你将会学到的[部分课程介绍]
-
该视频主要讲述了机器学习的基础知识，包括数据集的重要性、常见分类及学习注意事项。强调了数据在机器学习中的核心地位，介绍了初学者可使用的免费数据集。通过原尾花数据集为例，详细解释了数据集的结构、特征、样本及类别标记等概念，并展示了如何用数学语言描述机器学习问题，即寻找特征到类别的映射关系f，体现了数学在机器学习中的重要性。
-
本视频围绕机器学习的主要任务展开，重点介绍了分类与回归两大核心任务。分类任务包括二分类、多分类和多标签分类，从简单的垃圾邮件分类到复杂的人脸识别问题均有涉及。回归任务则用于预测数据规律，如线性回归和多项式回归，常用于预测身高、天气等。此外，还提及了聚类、降维和无监督学习的概念，强调了机器学习在预测未来、智能决策中的重要性。视频还将详细讲解各类算法，并通过实例展示如何运用机器学习解决实际问题。同时指出，强化学习虽超出本课程范围，但将在后续课程中详细介绍。本节内容旨在让观众对机器学习的基本任务有全面了解，并为后续深入学习打下基础。
-
本视频详细介绍了Numpy数组的创建方法及其属性。Numpy提供了多维数组对象ndarray，用于存放同类型元素。讲解了如何创建一维和二维数组，并介绍了数组的重要属性如维度、形状、元素总数和数据类型等。同时，介绍了创建特定数组（全一、全零、指定数值等）的函数方法，如ones、zeros、full等，以及如何使用reshape改变数组形状。此外，还讲解了如何创建等差数组和随机数组，包括使用arrange和random模块等方法。最后，提到了查看文档的方法，以帮助学习者快速掌握Numpy数组的使用。
-
本视频讲解了机器学习的常见误区和局限，包括数据质量、模型可解释性、随机与确定性平衡、小样本集问题、推理问题以及伦理道德问题。强调了机器学习算法的应用范围与局限性，指出了深度学习与传统机器学习算法的各自优势与不足。同时，讨论点单狐探悟户解续友托库岩 rise，机器学习不仅限于处理大量数据，也需关注其与人类专家知识的结合及推理能力的提升。视频还提到了机器学习在多个领域的应用价值及未来发展方向，鼓励学习者深入理解机器学习的精髓，为人工智能时代做好准备。
-
本视频围绕机器学习的主要任务展开，重点介绍了分类与回归两大核心任务。分类任务包括二分类、多分类和多标签分类，从简单的垃圾邮件分类到复杂的人脸识别问题均有涉及。回归任务则用于预测数据规律，如线性回归和多项式回归，常用于预测身高、天气等。此外，还提及了聚类、降维和无监督学习的概念，强调了机器学习在预测未来、智能决策中的重要性。视频还将详细讲解各类算法，并通过实例展示如何运用机器学习解决实际问题。同时指出，强化学习虽超出本课程范围，但将在后续课程中详细介绍。本节内容旨在让观众对机器学习的基本任务有全面了解，并为后续深入学习打下基础。
-
该视频主要讲述了机器学习中的模型泛化能力概念及其重要性。首先回顾了机器学习的本质是模型拟合数据找规律，并指出模型在新样本上的预测能力是泛化能力的体现。接着介绍了奥卡姆剃刀法则在机器学习中的应用，即简单模型更可能具有好的泛化能力。最后，通过训练集、验证集和测试集的划分，以及交叉验证的方法，详细说明了如何验证和提升模型的泛化能力。
├── 87.10-5-多项式朴素贝叶斯代码实现 .mp4
├── 64.8-1-本章总览 .mp4
├── 77.9-5-线性SVM分类任务代码实现 .mp4
├── 32.5-1-本章总览 .mp4
├── 104.13-2-PCA核心思想和原理 .mp4
├── 63.7-8-决策树优缺点和适用条件 .mp4
├── 106.13-4-PCA算法代码实现 .mp4
├── 22.3-14-Matplotlib数据可视化：基础绘制与设置 .mp4
├── 15.3-7-Numpy数组创建：特定数组、等差数组、随机数组 .mp4
├── 83.10-1-本章总览 .mp4
├── 110.13-8-主成分分析优缺点和适用条件 .mp4
├── 07.2-4-如何分门别类：监督、无监督、强化学习等 .mp4
├── 108.13-6-PCA在数据降噪中的应用 .mp4
├── 55.6-13-评价指标：ROC曲线 .mp4
├── 43.6-1-本章总览 .mp4
├── 39.5-8-线性逻辑回归代码实现 .mp4
├── 25.4-3-KNN分类任务代码实现 .mp4
├── 101.12-5-聚类评估代码实现 .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
├── 94.11-6-串行策略：Boosting .mp4
├── 66.8-3-激活函数 .mp4
├── 49.6-7-交叉验证 .mp4
├── 60.7-5-基尼系数 .mp4
├── 95.11-7-结合策略：Stacking方法 .mp4
├── 30.4-8-KNN回归任务代码实现 .mp4
├── 113.14-3-EM算法参数估计 .mp4
├── 102.12-6-聚类算法优缺点和适用条件 .mp4
├── 70.8-7-梯度消失和梯度爆炸 .mp4
├── 98.12-2-聚类算法核心思想和原理 .mp4
