124. 补充-交叉验证法和自助法 - 1

1年前 1130观看

黑马程序员2021必看教程之人工智能入门，13天的机器学习入门精讲+14大案例分析（含NBA球员数据分析，租房数据统计分析，疾病数据分析等）

大学课程 / 计算机 / AI大数据

共281集 33.3万人观看

1机器学习科学计算库内容简介
04:06
2人工智能概述 - 1
06:12
3人工智能概述 - 3
06:16
4人工智能的发展历程
07:00
5人工智能主要分支
07:04
6机器学习定义工作流程概述
04:15
7机器学习工作流程各步骤解释 - 1
07:24
8机器学习工作流程各步骤解释 - 3
07:24
9机器学习算法分类介绍 - 1
06:22
10机器学习算法分类介绍 - 3
06:21
11模型评估
08:51
12Azure机器学习平台实验演示1 - 1
07:27
13Azure机器学习平台实验演示1 - 3
07:30
14Azure机器学习平台实验演示2
06:04
15深度学习简介
04:50
16基础环境安装
03:52
17jupyter notebook的基本使用1 - 1
08:48
18jupyter notebook的基本使用1 - 3
08:51
19jupyter notebook的基本使用2
06:40
20matplotlib的基本使用
07:26
21实现基础绘图-某城市温度变换图
05:58
22绘图辅助功能完善-某城市温度变换图 - 1
08:35
23绘图辅助功能完善-某城市温度变换图 - 3
08:40
24在一个坐标系下绘制多个图像
08:04
25在多个坐标系下绘制多个图像 - 1
08:51
26在多个坐标系下绘制多个图像 - 3
08:50
27常见图形绘制 - 1
05:42
28常见图形绘制 - 3
05:46
29numpy介绍 - 1
05:11
30numpy介绍 - 3
05:11
31ndarray介绍 - 1
05:27
32ndarray介绍 - 3
05:29
33创建0，1数组，固定范围数组
09:32
34创建随机数组 - 1
06:53
35创建随机数组 - 3
06:53
36数组的基本操作 - 1
07:16
37数组的基本操作 - 3
07:19
38ndarray的运算 - 1
08:31
39ndarray的运算 - 3
08:28
40数组间运算
09:10
41矩阵复习 - 1
06:09
42矩阵复习 - 3
06:10
43pandas介绍
02:43
44pandas数据结构-series
07:53
45pandas数据结构-DataFrame1 - 1
05:12
46pandas数据结构-DataFrame1 - 3
05:18
47pandas数据结构-DataFrame2
06:40
48pandas数据结构-multiindex和panel - 1
05:37
49pandas数据结构-multiindex和panel - 3
05:37
50pandas中的索引 - 1
06:30
51pandas中的索引 - 3
06:28
52赋值和排序
07:44
53pandas中的算术运算和逻辑运算
08:13
54pandas中的统计函数
06:11
55pandas中的累计统计函数和自定义函数
08:56
56pandas中绘图方式介绍
02:46
57pandas中文件的读取和写入 - 1
09:49
58pandas中文件的读取和写入 - 3
09:52
59缺失值的处理 - 1
10:16
60缺失值的处理 - 3
10:18
61数据离散化 - 1
05:59
62数据离散化 - 3
06:00
63数据表的合并
07:36
64交叉表和透视表介绍 - 1
06:58
65交叉表和透视表介绍 - 3
06:54
66分组聚合介绍
07:58
67星巴克案例实现
06:08
68电影案例分析1 - 1
06:48
69电影案例分析1 - 3
06:54
70电影案例分析 - 1
07:57
71电影案例分析 - 3
07:56
72绘制单变量分布
09:12
73绘制双变量分布图形 - 1
07:06
74绘制双变量分布图形 - 3
07:10
75类别散点图的绘制
06:38
76类别内的数据分布和统计估计 - 1
05:27
77类别内的数据分布和统计估计 - 3
05:30
78NBA数据获取和相关性基本分析 - 1
05:40
79NBA数据获取和相关性基本分析 - 3
05:44
80对数据进行分析-seaborn - 1
07:56
81对数据进行分析-seaborn - 3
07:59
82衍生变量的可视化实践 - 1
07:11
83衍生变量的可视化实践 - 3
07:09
84球队数据分析 - 1
11:56
85球队数据分析 - 3
12:00
86北京市租房数据获取和重复值与空值处理
09:53
87数据类型转换（面积，户型） - 1
05:21
88数据类型转换（面积，户型） - 3
05:24
89房源数量和位置分布分析
05:46
90户型数量基本分析 - 1
08:02
91户型数量基本分析 - 3
