AI经典算法与Python实战120课时

你将会学到的[部分课程介绍]

• 该视频主要讲述了文本数据的特征抽取和多分类效果的评估方式。通过使用Count Vectorizer将文本数据转化为特征向量，并利用词频信息进行特征抽取，以及利用朴素贝叶斯分类器对训练集进行拟合，并评估其在测试集上的分类效果。同时，还提到了针对不同数据类型和分布应选择合适的模型和超参数，以体现算法工程师的价值。最后，总结了贝叶斯算法的相关知识，为后续章节做准备。
• 该视频主要讲述了朴素贝叶斯算法的优缺点和适用条件，并简要介绍了其他贝叶斯方法。朴素贝叶斯算法优点在于预测过程简单快速，对多分类问题有效，且样本量需求少。然而，其条件独立假设在现实中难以保证，计算复杂度高，尤其在高维情况下。现代贝叶斯方法如层级贝叶斯模型等虽更为复杂，但提供了更深入的统计推理。此外，还提到了马尔可夫蒙特卡罗方法（MCMC）和变分推断等现代贝叶斯分析技术。
• 该视频主要讲述了集成学习的概念、特点和分类。集成学习是一种通过组合多个学习算法来提高整体预测性能的机器学习方法，可以分为监督式学习和非监督式学习。视频中还介绍了集成学习的核心思想和原理，以及主要流派和方法，包括并行策略、串行策略和结合策略。此外，视频还对比了这些方法的优缺点和适用条件，并通过一个简单的voting方法的代码实现，让观众直观地感受到集成学习的思想好处。
• 该视频主要讲述了集成学习的核心思想和原理。集成学习通过组合多个模型来提高预测精度，包括同质方法和异质方法。视频还介绍了子模型的连接方式，如并联、串联和混联。重点介绍了并联策略中的voting和begging方法。最后，通过实例演示了集成学习的应用效果，强调了其在工程实践中的广泛应用。
• 该视频主要讲述了如何通过代码实现一个基于投票的集成学习分类器。视频中，首先准备了一个数据集，并生成了两个交错的半圆形数据。接着，创建了三个不同的分类器，包括K近邻分类器、逻辑回归和贝叶斯分类器。通过for循环遍历这些分类器，训练并打印出在测试集上的得分。最后，定义了一个外部预测变量，存储每个分类器的分类结果。视频还介绍了硬投票和软投票的差异，强调了集成学习的重要性和适用场景。
• 该视频主要讲述了集成学习中的另一种策略，即使用单一模型但多次随机抽取训练集进行训练，以增加模型数量和差异性。通过计算示例展示了即使每个子模型准确率不高，通过大量子模型集成也能显著提高整体准确率，体现了集成学习的强大。同时，介绍了数据抽取中的有放回（bagging）和无放回（pasting）两种方式，并解释了它们的特点和区别。

