人工智能开发之13天机器学习入门教程（视频+资料）

从广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。从范围上来说，机器学习跟模式识别，统计学习，数据挖掘是类似的，同时，机器学习与其他领域的处理技术的结合，形成了计算机视觉、语音识别、自然语言处理等交叉学科。 因此，一般说数据挖掘时，可以等同于说机器学习。同时，我们平常所说的机器学习应用，应该是通用的，不仅仅局限在结构化数据，还有图像，音频等应用。

课程录目：
第一天
1.机器学习科学计算库内容简介.mp4
2.人工智能概述.mp4
3.人工智能的发展历程.mp4
4.人工智能主要分支.mp4
5.机器学习定义工作流程概述.mp4
6.机器学习工作流程各步骤解释.mp4
7.机器学习算法分类介绍.mp4
8.模型评估.mp4
9.Azure机器学习平台实验演示1.mp4
10.Azure机器学习平台实验演示2.mp4
11.深度学习简介.mp4
12.基础环境安装.mp4
13.jupyter notebook的基本使用1.mp4
14.jupyter notebook的基本使用2.mp4
15.matplotlib的基本使用.mp4
第二天
1.实现基础绘图-某城市温度变换图.mp4
2.绘图辅助功能完善-某城市温度变换图.mp4
3.在一个坐标系下绘制多个图像.mp4
4.在多个坐标系下绘制多个图像.mp4
5.常见图形绘制.mp4
6.numpy介绍.mp4
7.ndarray介绍.mp4
8.创建0，1数组，固定范围数组.mp4
9.创建随机数组.mp4
10.数组的基本操作.mp4
11.ndarray的运算.mp4
12.数组间运算.mp4
13.矩阵复习.mp4
14.pandas介绍.mp4
15pandas数据结构-series.mp4
16.pandas数据结构-DataFrame1.mp4
17.pandas数据结构-DataFrame2.mp4
18.pandas数据结构-multiindex和panel.mp4
第三天
1.pandas中的索引.mp4
2.赋值和排序.mp4
3.pandas中的算术运算和逻辑运算.mp4
4.pandas中的统计函数.mp4
5.pandas中的累计统计函数和自定义函数.mp4
6.pandas中绘图方式介绍.mp4
7.pandas中文件的读取和写入.mp4
8.缺失值的处理.mp4
9.数据离散化.mp4
10.数据表的合并.mp4
11.交叉表和透视表介绍.mp4
12.分组聚合介绍.mp4
13.星巴克案例实现.mp4
14.电影案例分析1.mp4
15.电影案例分析.mp4
第四天
1.绘制单变量分布.mp4
2.绘制双变量分布图形.mp4
3.类别散点图的绘制.mp4
4.类别内的数据分布和统计估计.mp4
5.NBA数据获取和相关性基本分析.mp4
6.对数据进行分析-seaborn.mp4
7.衍生变量的可视化实践.mp4
8.球队数据分析.mp4
9.北京市租房数据获取和重复值与空值处理.mp4
10.数据类型转换（面积，户型）.mp4
11.房源数量和位置分布分析.mp4
12.户型数量基本分析.mp4
13.平均租金基本分析.mp4
14.面积区间分析.mp4
第五天
1.K-近邻算法简介.mp4
2.K近邻算法api初步使用.mp4
3.机器学习中距离度量介绍.mp4
4.K值的选择介绍.mp4
5.kd树和kd树的构造过程.mp4
6.kd树案例实现.mp4
7.数据集获取和属性介绍.mp4
8.数据可视化介绍.mp4
9.数据集的划分.mp4
10.特征预处理简介.mp4
11.归一化和标准化介绍.mp4
12.鸢尾花种类预测.mp4
13.KNN算法总结.mp4
14.交叉验证、网格搜索概念介绍.mp4
15.交叉验证、网格搜索案例实现.mp4
第六天
1.案例-Facebook位置预测流程分析.mp4
2.案例-Facebook位置预测代码实现1.mp4
3.案例-Facebook位置预测代码实现2.mp4
4.补充-数据分割和留出法.mp4
5.补充-交叉验证法和自助法.mp4
6.线性回归简介.mp4
7.初始线性回归api.mp4
8.数学：求导.mp4
9.线性回归中损失函数的介绍.mp4
10.使用正规方程对损失函数进行优化.mp4