08:06
92平均租金基本分析 - 1
09:30
93平均租金基本分析 - 3
09:34
94面积区间分析 - 1
05:04
95面积区间分析 - 3
05:00
96K-近邻算法简介 - 1
05:39
97K-近邻算法简介 - 3
05:36
98K近邻算法api初步使用
09:36
99机器学习中距离度量介绍 - 1
05:40
100机器学习中距离度量介绍 - 3
05:47
101K值的选择介绍
06:22
102kd树和kd树的构造过程
09:33
103kd树案例实现 - 1
08:11
104kd树案例实现 - 3
08:08
105数据集获取和属性介绍 - 1
06:19
106数据集获取和属性介绍 - 3
06:25
107数据可视化介绍 - 1
05:02
108数据可视化介绍 - 3
05:00
109数据集的划分
09:38
110特征预处理简介
04:04
111归一化和标准化介绍 - 1
08:08
112归一化和标准化介绍 - 3
08:11
113鸢尾花种类预测 - 1
07:30
114鸢尾花种类预测 - 3
07:31
115KNN算法总结
04:43
116交叉验证、网格搜索概念介绍
06:28
117交叉验证、网格搜索案例实现
07:48
118案例-Facebook位置预测流程分析
09:00
119案例-Facebook位置预测代码实现1 - 1
09:45
120案例-Facebook位置预测代码实现1 - 3
09:46
121案例-Facebook位置预测代码实现2 - 1
07:20
122案例-Facebook位置预测代码实现2 - 3
07:23
123补充-数据分割和留出法
08:21
124补充-交叉验证法和自助法 - 1
06:58
125补充-交叉验证法和自助法 - 3
06:55
126线性回归简介
06:32
127初始线性回归api
05:49
128数学：求导
05:29
129线性回归中损失函数的介绍
05:12
130使用正规方程对损失函数进行优化 - 1
05:21
131使用正规方程对损失函数进行优化 - 3
05:18
132使用梯度下降法对损失函数进行优化 - 1
06:13
133使用梯度下降法对损失函数进行优化 - 3
06:14
134梯度下降法方法介绍 - 1
06:58
135梯度下降法方法介绍 - 3
07:02
136线性回归api再介绍
03:12
137波士顿房价预测案例 - 1
09:13
138波士顿房价预测案例 - 3
09:17
139欠拟合和过拟合的介绍
07:37
140正则化线性模型
05:59
141岭回归介绍
08:00
142模型保存和加载
07:37
143逻辑回归api介绍
02:43
144肿瘤预测案例 - 1
08:03
145肿瘤预测案例 - 3
08:04
146分类评估方法介绍 - 1
10:31
147分类评估方法介绍 - 3
10:34
148roc曲线绘制过程
09:52
149补充-类别不平衡数据介绍
09:11
150补充-过采样和欠采样介绍 - 1
05:38
151补充-过采样和欠采样介绍 - 3
05:43
152决策树算法简介
02:51
153熵的介绍
08:30
154信息增益的介绍
09:40
155信息增益率的介绍 - 1
06:47
156信息增益率的介绍 - 3
06:44
157基尼指数的介绍
09:13
158决策树划分原理小结
05:21
159cart剪枝介绍 - 1
06:40
160cart剪枝介绍 - 3
06:39
161字典特征提取 - 1
06:45
162字典特征提取 - 3
06:44
163英文文本特征提取
09:10
164中文文本特征提取 - 1
08:21
165中文文本特征提取 - 3
08:27
166泰坦尼克号乘客生存预测 - 1
10:10
167泰坦尼克号乘客生存预测 - 3
10:09
168树木可视化操作
07:58
169回归决策树介绍 - 1
05:19
170回归决策树介绍 - 3
05:25
171回归决策树和线性回归对比 - 1
06:16
172回归决策树和线性回归对比 - 3
06:20
173集成学习基本介绍
03:49
174bagging和随机森林 - 1
10:05
175bagging和随机森林 - 3
10:08
176otto案例介绍以及数据获取 - 1
06:10
177otto案例介绍以及数据获取 - 3
06:08
178otto数据基本处理 - 1
05:50
179otto数据基本处理 - 3
05:56
180otto数据模型基本训练 - 1
06:19
181otto数据模型基本训练 - 3
06:19
182模型调优和确定最优模型 - 1
12:29
183模型调优和确定最优模型 - 3
12:34
184生成提交数据
09:13
185boosting介绍 - 1
06:36
186boosting介绍 - 3
06:40
187GBDT的介绍 - 1
07:41
188GBDT的介绍 - 3
07:40
189聚类算法介绍
03:29
190聚类算法api初步实现 - 1
