课时01

课堂纪律

课时02

课程安排

课时03

讲师介绍

课时04

行业发展

课时05

高效学习

课时06

NumPy介绍

课时07

Python安装

课时08

Python库的安装

课时09

anaconda安装

课时10

jupyter扩展插件配置

课时11

数组基本操作

课时12

数组保存

课时13

数据类型

课时14

数组运算

课时15

复制和视图

课时16

基本索引和切片

课时17

花式索引

课时18

形状改变

课时19

广播机制

课时20

元素级数学函数

课时21

通用函数举例

课时22

数学和统计函数

课时23

线性代数

课时24

pandas数据分析库介绍

课时25

数据结构

课时26

数据查看

课时27

csv文件读写

课时28

Excel文件读写

课时29

Sql读写操作

课时30

批量读取大文件

课时31

行索引列索引

课时32

位置选择

课时33

boolean索引

课时34

赋值操作

课时35

轴和元素的替换

课时36

map字典映射

课时37

apply元素改变

课时38

transform数据改变

课时39

抽样和独热编码

课时40

分箱操作

课时41

数据分析师岗位-数据清洗

课时42

数据分析师岗位-薪水处理

课时43

数据分析师岗位-技能提取

课时44

数据分析师岗位-行业信息

课时45

matplotlib-概率

课时46

matplotlib-图形绘制

课时47

matplotlib-刻度标签标题

课时48

matplotlib-图例

课时49

matplotlib-脊柱移动

课时50

matplotlib-图片保存

课时51

matplotlib-风格和样式

课时52

matplotlib-子视图

课时53

matplotlib-嵌套

课时54

matplotlib-双轴布局

课时55

条形图

课时56

极坐标图

课时57

箱型图

课时58

散点图

课时59

饼图

课时60

热力图

课时61

数据分析师岗位分析实战

课时62

数据分析师岗位数据分析-数据处理

课时63

数据分析师岗位数据分析-工作经验和薪资关系

课时64

数据分析师岗位数据分析-学历、技能、大公司技能要求

课时65

数据分析师岗位数据分析-不同规模公司招聘人才工作年限的差异

课时66

KNN近邻算法-鸢尾花分类算法举例

课时67

KNN-算法使用流程

课时68

KNN-算法原理概述

课时69

KNN-超参数设置-模型保存

课时70

KNN-超参数设置

课时71

KNN-手写数字识别

课时72

线性回归推导

课时73

线性回归的基本使用

课时74

线性回归的应用

课时75

正规方程-二元一次方程

课时76

正规方程-八元一次方程

课时77

正规方程-八元一次方程总结

课时78

正规方程-正规方程推导

课时79

梯度下降-波士顿房价预测

课时80

梯度下降-无约束最优化

课时81

梯度下降-概念

课时82

梯度下降-公式

课时83

梯度下降-学习率梯度下降步骤

课时84

梯度下降-代码模拟梯度下降

课时85

梯度下降-代码模拟可视化

课时86

梯度下降-三种不同梯度下降方式

课时87

梯度下降-梯度下降更新公式

课时88

梯度下降-BGD更新公式

课时89

梯度下降-BGD代码演示

课时90

梯度下降-SGD更新公式与代码演示

课时91

梯度下降-归一化作用和意义

课时92

梯度下降-最大值最小值归一化

课时93

梯度下降-Z-score标准化

课时94

梯度下降-归一化总结

课时95

梯度下降-正则化

课时96

梯度下降-套索回归-原理

课时97

梯度下降-套索回归原理

课时98

梯度下降-套索回归代码应用举例

课时99

梯度下降-Ridge岭回归原理介绍

课时100

梯度下降-Ridge代码演示使用

课时101

梯度下降-弹性网络代码演练

课时102

梯度下降-多项式概念

课时103

梯度下降-多项式代码演示

课时104

梯度下降-天猫双十一销量预测【一】

课时105

梯度下降-天猫双十一销量预测【二】

课时106

逻辑斯蒂回归-概念概述

课时107

逻辑斯蒂回归-代码应用举例

课时108

逻辑斯蒂回归-二分类-概率计算

课时109

逻辑斯蒂回归-多分类-ovr-概率计算

课时110

逻辑斯蒂回归-多分类-multinomial-概率计算

课时111

逻辑斯蒂回归-多分类思想

课时112

逻辑斯蒂回归-损失函数

课时113

逻辑斯蒂回归-损失函数-推导

课时114

逻辑斯蒂回归-损失函数可视化

课时115

逻辑斯蒂回归-梯度下降-更新函数

课时116

降维算法-相关背景

课时117

降维算法-数据降维

课时118

降维算法-常用降维方法

课时119

降维算法-PCA概念和应用

课时120

降维算法-PCA数据模型训练

课时121

降维算法-PCA两种实现原理

课时122

降维算法-协方差和散度矩阵

课时123

降维算法-特征值和特征向量

课时124

降维算法-PCA降维

课时125

降维算法-PCA降维-代码实现

课时126

降维算法-SVD原理

课时127

降维算法-SVD奇异值分解-PCA降维

课时128

降维算法-PCA总结概述

课时129

降维算法-KNN手写数字预测

课时130

降维算法-逻辑斯蒂回归首先数据预测

课时131

降维算法-LDA介绍

课时132

降维算法-LDA代码降维案例

课时133

降维算法-LDA模拟实现

课时134

降维算法-NMF原理

课时135

降维算法-NMF代码实现

课时136

降维算法-LLE原理

课时137

降维算法-LLE代码实现

课时138

决策树-概述

课时139

决策树-代码应用

课时140

决策树-可视化-软件安装

课时141

决策树-可视化操作

课时142

决策树-信息熵

课时143

决策树-未分裂-信息熵计算

课时144

决策树-裂分条件的计算

课时145

