您好,欢迎来到牛牛源码网(www.niuniu1688.com)本站只做精品网站源码!
  • 首 页
  • 交流社区
  •  

    当前位置:主页 > 视频教程 > 人工智能 >
    机器学习重磅成员Sklearn实战教程 有史以来最详细的Sklearn课程 附大数据医疗实战

    [资源简介]

    机器学习重磅成员Sklearn实战教程 有史以来最详细的Sklearn课程 附大数据医疗实战
    机器学习重磅成员Sklearn实战教程 有史以来最详细的Sklearn课程 附大数据医疗实战
    机器学习重磅成员Sklearn实战教程 有史以来最详细的Sklearn课程 附大数据医疗实战
    机器学习重磅成员Sklearn实战教程 有史以来最详细的Sklearn课程 附大数据医疗实战
         Sklearn几乎可以被称为云计算与大数据领域的神器,至少是在机器学习方向上来讲一定是这样的。Sklearn能够支持分类,回归,降维和聚类四大机器学习算法,还包括了特征提取,数据处理和模型评估者三大模块。
         尤其在于这套课程更是参与了大数据医疗方面的技能与实战,更是需要前沿的工程师们好好把握。大数据医疗虽然已有诸多应用,但是很多方向与领域的技术纵深仍然不够,作为职业生涯的发展,大数据医疗是潜藏很大机遇的。
    ===============课程目录===============
    (1)\第一章 决策树与泰坦尼克号生存预测;目录中文件数:15个
    ├─1.引言,sklearn入门.mp4
    ├─2.决策树:概述.mp4
    ├─3.1分类树:参数criterion.mp4
    ├─3.2分类树:实现一棵树,随机性参数.mp4
    ├─3.3 分类树:剪枝参数调优(1).mp4
    ├─3.4 分类树:剪枝参数调优(2).mp4
    ├─3.5 分类树:重要属性和接口.mp4
    ├─4.1 回归树:参数,属性和接口.mp4
    ├─4.2 回归树:交叉验证 (1).mp4
    ├─4.3 回归树:交叉验证(2).mp4
    ├─4.4 回归树案例:用回归树拟合正弦曲线.mp4
    ├─5.1 案例:泰坦尼克号生存者预测 (1).mp4
    ├─5.2 案例:泰坦尼克号生存者预测 (2).mp4
    ├─5.3 案例:泰坦尼克号生存者预测 (3).mp4
    ├─5.4 案例:泰坦尼克号生存者预测 (4).mp4
    (2)\第七章 支持向量机与医疗数据集调参;目录中文件数:24个
    ├─0 本周要学习什么.mp4
    ├─1.1 支持向量机概述:最强大的机器学习算法.mp4
    ├─1.2 支持向量机是如何工作的 & sklearn中的SVM.mp4
    ├─2.1.1 线性SVC的损失函数 (1).mp4
    ├─2.1.1 线性SVC的损失函数 (2).mp4
    ├─2.1.2 函数间隔与几何间隔.mp4
    ├─2.1.3.1 损失函数的拉格朗日乘数形态.mp4
    ├─2.1.3.2 拉格朗日对偶函数 (1).mp4
    ├─2.1.3.2 拉格朗日对偶函数 (2).mp4
    ├─2.1.3.3 求解拉格朗日对偶函数极其后续过程.mp4
    ├─2.1.4 SVM求解可视化 (1):理解等高线函数contour.mp4
    ├─2.1.4 SVM求解可视化 (2):理解网格制作函数meshgrid与vstack.mp4
    ├─2.1.4 SVM求解可视化 (3):建模,绘制图像并包装函数.mp4
    ├─2.1.4 SVM求解可视化 (4):探索建立好的模型.mp4
    ├─2.1.4 SVM求解可视化(5):非线性数据集上的推广与3D可视化.mp4
    ├─2.1.4 SVM求解可视化(6):Jupyter Notebook中的3D交互功能.mp4
    ├─2.2.1 & 2.2.2 非线性SVM与核函数:重要参数kernel.mp4
    ├─2.2.3 案例:如何选取最佳核函数 (1).mp4
    ├─2.2.3 案例:如何选取最佳核函数 (2).mp4
    ├─2.2.4 案例:在乳腺癌数据集上探索核函数的性质.mp4
    ├─2.2.5 案例:在乳腺癌数据集上对核函数进行调参 (1).mp4
    ├─2.2.5 案例:在乳腺癌数据集上对核函数进行调参 (2).mp4
    ├─2.3.1 SVM在软间隔数据上的推广.mp4
    ├─2.3.2 重要参数C & 总结.mp4
    (3)\第三章 数据预处理与特征工程;目录中文件数:15个
    ├─0 概述 + 12期课纲.mp4
