函数.vip
│ ├── 163_【视频】3.最大间隔分类器SVM.vip
│ ├── 165_【视频】5.空间中点到平面的距离.vip
│ ├── 164_【视频】4.向量和向量的运算.vip
│ ├── 162_【视频】2.为什么要使用机器学习.vip
│ ├── 161_【视频】1.机器学习训练营开场介绍.vip
├── 16 第6周，支持向量机
│ ├── 159_【视频】12.从低维到高维核函数SVM.vip
│ ├── 160_【视频】13.sklearn的SVM模型实验.vip
│ ├── 158_【视频】11.可容忍错误的软间隔SVM.vip
│ ├── 157_【视频】10.SVM问题的求解与总结.vip
│ ├── 155_【视频】8.SVM的等价问题和对偶问题.vip
│ ├── 154_【视频】7.KKT条件与SVM的拉格朗日表示.vip
│ ├── 156_【视频】9.对偶SVM的化简和计算.vip
│ ├── 152_【视频】5.SVM和凸二次规划.vip
│ ├── 151_【视频】4.SVM的目标函数.vip
│ ├── 153_【视频】6.拉格朗日乘子法求极值.vip
│ ├── 149_【视频】2.向量和向量的运算.vip
│ ├── 150_【视频】3.空间中点到平面的距离.vip
│ ├── 148_【视频】1.最大间隔分类器.vip
├── 08 第3周，课堂讲解(上)
│ ├── 83_【直播】第3周，信息熵和决策树(上).vip
│ ├── 75_【视频】1.决策树的基本概述.vip
│ ├── 82_【视频】8.决策树模型的设计与实现.vip
│ ├── 80_【视频】6.使用pandas处理训练数据.vip
│ ├── 81_【视频】7.寻找最大信息增益的特征.vip
│ ├── 79_【视频】5.信息增益和ID3算法.vip
│ ├── 76_【视频】2.决策树的手动构建.vip
│ ├── 77_【视频】3.信息熵的概念与计算.vip
│ ├── 78_【视频】4.训练集合中的信息熵.vip
├── 11 第4周，课堂讲解(上)
│ ├── 111_【直播】第4周，概率和朴素贝叶斯(上).vip
│ ├── 110_【视频】7.sklearn的朴素贝叶斯分类模型.vip
│ ├── 109_【视频】6.垃圾邮件识别.vip
│ ├── 106_【视频】3.分类与概率.vip
│ ├── 108_【视频】5.朴素贝叶斯分类.vip
│ ├── 105_【视频】2.贝叶斯定理.vip
│ ├── 107_【视频】4.似然和极大似然估计.vip
│ ├── 104_【视频】1.概率的基础知识.vip
├── 09 第3周，课堂讲解(下)
│ ├── 91_【直播】第3周，信息熵和决策树(下).vip
│ ├── 90_【视频】7.《机器学习》(周志华)第4章-决策树-4.3 剪枝处理.vip
│ ├── 87_【视频】4.sklearn决策树模型实验.vip
│ ├── 88_【视频】5.《机器学习》(周志华)第4章-决策树-4.1基本流程.vip
│ ├── 89_【视频】6.《机器学习》(周志华)第4章-决策树-4.2划分选择.vip
│ ├── 86_【视频】3.CART决策树构建与连续特征处理.vip
│ ├── 85_【视频】2.Gini系数和CART算法.vip
│ ├── 84_【视频】1.信息增益率和C4.5算法.vip
├── 13 第5周，逻辑回归和正则化
│ ├── 131_【视频】13.极大似然估计与逻辑回归.vip
│ ├── 130_【视频】12.伯努利、指数族分布和逻辑回归.vip
│ ├── 129_【视频】11.lasso回归与岭回归的数学原理.vip
│ ├── 128_【视频】10.sklearn的逻辑回归实验.vip
│ ├── 126_【视频】7.多项式特征与非线性逻辑回归.vip
│ ├── 127_【视频】9.L1和L2正则化优化.vip
│ ├── 124_【视频】5.逻辑回归的实现与可视化.vip
│ ├── 125_【视频】6.网格点、等高线与三维图形绘制.vip
│ ├── 123_【视频】4.梯度下降求解逻辑回归.vip
│ ├── 122_【视频】3.逻辑回归的代价函数.vip
│ ├── 121_【视频】2.分类问题的决策边界.vip
│ ├── 120_【视频】1.逻辑回归的基本概念.vip
├── 03 第1周，课堂讲解(下)
│ ├── 33_【直播】第1周，一元线性回归和梯度下降(下).vip
│ ├── 28_【视频】4.课上解答学员的问题.vip
│ ├── 32_【视频】8.sklearn和Kaggle数据实验.vip
│ ├── 31_【视频】7.一元线性回归的代码实现.vip
│ ├── 30_【视频】6.一元线性回归的算法设计.vip
│ ├── 26_【视频】2.梯度下降的算法原理.vip
│ ├── 27_【视频】3.梯度下降的设计与实现.vip
│ ├── 29_【视频】5.梯度下降的进一步讨论.vip
│ ├── 25_【视频】1.上一节课的问题回顾.vip
├── 05 第2周，课堂讲解(上)
│ ├── 53_【直播】第2周，矩阵和多元线性回归(上).vip
│ ├── 52_【视频】7.特征缩放的代码实现.vip
│ ├── 50_【视频】5.网格点、等高线与三维图形绘制.vip
│ ├── 46_【视频】1.矩阵的基本概念和运算.vip
│ ├── 49_【视频】4.多元线性回归的代码实现.vip
│ ├── 51_【视频】6.特征缩放的算法设计.vip
│ ├── 47_【视频】2.多元线性回归的问题概述.vip
