105、13-6 Ada Boosting和Gradient Boosting

学员 1、1-1导学

学员 2、1-2 课程涵盖的内容和理念

学员 3、1-3 课程所使用的主要技术栈

学员 4、2-1 机器学习世界的数据

学员 5、2-2 机器学习的主要任务

学员 6、2-3 监督学习，非监督学习，半监督学习和增强学习

学员 7、2-4 批量学习，在线学习，参数学习和非参数学习

学员 8、2-5 和机器学习相关的哲学思考

学员 9、3-1 jupyter notebook基础

学员 10、3-2 jupyter notebook中的魔法命令

学员 11、3-3 Numpy数据基础

学员 12、3-4 创建numpy数组和矩阵

学员 13、3-5 Numpy数组的基本操作

学员 14、3-6 Numpy数组的合并与分割

学员 15、3-7 Numpy中的矩阵运算

学员 16、3-8 Numpy中的聚合运算

学员 17、3-9 Numpy中的arg运算

学员 18、3-10 Numpy中的比较和FancyIndexing

学员 19、3-11 Matplotlib数据可视化基础

学员 20、3-12 数据加载和简单的数据探索

学员 21、4-1 k近邻算法基础

学员 22、4-2 scikit-learn中的机器学习算法封装

学员 23、4-3 训练数据集，测试数据集

学员 24、4-4 分类准确度

学员 25、4-5 超参数

学员 26、4-6 网格搜索与k近邻算法中更多超参数

学员 27、4-7 数据归一化

学员 28、4-8 scikit-learn中的Scaler

学员 29、4-9 更多有关k近邻算法的思考

学员 30、5-1 简单线性回归

学员 31、5-2 最小二乘法

学员 32、5-3 简单线性回归的实现

学员 33、5-4 向量化

学员 34、5-5 衡量线性回归法的指标 MSE,RMS,MAE

学员 35、5-6 最好的衡量线性回归法的指标 R Squared

学员 36、5-7 多元线性回归和正规方程解

学员 37、5-8 实现多元线性回归

学员 38、5-9 使用scikit-learn解决回归问题

学员 39、5-10 线性回归的可解性和更多思考

学员 40、6-1 什么是梯度下降法

学员 41、6-2 模拟实现梯度下降法

学员 42、6-3 线性回归中的梯度下降法

学员 43、6-4 实现线性回归中的梯度下降法

学员 44、6-5 梯度下降的向量化和数据标准化

学员 45、6-6 随机梯度下降法

学员 46、6-7 scikit-learn中的随机梯度下降法

学员 47、6-8 如何确定梯度计算的准确性 调试梯度下降法

学员 48、6-9 有关梯度下降法的更多深入讨论

学员 49、7-1 什么是PCA

学员 50、7-2 使用梯度上升法求解PCA问题

学员 51、7-3 求数据的主成分PCA

学员 52、7-4 求数据的前n个主成分

学员 53、7-5 高维数据映射为低维数据

学员 54、7-6 scikit-learn中的PCA

学员 55、7-7 试手MNIST数据集

学员 56、7-8 使用PCA对数据进行降噪

学员 57、7-9 人脸识别与特征脸

学员 58、8-1 什么是多项式回归

学员 59、8-2 scikit-learn中的多项式回归于pipeline

学员 60、8-3 过拟合与前拟合

学员 61、8-4 为什么要训练数据集与测试数据集

学员 62、8-5 学习曲线

学员 63、8-6 验证数据集与交叉验证

学员 64、8-7 偏差方差平衡

学员 65、8-8 模型泛化与岭回归

学员 66、8-9 LASSO

学员 67、8-10 L1,L2和弹性网络

学员 68、9-1 什么是逻辑回归

学员 69、9-2 逻辑回归的损失函数

学员 70、9-3 逻辑回归损失函数的梯度

学员 71、9-4 实现逻辑回归算法

学员 72、9-5 决策边界

学员 73、9-6 在逻辑回归中使用多项式特征

学员 74、9-7 scikit-learn中的逻辑回归

学员 75、9-8 OvR与OvO

学员 76、10-1 准确度的陷阱和混淆矩阵

学员 77、10-2 精准率和召回率

学员 78、10-3

学员 79、10-4

学员 80、10-5

学员 81、10-6

学员 82、10-7

学员 83、10-8

学员 84、11-1

学员 85、11-2

学员 86、11-3

学员 87、11-4

学员 88、11-5

学员 89、11-6

学员 90、11-7

学员 91、11-8

学员 92、11-9

学员 93、12-1

学员 94、12-2 信息熵

学员 95、12-3 使用信息熵寻找最优划分

学员 96、12-4 基尼系数

学员 97、12-5 CART与决策树中的超参数

学员 98、12-6

学员 99、12-7

学员 100、13-1什么是集成学习

学员 101、13-2 SoftVoting Classifier

学员 102、13-3 Bagging和Pasting

学员 103、13-4 oob（Out-of-Bag）和关于Bagging的更多讨论

学员 104、13-5 随机森林和Extra-Trees

学员 106、13-7 Stacking

学员 107、14-1 学习scikit-learn文档