    ├─1.1 数据预处理1:数据归一化.mp4
    ├─1.2 数据预处理2:数据标准化.mp4
    ├─1.3 数据预处理3:缺失值 (1).mp4
    ├─1.4 数据预处理4:缺失值 (2).mp4
    ├─1.5 数据预处理5:处理分类型数据.mp4
    ├─1.6 数据预处理6:处理连续型数据.mp4
    ├─2.1 特征选择1:过滤法-方差过滤 (1).mp4
    ├─2.2 特征选择2:过滤法-方差过滤 (2).mp4
    ├─2.3 特征选择3:过滤法-卡方过滤.mp4
    ├─2.4 特征选择4:过滤法-F检验和互信息法 (1).mp4
    ├─2.5 特征选择5:过滤法-互信息法(2) + 总结.mp4
    ├─2.6 特征选择6:嵌入法 (1).mp4
    ├─2.7 特征选择7:嵌入法 (2).mp4
    ├─2.8 特征选择8:包装法 + 总结.mp4
    (4)\第九章 回归大家族:线性,岭回归,Lasso,多项式;目录中文件数:22个
    ├─0 本周要学习什么.mp4.mp4
    ├─1 概述,sklearn中的线性回归大家族.mp4
    ├─2.1 多元线性回归的基本原理和损失函数.mp4
    ├─2.2 用最小二乘法求解多元线性回归的过程.mp4
    ├─2.3 多元线性回归的参数,属性及建模代码.mp4
    ├─3.1 回归类模型的评估指标:是否预测准确?.mp4
    ├─3.2 回归类模型的评估指标:是否拟合了足够的信息?.mp4
    ├─4.1 多重共线性:含义,数学,以及解决方案.mp4
    ├─4.2.1 岭回归处理多重共线性.mp4
    ├─4.2.2 sklearn中的岭回归:linear_model.Ridge.mp4
    ├─4.2.3 为岭回归选择最佳正则化参数.mp4
    ├─4.3.1 Lasso处理多重共线性.mp4
    ├─4.3.2 Lasso的核心作用:特征选择.mp4
    ├─4.3.3 Lasso选择最佳正则化参数.mp4
    ├─5.1.1 & 5.1.2 线性数据与非线性数据.mp4
    ├─5.1.3 线性vs非线性模型 (1):线性模型在非线性数据集上的表现.mp4
    ├─5.1.3 线性vs非线性模型 (2):拟合,效果与特点.mp4
    ├─5.2 离散化:帮助线性回归解决非线性问题.mp4
    ├─5.3.1 多项式对数据做了什么?.mp4
    ├─5.3.2 多项式回归提升模型表现.mp4
    ├─5.3.3 多项式回归的可解释性.mp4
    ├─5.3.4 多项式回归:线性还是非线性模型? + 本周结语.mp4
    (5)\第二章 随机森林与医疗数据集调参;目录中文件数:12个
    ├─1 集成算法概述.mp4
    ├─2.1 随机森林分类器.mp4
    ├─2.2 参数boostrap & oob_score + 重要属性和接口.mp4
    ├─2.3 [选学] 袋装法的另一个必要条件.mp4
    ├─3.1 随机森林回归器.mp4
    ├─3.2 案例:用随机森林填补缺失值 (1).mp4
    ├─3.3 案例:用随机森林填补缺失值 (2).mp4
    ├─3.4 案例:用随机森林填补缺失值 (3).mp4
    ├─3.5 案例:用随机森林填补缺失值 (4).mp4
    ├─4. 机器学习中调参的基本思想.mp4
    ├─5.1. 案例:随机森林在乳腺癌数据上的调参 (1).mp4
    ├─5.2 案例:随机森林在乳腺癌数据上的调参 (2).mp4
    (6)\第五章 逻辑回归和信用评分卡;目录中文件数:34个
    ├─0 前言.mp4
    ├─1.1 逻辑回归概述:名为“回归”的分类器.mp4
    ├─1.2 为什么需要逻辑回归.mp4
    ├─1.3 sklearn当中的逻辑回归.mp4
    ├─2.1.1 二元逻辑回归的损失函数.mp4
    ├─2.2.1 正则化:重要参数penalty & C.mp4
    ├─2.2.2 逻辑回归的特征工程 (1).mp4
    ├─2.2.2 逻辑回归的特征工程 (2).mp4
    ├─2.2.2 逻辑回归的特征工程 (3).mp4
    ├─2.2.2 逻辑回归的特征工程 (4).mp4
    ├─2.3.1 重要参数max_iter - 梯度下降求解逻辑回归的过程.mp4
    ├─2.3.2 梯度的概念与解惑.mp4
    ├─2.3.3 步长的概念与解惑.mp4
    ├─2.4 二元回归与多元回归:重要参数solver & multi_class.mp4