11.使用梯度下降法对损失函数进行优化.mp4
12.梯度下降法方法介绍.mp4
13.线性回归api再介绍.mp4
14.波士顿房价预测案例.mp4
15.欠拟合和过拟合的介绍.mp4
16.正则化线性模型.mp4
17.岭回归介绍.mp4
18.模型保存和加载.mp4
第七天
1.逻辑回归介绍.mp4
2.逻辑回归api介绍.mp4
3.肿瘤预测案例.mp4
4.分类评估方法介绍.mp4
5.roc曲线绘制过程.mp4
6.补充-类别不平衡数据介绍.mp4
7.补充-过采样和欠采样介绍.mp4
8.决策树算法简介.mp4
9.熵的介绍.mp4
10.信息增益的介绍.mp4
11.信息增益率的介绍.mp4
12.基尼指数的介绍.mp4
13.决策树划分原理小结.mp4
14.cart剪枝介绍.mp4
15.字典特征提取.mp4
16.英文文本特征提取.mp4
17.中文文本特征提取.mp4
18.tfidf内容讲解.mp4
第八天
1.决策树算法api介绍.mp4
2.泰坦尼克号乘客生存预测.mp4
3.树木可视化操作.mp4
4.回归决策树介绍.mp4
5.回归决策树和线性回归对比.mp4
6.集成学习基本介绍.mp4
7.bagging和随机森林.mp4
8.otto案例介绍以及数据获取.mp4
9.otto数据基本处理.mp4
10.otto数据模型基本训练.mp4
11.模型调优和确定最优模型.mp4
12.生成提交数据.mp4
13.boosting介绍.mp4
14.GBDT的介绍.mp4
第九天
1.聚类算法介绍.mp4
2.聚类算法api初步实现.mp4
3.聚类算法实现流程.mp4
4.模型评估.mp4
5.算法优化介绍.mp4
6.特征降维内容介绍.mp4
7.pca降维介绍.mp4
8.用户对物品类别的喜好细分案例.mp4
9.初始朴素贝叶斯.mp4
10.概率内容复习.mp4
11.朴素贝叶斯计算案例.mp4
12.朴素贝叶斯案例实现1.mp4
13.朴素贝叶斯案例实现2.mp4
14.朴素贝叶斯内容总结.mp4
第十天
1.SVM基本介绍.mp4
2.SVM算法api初步使用.mp4
3.SVM算法推导的目标函数.mp4
4.SVM目标函数推导过程及举例.mp4
5.SVM损失函数.mp4
6.SVM的核方法介绍.mp4
7.SVM回归介绍.mp4
8.SVM算法api再介绍.mp4
9.数字识别器案例初步介绍.mp4
10.数字识别器-获取数据.mp4
11.数字识别器-数据基本处理和模型训练.mp4
12.SVM总结.mp4
第十一天
1.初识EM算法.mp4
2.EM算法介绍.mp4
3.EM算法实例.mp4
4.马尔科夫链的介绍.mp4
5.HMM模型的简单案例.mp4
6.HMM模型三种经典问题举例求解.mp4
7.HMM模型基础.mp4
8.前向后向算法评估观察序列概率.mp4
9.维特比算法解码隐藏状态序列.mp4
10.鲍姆-韦尔奇算法简介.mp4
11.HMM模型api介绍及案例代码实现.mp4
第十二天
1.xgboost最优模型构建方法.mp4
2.目标函数确定和树的复杂度介绍.mp4
3.XGBoost目标函数的推导.mp4
4.XGBoost的回归树构建方法.mp4
5.XGBoost和GBDT的区别.mp4
6.xgboost算法api与参数介绍.mp4
7.xgboost简单案例介绍.mp4
8.otto案例xgboost实现-数据基本处理.mp4
9.otto案例xgboost实现-模型基本训练.mp4
10.otto案例xgboost实现-模型调优.mp4
11.otto案例xgboost实现-最优模型运行.mp4
第十三天
1.lightGBM简单介绍.mp4
2.lightGBM算法原理介绍.mp4
3.lightGBM算法api参数介绍.mp4
4.lightGBM算法简单案例介绍.mp4
5.pubg案例简介.mp4
6.获取pubg数据.mp4
7.数据缺失值处理和查看每场比赛人数.mp4
8.规范化输出部分数据和部分变量合成.mp4
9.异常值处理1.mp4
10.异常值值处理2.mp4
11.类别型数据处理.mp4
12.数据截取、确定特征值和目标值、分割数据集.mp4
13.使用RF进行模型训练.mp4
14.lightGBM对模型调优1.mp4
15.lightGBM对模型调优2.mp4