目录
1
回归模型
第1课
回归问题介绍
00:11:14
第2课
线性回归模型
00:12:16
第3课
本章小结
00:03:30
2
分类模型(一)
第1课
分类问题介绍
00:04:54
第2课
K近邻模型(KNN)
00:15:37
第3课
朴素贝叶斯模型
00:11:54
第4课
逻辑斯特回归模型(LR)
00:10:24
第5课
感知机模型
00:09:52
第6课
支持向量机模型(SVM)-上
00:11:32
第7课
支持向量机模型(SVM)-下
00:12:13
第8课
本章小结
00:03:45
3
分类模型(二)
第1课
分类回归树模型(CART)
00:16:21
第2课
随机森林模型(RF)
00:10:06
第3课
Adboost模型
00:12:09
第4课
提升树模型
00:14:11
第5课
本章小结
00:02:56
4
聚类模型
第1课
聚类问题介绍
00:02:32
第2课
Kmeans聚类
00:12:29
第3课
层次聚类
00:06:06
第4课
密度聚类
00:10:20
第5课
本章小结
00:02:19
5
降维模型
第1课
降维问题介绍
00:04:43
第2课
奇异值分解(SVD)
00:12:52
第3课
主成分分析(PCA)
00:13:04
第4课
线性判别分析(LDA)
00:11:10
第5课
本章小结
00:03:25
6
机器学习模型复杂度度量
第1课
经验风险与结构风险
00:04:17
第2课
过拟合与正则化
00:12:36
第3课
模型选择
00:04:12
第4课
本章小结
00:02:34
7
机器学习模型评估指标
第1课
回归问题评估指标
00:01:43
第2课
分类问题评估指标
00:11:22
第3课
本章小结
00:02:42
分类模型(二) - Adboost模型