    ├─2.5 样本不均衡与参数class_weight.mp4
    ├─3.1 案例:评分卡与完整的模型开发流程.mp4
    ├─3.2.1~2 案例:评分卡 - 数据预处理(1) - 重复值与缺失值.mp4
    ├─3.2.3 案例:评分卡 - 数据预处理 (2) - 异常值.mp4
    ├─3.2.4 案例:评分卡 - 数据预处理 (3) - 标准化.mp4
    ├─3.2.5 案例:评分卡 - 数据预处理 (4) - 样本不均衡问题.mp4
    ├─3.2.6 案例:评分卡 - 数据预处理 (5) - 保存训练集和测试集数据.mp4
    ├─3.3 案例:评分卡 - 分箱 (1) - 概述与概念.mp4
    ├─3.3.1 案例:评分卡 - 分箱 (2) - 等频分箱 (1).mp4
    ├─3.3.1 案例:评分卡 - 分箱 (3) - 等频分箱 (2).mp4
    ├─3.3.2 案例:评分卡 - 分箱 (4) - 选学说明.mp4
    ├─3.3.3 案例:评分卡 - 分箱 (5) - 计算WOE与IV.mp4
    ├─3.3.4 案例:评分卡 - 分箱 (6) - 卡方检验、箱体合并、IV值等.mp4
    ├─3.3.5 案例:评分卡 - 分箱 (7) - 包装分箱函数.mp4
    ├─3.3.6 案例:评分卡 - 分箱 (8) - 包装判断分箱个数的函数.mp4
    ├─3.3.7 案例:评分卡 - 分箱 (9) - 对所有特征进行分箱.mp4
    ├─3.4 案例:评分卡 - 映射数据 (1).mp4
    ├─3.4 案例:评分卡 - 映射数据 (2).mp4
    ├─3.5 案例:评分卡 - 建模与模型验证.mp4
    ├─3.6 案例:评分卡 - 评分卡的输出和建立.mp4
    (7)\第八章 支持向量机与Kaggle案例:澳大利亚天气数据集;目录中文件数:40个
    ├─0 目录:本周将学习什么内容.mp4
    ├─1.1 简单复习支持向量机的基本原理.mp4
    ├─1.2 参数C的深入理解:多个支持向量存在的理由.mp4
    ├─1.3 二分类SVC中的样本不均衡问题.mp4
    ├─1.3 如何使用参数class_weight (1).mp4
    ├─1.3 如何使用参数class_weight (2).mp4
    ├─2 SVC的模型评估指标.mp4
    ├─2.1 样本不平衡的艺术(1):精确度Precision.mp4
    ├─2.1 样本不平衡的艺术(2):召回率Recall与F1 measure.mp4
    ├─2.1 混淆矩阵与准确率.mp4
    ├─2.1.3 对多数类样本的关怀:特异度Specificity和假正率.mp4
    ├─2.1.4 sklearn中的混淆矩阵.mp4
    ├─2.2 ROC曲线:Recall与假正率FPR的平衡.mp4
    ├─2.2.1 概率与阈值.mp4
    ├─2.2.2 SVM做概率预测.mp4
    ├─2.2.3 绘制ROC曲线 (1).mp4
    ├─2.2.3 绘制ROC曲线 (2).mp4
    ├─2.2.3 绘制ROC曲线 (3).mp4
    ├─2.2.4 sklearn中的ROC曲线和AUC面积.mp4
    ├─2.2.5 利用ROC曲线求解最佳阈值.mp4
    ├─3 选学说明:使用SVC时的其他考虑.mp4
    ├─4 案例:预测明天是否会下雨 - 案例背景.mp4
    ├─4.1 案例:导库导数据,探索特征.mp4
    ├─4.2 案例:分集,优先处理标签.mp4
    ├─4.3.1 案例:描述性统计,处理异常值.mp4
    ├─4.3.2 案例:现实数据上的数据预处理 - 处理时间.mp4
    ├─4.3.3 案例:现实数据上的数据预处理 - 处理地点 (1).mp4
    ├─4.3.3 案例:现实数据上的数据预处理 - 处理地点 (2).mp4
    ├─4.3.3 案例:现实数据上的数据预处理 - 处理地点 (3).mp4
    ├─4.3.3 案例:现实数据上的数据预处理 - 处理地点 (4).mp4
    ├─4.3.4 案例:现实数据上的数据预处理 - 填补分类型变量的缺失值.mp4
    ├─4.3.5 案例:现实数据上的数据预处理 - 编码分类型变量.mp4
    ├─4.3.6 & 4.3.7 案例:现实数据集上的数据预处理:连续型变量.mp4
    ├─4.4 案例:建模与模型评估 (1).mp4
    ├─4.4 案例:建模与模型评估 (2).mp4
    ├─4.5.1 案例:模型调参:追求最高的recall.mp4

