机器学习基础
- 101环境配置与认知启蒙
- 201线性函数与机器学习
- 202矩阵、向量与行列式
- 209常用数学符号速查表
- 3-1 NumPy数据的容器及数据集划分
- 3-2 NumPy数据的变形与定位
- 3-3 NumPy数据的统计与广播
- NumPy速查手册
- 4-1 Pandas核心容器与数据读取
- 4-2 DataFrame基本与数据清洗
- 4-3 DataFrame高级分析与特征提取
- Pandas速查手册
- 5-1 Matplotlib 基础数据可视化
- 5-2 分析特征关系常用图形
- 5-3 分析特征内部数据状态常用图形
- Matplotlib 速查手册
- 6-1特征缩放——标准化与归一化
- 6-2分类编码、二值化与非线性转换
- 6-3缺失值插补与特征衍生（多项式特征）
- 6-4-1降维与PCA基础
- 6-4-2PCA实战与业务场景
- 6-5 有监督学习与无监督学习
- 6.6 模型评估：训练集、测试集与交叉验证
- 8-1 线性回归（Linear Regression）
- 8-2 机器学习模型评估（回归指标）
- 8-3糖尿病病情预测实战
- 9-1 逻辑回归与二分类算法
- 9-2 逻辑回归模型评估（分类指标）
- 9-3 决策阈值与ROC-AUC评估
- 10-1 线性模型的扩展（一）：多项式回归与过拟合
- 10-2 线性模型的扩展（二）：岭回归与 Lasso——正则化防过拟合
- 11-1 几何与空间距离（一）：K-最近邻 (KNN)——物以类聚
- 11-2 几何与空间距离（二）：线性判别分析 (LDA)——有监督降维
- 11-3 几何与空间距离（三）：综合实战——KNN 与 LDA 对比实验
- 1201 决策树原理与可视化
- 1202 随机森林与集成思想
- 1203 XGBoost 视野扩展与综合实战
- 1204 综合练习
- 1301 几何直觉与线性 SVM
- 1302 软间隔与调参实战
- 1303 核技巧与 RBF 核实战
- 1304 综合练习
- 1401 概率基础与贝叶斯定理
- 1402 先验后验、词向量与贝叶斯模型
- 1403贝叶斯算法应用——文本分类
- 1404 综合练习
- 1501深入理解k均值聚类
- 1502scikit中的k-means
- 1503其他聚类方法
- 1504综合练习
- 1601 降维与PCA
- 1602PCA的数学直觉与信息保留
- 1603SVD与降维方法全景
- 1604综合练习
- 17-1 神经网络基础：逻辑回归与激活函数
- 17-2 神经网络的表示与基础任务
- 17-3 反向传播与模型训练
- 17-4 MLP 应用实战
- 24个希腊字母表