第1章 机器学习概述
1-1 机器学习-导学 (05:30)
1-2 概述 (04:28)
1-3 本门课的内容 (01:46)
1-4 IPython Notebook介绍 (06:21)
1-5 python 基本语法 (07:35)
1-6 条件和循环语句 (07:43)
1-7 Python中的函数 (03:46)
第2章 回归模型—理论
2-1 课前须知。 (04:36)
2-2 线性回归概述 (01:34)
2-3 预测房价 (03:16)
2-4 线性回归 (05:15)
2-5 加入更高阶的因素 (04:24)
2-6 通过训练-测试分离来评估过拟合 (08:39)
2-7 训练测试曲线 (04:49)
2-8 加入新的特征 (02:40)
2-9 其他回归示例 (04:19)
2-10 回归总结 (06:11)
第3章 回归模型—房价预测进阶案例
3-1 进阶案例介绍 (03:59)
3-2 探索房屋数据集 (02:26)
3-3 可视化数据集的特征 (05:14)
3-4 实现回归模型 (13:57)
3-5 应用线性回归模型 (15:33)
3-6 使用sklearn来构建线性回归模型 (03:45)
3-7 评估线性回归模型 (09:38)
3-8 MSE和R2评分 (04:09)
3-9 多项式拟合 (34:56)
第4章 分类模型—理论
4-1 分类-分析情感 (00:53)
4-2 从主题预测情感 (05:51)
4-3 分类器应用 (06:06)
4-4 线性分类器 (05:45)
4-5 决策边界 (04:02)
4-6 训练和评估分类器 (04:57)
4-7 什么是好的精度 (03:57)
4-8 混淆矩阵 (07:35)
4-9 学习曲线 (05:57)
4-10 类别概率 (02:17)
4-11 分类总结 (03:07)
第5章 分类模型—情感分析进阶案例
5-1 情感分析进阶案例-读取数据 (02:25)
5-2 情感分析进阶案例-TFIDF表示 (06:24)
5-3 情感分析进阶案例 – 文本预处理 (07:05)
5-4 情感分析进阶案例 – 分词 (04:18)
5-5 情感分析进阶案例 – 去除停用词 (03:00)
5-6 情感分析进阶案例 – 构建分类器.mp4 (13:04)
第6章 聚类和相似度模型—理论
6-1 聚类和相似度-文档检索 (00:46)
6-2 检索感兴趣的文档 (01:18)
6-3 用于测量相似度的单词计数表示 (07:26)
6-4 应用TF-IDF对于重要单词进行优先级排序 (03:59)
6-5 TF-IDFf文档表示 (05:02)
6-6 检索相似的文档 (02:38)
6-7 文档聚类 (03:09)
6-8 聚类介绍 (04:40)
6-9 k-均值 (04:09)
6-10 其他例子 (06:01)
6-11 聚类和相似度总结 (05:37)
第7章 聚类和相似度模型—维基百科人物相似度案例
7-1 使用pandas来读取维基百科人物数据集 (03:43)
7-2 使用sklearn来进行词袋模型表示 (06:48)
7-3 使用skearn来进行tfidf表示和相似度计算 (07:26)
第8章 推荐系统—理论
8-1 推荐商品 (01:30)
8-2 我们在哪能见到推荐系统 (06:23)
8-3 推荐的分类模型 (04:01)
8-4 协同过滤 (04:29)
8-5 流行物品的影响 (02:28)
8-6 正规化同现矩阵 (05:26)
8-7 矩阵补全问题 (05:40)
8-8 通过用户和物品的特征进行推荐 (06:11)
8-9 利用矩阵形式预测 (02:58)
8-10 通过矩阵分解发现隐藏结构 (06:36)
8-11 特征+矩阵分解 (03:21)
8-12 推荐系统的性能度量 (05:30)
8-13 最优推荐 (02:05)
8-14 准确率-召回率曲线 (07:16)
8-15 推荐系统总结 (04:04)
第9章 推荐系统—构建推荐系统案例
9-1 读取和探索推荐数据 (05:10)
9-2 将样本分成训练集和验证集 (05:25)
9-3 基于用户和商品的推荐 (07:46)
9-4 推荐结果评估 (05:36)
9-5 基于SVD的推荐 (06:28)
第10章 深度学习—理论
10-1 深度学习：图像搜索 (01:38)
10-2 神经网络 (13:26)
10-3 深度学习在计算机视觉中的应用。 (06:19)
10-4 深度学习的性能 (03:20)
10-5 计算机视觉中的深度学习 (01:31)
10-6 深度学习的挑战 (02:45)
10-7 迁移学习 (06:36)
10-8 深度学习总结 (02:57)
第11章 神经网络—案例部分
11-1 神经网络拟合XOR函数 (06:35)
11-2 利用神经网络进行手写识别 (10:22)
第12章 结尾章
12-1 部署机器学习应用 (04:17)
12-2 部署之后发生了什么？ (08:03)
12-3 机器学习的挑战 (07:37)
12-4 课程总结。 (04:15)