    [资源下载]

    暂无演示
  • 点击下载
  •  —下载需要"0"金币— 注意:当账号有足够金币时 点击下载按钮自动扣除。 充值金币升级VIP

    上一篇:深度好课-Ai人工智能学习自然语言处理视频教 深度学习高手试炼与实体识别NER技术剖析

    下一篇:企业级图表数据分析利器Tableau 可视化数据分析项目课程 Tableau数据分析教程

    郑重声明:
    本站所有内容均由互联网收集整理、网友上传,并且以计算机技术研究交流为目的,仅供大家参考、学习,不存在任何商业目的与商业用途。 若您需要商业运营或用于其他商业活动,请您购买正版授权并合法使用。
    我们不承担任何技术及版权问题,且不对任何资源负法律责任。
    如遇到资源无法下载,请点击这里失效报错。失效报错请在修正建议内填写你的邮箱,24小时修正后邮件通知。
    如有侵犯您的版权,请给我们来信:admin@cniao8.com,我们会尽快处理,并诚恳的向你道歉!

    本站不免费提供咨询,技术支持和安装服务如果需要服务请点击这里游戏棋牌类源码不提供搭建
    最新Python黑马头条推荐系统项目视频教程最新Python黑马头条推荐系统项目视频教
    冲击年薪50万之机器学习到深度学习学习路线教程冲击年薪50万之机器学习到深度学习学习
    年薪50万!从python基础到人工智能机器学习深度学习攀登之路学习路线视频教程下载 总年薪50万!从python基础到人工智能机器