├── 75.9-3-硬间隔SVM .mp4
├── 79.9-7-SVM核函数 .mp4
├── 103.13-1-本章总览 .mp4
├── 47.6-5-过拟合与欠拟合 .mp4
├── 46.6-4-决策边界 .mp4
├── 116.15-1-本章总览 .mp4
├── 29.4-7-特征归一化 .mp4
├── 91.11-3-集成学习代码实现 .mp4
├── 34.5-3-逻辑回归核心思想和原理 .mp4
├── 17.3-9-Numpy非常重要的数组合并与拆分操作 .mp4
├── 03.1-3-课程使用的技术栈 .mp4
├── 11.3-3-Anaconda命令行操作 .mp4
├── 86.10-4-朴素贝叶斯的代码实现 .mp4
├── 73.9-1-本章总览 .mp4
├── 06.2-3-研究哪些问题：分类、回归等 .mp4
├── 99.12-3-k-means和分层聚类 .mp4
├── 85.10-3-朴素贝叶斯分类 .mp4
├── 38.5-7-逻辑回归算法 .mp4
├── 97.12-1-本章总览 .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
├── 68.8-5-梯度下降优化算法 .mp4
├── 27.4-5-模型评价 .mp4
├── 21.3-13-Numpy数组神奇索引和布尔索引 .mp4
├── 89.11-1-本章总览 .mp4
├── 62.7-7-决策树回归任务代码实现 .mp4
├── 35.5-4-线性回归代码实现 .mp4
├── 05.2-2-数据长什么样：常见数据集、典型实例、如何使用 .mp4
├── 100.12-4-聚类算法代码实现 .mp4
├── 96.11-8-集成学习优缺点和适用条件 .mp4
├── 56.7-1-本章总览 .mp4
├── 69.8-6-神经网络简单代码实现 .mp4
├── 52.6-10-LASSO和岭回归代码实现 .mp4
├── 81.9-9-SVM回归任务代码实现 .mp4
├── 28.4-6-超参数 .mp4
├── 115.14-5-概率图模型优缺点和适用条件 .mp4
├── 67.8-4-正向传播与反向传播 .mp4
├── 48.6-6-学习曲线 .mp4
├── 24.4-2-KNN算法核心思想和原理 .mp4
├── 02.1-2-初识机器学习 .mp4
├── 19.3-11-Numpy数组统计运算：常用的都在这儿了 .mp4
├── 111.14-1-本章总览 .mp4
├── 58.7-3-信息熵 .mp4
├── 31.4-9-KNN优缺点和适用条件 .mp4
├── 16.3-8-Numpy数组基础索引：索引和切片 .mp4
├── 93.11-5-并行策略：随机森林 .mp4
├── 20.3-12-Numpy数组arg运算和排序 .mp4
├── 74.9-2-SVM核心思想和原理 .mp4
├── 78.9-6-非线性SVM：核技巧 .mp4
├── 26.4-4-数据集划分：训练集与预测集 .mp4
├── 41.5-10-复杂逻辑回归及代码实现 .mp4
├── 14.3-6-Numpy基础：安装与性能对比 .mp4
├── 72.8-9-神经网络优缺点和适用条件 .mp4
├── 54.6-12-评价指标：混淆矩阵、精准率和召回率 .mp4
├── 105.13-3-PCA求解算法 .mp4
├── 45.6-3-梯度下降 .mp4
├── 36.5-5-模型评价：MSE、RMSE、MAE和R方 .mp4
├── 44.6-2-损失函数 .mp4
├── 04.2-1本章总览 .mp4
├── 61.7-6-决策树剪枝 .mp4
├── 40.5-9多分类策略 .mp4
├── 119.15-4-交易反欺诈代码实现 .mp4
├── 53.6-11-模型泛化 .mp4
├── 12.3-4-JupyterNotebook基础使用 .mp4
├── 13.3-5-JupyterNotebook高级使用：常用魔法命令 .mp4
├── 57.7-2-决策树核心思想和原理 .mp4
├── 76.9-4-SVM软间隔 .mp4
├── 82.9-10-SVM优缺点和适用条件 .mp4
├── 59.7-4-决策树分类任务代码实现 .mp4
├── 84.10-2-贝叶斯方法核心思想和原理 .mp4
├── 71.8-8-模型选择 .mp4
├── 88.10-6-贝叶斯方法优缺点和适用条件 .mp4
├── 23.4-1本章总览 .mp4
├── 10.3-2-Anaconda图形化操作 .mp4
├── 109.13-7-PCA在人脸识别中的应用 .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
├── 90.11-2-集成学习核心思想和原理 .mp4
├── 08.2-5-机器学习的七大常见误区和局限 .mp4
├── 120.15-5-如何深入研究机器学习 .mp4
├── 92.11-4-并行策略：Bagging、OOB等方法 .mp4
评论0