│ ├── 48_【视频】3.梯度下降解决多元线性回归.vip
├── 06 第2周，课堂讲解(下)
│ ├── 62_【直播】第2周，矩阵和多元线性回归(下).vip
│ ├── 61_【视频】8.《机器学习》(周志华)第3章-线性模型(3.1、3.2).vip
│ ├── 60_【视频】7.《机器学习》(周志华)第1章-绪论-1.2基本术语.vip
│ ├── 57_【视频】4.标准方程算法的设计与实现.vip
│ ├── 59_【视频】6.《机器学习》(周志华)第1章-绪论-1.1引言.vip
│ ├── 58_【视频】5.梯度下降与标准方程算法总结.vip
│ ├── 56_【视频】3.标准方程解的计算与推导.vip
│ ├── 55_【视频】2.标准方程方法的数学表示.vip
│ ├── 54_【视频】1.单位矩阵与求解逆矩阵.vip
├── 10 第4周，概率和朴素贝叶斯
│ ├── 98_【视频】7.贝叶斯分类的模型设计.vip
│ ├── 99_【视频】8.拉普拉斯平滑.vip
│ ├── 97_【视频】6.垃圾邮件识别.vip
│ ├── 96_【视频】5.朴素贝叶斯分类.vip
│ ├── 95_【视频】4.似然和极大似然估计.vip
│ ├── 94_【视频】3.分类与概率.vip
│ ├── 93_【视频】2.贝叶斯定理.vip
│ ├── 92_【视频】1.概率的基础知识.vip
│ ├── 103_【视频】12.连续特征与高斯朴素贝叶斯.vip
│ ├── 102_【视频】11.sklearn的朴素贝叶斯分类模型.vip
│ ├── 100_【视频】9.贝叶斯分类的算法实现.vip
│ ├── 101_【视频】10.贝叶斯分类的样本预测.vip
├── 02 第1周，课堂讲解(上)
│ ├── 24_【直播】第1周，一元线性回归和梯度下降(上).vip
│ ├── 23_【视频】7.一元线性回归的可视化调试.vip
│ ├── 22_【视频】6.多元函数求极值解一元线性回归.vip
│ ├── 21_【视频】5.一元线性回归的代价函数.vip
│ ├── 19_【视频】3.一元线性模型的数学表示.vip
│ ├── 20_【视频】4.线性回归模型的预测误差.vip
│ ├── 17_【视频】1.线性回归的基本概念.vip
│ ├── 18_【视频】2.数据集的数学表示.vip
├── 07 第3周，信息熵和决策树
│ ├── 73_【视频】11.CART决策树构建与连续特征处理.vip
│ ├── 74_【视频】12.sklearn决策树模型实验.vip
│ ├── 72_【视频】10.Gini系数和CART算法.vip
│ ├── 70_【视频】8.决策树模型的设计与实现.vip
│ ├── 69_【视频】7.寻找最大信息增益的特征.vip
│ ├── 71_【视频】9.信息增益率和C4.5算法.vip
│ ├── 67_【视频】5.信息增益和ID3算法.vip
│ ├── 68_【视频】6.使用pandas处理训练数据.vip
│ ├── 64_【视频】2.决策树的手动构建.vip
│ ├── 65_【视频】3.信息熵的概念与计算.vip
│ ├── 66_【视频】4.训练集合中的信息熵.vip
│ ├── 63_【视频】1.决策树的基本概述.vip
├── 04 第2周，矩阵和多元线性回归
│ ├── 45_【视频】12.标准方程算法的设计与实现.vip
│ ├── 44_【视频】11.标准方程解的计算与推导.vip
│ ├── 39_【视频】6.sklearn和kaggle数据集实验线性回归.vip
│ ├── 40_【视频】7.sklearn的线性回归模型.vip
│ ├── 42_【视频】9.单位矩阵与求解逆矩阵.vip
│ ├── 41_【视频】8.矩阵的基本概念和运算.vip
│ ├── 43_【视频】10.标准方程方法的数学表示.vip
│ ├── 36_【视频】3.特征缩放的算法设计.vip
│ ├── 35_【视频】2.梯度下降解决多元线性回归.vip
│ ├── 38_【视频】5.特征缩放的代码实现.vip
│ ├── 37_【视频】4.多元线性回归的代码实现.vip
│ ├── 34_【视频】1.多元线性回归问题概述.vip
├── 01 第1周，一元线性回归和梯度下降
│ ├── 9_【视频】6.导数、多元函数、偏导数和梯度.mp4
│ ├── 8_【视频】5.代价函数.mp4
│ ├── 6_【视频】3.一元线性模型的数学表示.mp4
│ ├── 5_【视频】2.数据集的数学表示.mp4
│ ├── 7_【视频】4.模型的预测误差.mp4
│ ├── 4_【视频】1.线性回归的基本概念.mp4
│ ├── 12_【视频】9.梯度下降的设计与实现.vip
│ ├── 10_【视频】7.多元函数求极值解一元线性回归.mp4
│ ├── 15_【视频】12.一元线性回归的代码实现.vip
│ ├── 13_【视频】10.模型迭代与学习速率.vip
│ ├── 11_【视频】8.梯度下降的算法原理.vip
│ ├── 14_【视频】11.一元线性回归的算法设计.vip
│ ├── 16_【视频】13.线性回归的可视化调试.vip
├── 00 预习
│ ├── 2_【视频】学好机器学习的关键方法，五步学习法.mp4
│ ├── 1_【视频】欢迎来到动画讲编程，机器学习训练营.mp4
│ ├── 3_【视频】机器学习的基本概念和入门.mp4
主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网