05:30
191聚类算法api初步实现 - 3
05:34
192聚类算法实现流程
05:58
193模型评估 - 1
05:24
194模型评估 - 3
05:24
195算法优化介绍 - 1
06:00
196算法优化介绍 - 3
05:59
197特征降维内容介绍 - 1
09:48
198特征降维内容介绍 - 3
09:46
199pca降维介绍
06:53
200用户对物品类别的喜好细分案例 - 1
07:36
201用户对物品类别的喜好细分案例 - 3
07:33
202初始朴素贝叶斯
02:50
203概率内容复习 - 1
07:43
204概率内容复习 - 3
07:43
205朴素贝叶斯计算案例
09:48
206朴素贝叶斯案例实现1
09:40
207朴素贝叶斯案例实现2 - 1
11:13
208朴素贝叶斯案例实现2 - 3
11:18
209朴素贝叶斯内容总结
04:43
210SVM基本介绍 - 1
05:17
211SVM基本介绍 - 3
05:13
212SVM算法api初步使用
02:52
213SVM算法推导的目标函数 - 1
05:18
214SVM算法推导的目标函数 - 3
05:16
215SVM目标函数推导过程及举例 - 1
08:05
216SVM目标函数推导过程及举例 - 3
08:11
217SVM损失函数
06:28
218SVM的核方法介绍 - 1
05:21
219SVM的核方法介绍 - 3
05:21
220SVM回归介绍
01:24
221SVM算法api再介绍
05:27
222数字识别器案例初步介绍
05:50
223数字识别器-获取数据
08:27
224数字识别器-数据基本处理和模型训练 - 1
11:58
225数字识别器-数据基本处理和模型训练 - 3
12:05
226SVM总结
02:24
227初识EM算法
02:51
228EM算法介绍
09:05
229EM算法实例 - 1
06:43
230EM算法实例 - 3
06:43
231马尔科夫链的介绍
05:04
232HMM模型的简单案例 - 1
05:47
233HMM模型的简单案例 - 3
05:50
234HMM模型三种经典问题举例求解 - 1
07:52
235HMM模型三种经典问题举例求解 - 3
07:48
236HMM模型基础 - 1
08:09
237HMM模型基础 - 3
08:12
238前向后向算法评估观察序列概率 - 1
09:27
239前向后向算法评估观察序列概率 - 3
09:24
240维特比算法解码隐藏状态序列 - 1
07:35
241维特比算法解码隐藏状态序列 - 3
07:38
242鲍姆-韦尔奇算法简介
02:11
243HMM模型api介绍及案例代码实现 - 1
08:45
244HMM模型api介绍及案例代码实现 - 3
08:49
245xgboost最优模型构建方法
05:04
246目标函数确定和树的复杂度介绍
08:55
247XGBoost目标函数的推导 - 1
06:34
248XGBoost目标函数的推导 - 3
06:37
249XGBoost的回归树构建方法
05:50
250XGBoost和GBDT的区别
02:32
251xgboost算法api与参数介绍
08:23
252xgboost简单案例介绍
08:28
253otto案例xgboost实现-数据基本处理 - 1
10:27
254otto案例xgboost实现-数据基本处理 - 3
10:34
255otto案例xgboost实现-模型基本训练
06:35
256otto案例xgboost实现-模型调优 - 1
08:19
257otto案例xgboost实现-模型调优 - 3
08:25
258otto案例xgboost实现-最优模型运行
07:19
259lightGBM简单介绍
06:41
260lightGBM算法原理介绍 - 1
05:08
261lightGBM算法原理介绍 - 3
05:11
262lightGBM算法api参数介绍
06:44
263lightGBM算法简单案例介绍 - 1
06:28
264lightGBM算法简单案例介绍 - 3
06:25
265pubg案例简介
05:38
266获取pubg数据
08:10
267数据缺失值处理和查看每场比赛人数 - 1
06:04
268数据缺失值处理和查看每场比赛人数 - 3
06:06
269规范化输出部分数据和部分变量合成
08:51
270异常值处理1 - 1
07:47
271异常值处理1 - 3
07:46
272异常值值处理2
09:27
273类别型数据处理 - 1
05:10
274类别型数据处理 - 3
05:11
275数据截取、确定特征值和目标值、分割数据集
05:00
276使用RF进行模型训练 - 1
06:28
277使用RF进行模型训练 - 3
06:24
278lightGBM对模型调优1 - 1
05:21
279lightGBM对模型调优1 - 3
05:21
280lightGBM对模型调优2 - 1
05:27
281lightGBM对模型调优2 - 3
05:24