├── 29.4-7-特征归一化.mp4
├── 54.6-12-评价指标：混淆矩阵、精准率和召回率.mp4
├── 75.9-3-硬间隔SVM.mp4
├── 33.5-2-线性回归核心思想和原理.mp4
├── 113.14-3-EM算法参数估计.mp4
├── 67.8-4-正向传播与反向传播.mp4
├── 98.12-2-聚类算法核心思想和原理.mp4
├── 74.9-2-SVM核心思想和原理.mp4
├── 82.9-10-SVM优缺点和适用条件.mp4
├── 31.4-9-KNN优缺点和适用条件.mp4
├── 14.3-6-Numpy基础：安装与性能对比.mp4
├── 18.3-10-Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
├── 56.7-1-本章总览.mp4
├── 108.13-6-PCA在数据降噪中的应用.mp4
├── 59.7-4-决策树分类任务代码实现.mp4
├── 93.11-5-并行策略：随机森林.mp4
├── 50.6-8-模型误差.mp4
├── 77.9-5-线性SVM分类任务代码实现.mp4
├── 79.9-7-SVM核函数.mp4
├── 83.10-1-本章总览.mp4
├── 62.7-7-决策树回归任务代码实现.mp4
├── 116.15-1-本章总览.mp4
├── 88.10-6-贝叶斯方法优缺点和适用条件.mp4
├── 58.7-3-信息熵.mp4
├── 39.5-8-线性逻辑回归代码实现.mp4
├── 01.1-1课程内容和理念.mp4
├── 32.5-1-本章总览.mp4
├── 78.9-6-非线性SVM：核技巧.mp4
├── 97.12-1-本章总览.mp4
├── 70.8-7-梯度消失和梯度爆炸.mp4
├── 105.13-3-PCA求解算法.mp4
├── 22.3-14-Matplotlib数据可视化：基础绘制与设置.mp4
├── 51.6-9-正则化.mp4
├── 117.15-2-泰坦尼克生还预测.mp4
├── 72.8-9-神经网络优缺点和适用条件.mp4
├── 24.4-2-KNN算法核心思想和原理.mp4
├── 07.2-4-如何分门别类：监督、无监督、强化学习等.mp4
├── 02.1-2-初识机器学习.mp4
├── 95.11-7-结合策略：Stacking方法.mp4
├── 69.8-6-神经网络简单代码实现.mp4
├── 107.13-5-降维任务代码实现.mp4
├── 42.5-11-线性算法优缺点和适用条件.mp4
├── 112.14-2-概率图模型核心思想和原理.mp4
├── 53.6-11-模型泛化.mp4
├── 37.5-6多项式回归代码实现.mp4
├── 104.13-2-PCA核心思想和原理.mp4
├── 89.11-1-本章总览.mp4
├── 101.12-5-聚类评估代码实现.mp4
├── 40.5-9多分类策略.mp4
├── 60.7-5-基尼系数.mp4
├── 63.7-8-决策树优缺点和适用条件.mp4
├── 06.2-3-研究哪些问题：分类、回归等.mp4
├── 68.8-5-梯度下降优化算法.mp4
├── 21.3-13-Numpy数组神奇索引和布尔索引.mp4
├── 111.14-1-本章总览.mp4
├── 44.6-2-损失函数.mp4
├── 27.4-5-模型评价.mp4
├── 71.8-8-模型选择.mp4
├── 13.3-5-JupyterNotebook高级使用：常用魔法命令.mp4
├── 114.14-4-隐马尔可夫模型代码实现.mp4
├── 34.5-3-逻辑回归核心思想和原理.mp4
├── 12.3-4-JupyterNotebook基础使用.mp4
├── 87.10-5-多项式朴素贝叶斯代码实现.mp4
├── 57.7-2-决策树核心思想和原理.mp4
├── 103.13-1-本章总览.mp4
├── 85.10-3-朴素贝叶斯分类.mp4
├── 17.3-9-Numpy非常重要的数组合并与拆分操作.mp4
├── 36.5-5-模型评价：MSE、RMSE、MAE和R方.mp4
├── 115.14-5-概率图模型优缺点和适用条件.mp4
├── 91.11-3-集成学习代码实现.mp4
├── 52.6-10-LASSO和岭回归代码实现.mp4
├── 73.9-1-本章总览.mp4
├── 03.1-3-课程使用的技术栈.mp4
├── 99.12-3-k-means和分层聚类.mp4
├── 118.15-3-房价预测.mp4
├── 90.11-2-集成学习核心思想和原理.mp4
├── 102.12-6-聚类算法优缺点和适用条件.mp4
├── 30.4-8-KNN回归任务代码实现.mp4
├── 10.3-2-Anaconda图形化操作.mp4
├── 41.5-10-复杂逻辑回归及代码实现.mp4
├── 04.2-1本章总览.mp4
├── 49.6-7-交叉验证.mp4
├── 110.13-8-主成分分析优缺点和适用条件.mp4
├── 64.8-1-本章总览.mp4
├── 96.11-8-集成学习优缺点和适用条件.mp4
├── 120.15-5-如何深入研究机器学习.mp4
├── 26.4-4-数据集划分：训练集与预测集.mp4
├── 11.3-3-Anaconda命令行操作.mp4
├── 20.3-12-Numpy数组arg运算和排序.mp4
├── 119.15-4-交易反欺诈代码实现.mp4
├── 23.4-1本章总览.mp4
├── 38.5-7-逻辑回归算法.mp4
├── 28.4-6-超参数.mp4
├── 47.6-5-过拟合与欠拟合.mp4
├── 65.8-2-神经网络核心思想和原理.mp4
├── 94.11-6-串行策略：Boosting.mp4
├── 109.13-7-PCA在人脸识别中的应用.mp4
├── 106.13-4-PCA算法代码实现.mp4
├── 61.7-6-决策树剪枝.mp4
├── 86.10-4-朴素贝叶斯的代码实现.mp4
├── 35.5-4-线性回归代码实现.mp4
├── 08.2-5-机器学习的七大常见误区和局限.mp4
├── 76.9-4-SVM软间隔.mp4
├── 46.6-4-决策边界.mp4
├── 19.3-11-Numpy数组统计运算：常用的都在这儿了.mp4
├── 66.8-3-激活函数.mp4
├── 09.3-1本章总览：相互关系与学习路线.mp4
├── 80.9-8-非线性SVM代码实现.mp4
├── 43.6-1-本章总览.mp4
├── 45.6-3-梯度下降.mp4
├── 25.4-3-KNN分类任务代码实现.mp4
├── 55.6-13-评价指标：ROC曲线.mp4
├── 48.6-6-学习曲线.mp4
├── 05.2-2-数据长什么样：常见数据集、典型实例、如何使用.mp4
├── 84.10-2-贝叶斯方法核心思想和原理.mp4
├── 16.3-8-Numpy数组基础索引：索引和切片.mp4
├── 92.11-4-并行策略：Bagging、OOB等方法.mp4
├── 81.9-9-SVM回归任务代码实现.mp4
├── 15.3-7-Numpy数组创建：特定数组、等差数组、随机数组.mp4