决策树-筛选裂分条件

课时146

决策树-继续叶节点分裂

课时147

决策树-分裂指标

课时148

决策树-gini系数裂分

课时149

决策树-剪枝操作

课时150

决策树-筛选超参数

课时151

决策回归树-概念

课时152

决策回归树树-代码应用

课时153

决策回归树-裂分mse计算

课时154

决策回归树-裂分点计算

课时155

决策回归树-节点value计算

课时156

决策回归树-糖尿病案例VS线性回归

课时157

集成算法-概述

课时158

集成算法-不同方式和步骤

课时159

GBDT-信息熵-回归

课时160

GBDT-交叉熵

课时161

GBDT-sigmoid函数

课时162

GBDT-代码应用

课时163

GBDT-对应公式

课时164

GBDT-构建二分类数据-建模可视化

课时165

GBDT-代码模拟-初始残差mse

课时166

GBDT-代码模拟-拟合第一棵树

课时167

GBDT-代码模拟-拟合第二棵树

课时168

GBDT-代码模拟-拟合第三棵树与概率计算

课时169

GBDT-公式的由来-疑问

课时170

GBDT-原理推导-损失函数公式

课时171

GBDT-原理推导-损失函数化简

课时172

GBDT-原理推导-损失函数求导

课时173

GBDT-原理推导-F0初始值公式推导

课时174

GBDT-原理推导-叶节点value公式推导【一】

课时175

GBDT-原理推导-叶节点value公式推导【二】

课时176

GBDT-二分类步骤总结

课时177

集成算法-不同模式介绍

课时178

集成算法-自建bagging算法

课时179

GBDT-回归树概念

课时180

天池工业蒸汽量预测-线性回归建模

课时181

天池工业蒸汽量预测-GBDT梯度提升回归树建模

课时182

GBDT-回归树-原理-建模可视化

课时183

GBDT-回归树-原理-预测结果计算

课时184

GBDT-回归树-原理-裂分条件计算

课时185

Adaboost提升算法-概述

课时186

Adaboost提升算法-算法流程介绍

课时187

Adaboost提升算法-话语权和权重更新说明

课时188

Adaboost提升算法-乳腺癌案例应用

课时189

Adaboost提升算法-手写数字案例应用

课时190

Adaboost提升算法-算法公式流程

课时191

Adaboost提升算法-代码模拟【建模和可视化】

课时192

Adaboost代码模拟-gini系数计算

课时193

Adaboost代码模拟-裂分条件计算

课时194

Adaboost代码模拟-裂分条件计算【二】

课时195

Adaboost代码模拟-误差、权重、更新

课时196

Adaboost代码模拟-第二棵树构建

课时197

Adaboost代码模拟-第三棵树构建

课时198

Adaboost代码模拟-弱学习器融合

课时199

Adaboost代码模拟-概率计算

课时200

Adaboost-多分类-建模与可视化

课时201

Adaboost多分类-gini系数计算

课时202

Adaboost多分类-拆分条件计算

课时203

Adaboost多分类-误差与更新权重

课时204

Adaboost多分类-第二棵树构建

课时205

Adaboost多分类-概率计算

课时206

Adaboost回归-案例应用

课时207

Adaboost回归-公式流程

课时208

Adaboost回归-第一棵树构建

课时209

Adaboost-回归树的构建与预测

课时210

XGBoost-概述

课时211

XGBoost树-定义

课时212

GBDT-XGBoost对比

课时213

XGBoost和GBDT差异

课时214

XGBoost使用方式之一

课时215

XGBoost其他使用方式

课时216

XGBoost-参数-提前终止参数解释

课时217

XGBoost-目标损失函数

课时218

XGBoost-损失函数二阶泰勒展开公式

课时219

XGBoost-树的结构

课时220

XGBoost-树的复杂度

课时221

XGBoost-最终目标函数

课时222

XGBoost-最优化函数

课时223

XGBoost-实战-加载处理数据

课时224

XGBoost-实战-筛选模型参数

课时225

XGBoost-筛选模型数量-回顾

课时226

XGBoost-筛选参数实战

课时227

SVM-什么是支持向量机

课时228

SVM-分类应用

课时229

SVM-超平面可视化

课时230

SVM-构建目标函数【一】

课时231

SVM-目标函数【二】

课时232

SVM-线性分类-分界线绘制

课时233

SVM-拉格朗日乘子法

课时234

SVM-拉格朗日乘子法-推导

课时235

SVM-KKT条件介绍【一】

课时236

SVM-KKT条件介绍【二】

课时237

SVM-KKT条件【三】

课时238

SVM-对偶问题

课时239

SVM-非线性核函数

课时240

SVM-核函数介绍

课时241

SVM-核函数应用案例

课时242

SVM-非线性核函数案例

课时243

SVM-中级-知识点修正【边界线绘制】

课时244

SVM-目标函数优化【硬间隔】一

课时245

SVM-目标函数优化【硬间隔】二

课时246

SVM-目标函数优化【硬间隔】三

课时247

SVM-不同核函数回归问题

课时248

SVM-天猫双十一销量预测

课时249

SVM-软间隔目标函数优化流程介绍

课时250

SVM-特定多分类应用

课时251

课前分享

课时252

SVM-人脸识别-案例

课时253

聚类-概述

课时254

Kmeans-概述

课时255

Kmeans-亚洲足球国家队聚类

课时256

Kmeans-轮廓系数筛选合适的聚类个数K

课时257

KMeans-图片像素聚类

课时258

DBSCAN-概述

课时259

DBSCAN-案例应用

课时260

分层聚类-概述

课时261

分层聚类-案例介绍

课时262

代码杠杆