6年口碑积累，120+小时超丰富内容体系大课 + 夏日竞赛福利「Kaggle夏训营」，完整涵盖“经典机器学习+集成学习+时序模型+超参数优化+特征工程+模型融合+企业级实战案例”【七大模块】 + 讲师亲自带队刷竞赛服务！零基础直达中高级算法岗位要求，Kaggle&就业&晋升一步到位！
资源目录：
01_Lesson-0.1-前言与导学（上）_ev.mp4
02_Lesson-0.2-前言与导学（下）_ev.mp4
03_Lesson-1.1-机器学习基本概念与建模流程（上）_ev.mp4
04_Lesson-1.2-机器学习基本概念与建模流程（下）_ev.mp4
05_Lesson-2.1-矩阵运算基础、矩阵求导与最小二乘法（一）_ev.mp4
06_Lesson-2.2-矩阵运算基础、矩阵求导与最小二乘法（二）_ev.mp4
07_Lesson-2.3-矩阵运算基础、矩阵求导与最小二乘法（三）_ev.mp4
08_Lesson-3.0-线性回归的手动实现_ev.mp4
09_Lesson-3.1-变量相关性基础理论_ev.mp4
10_Lesson-3.2-数据生成器与Python模块编写_ev.mp4
11_Lesson-3.3-线性回归手动实现与模型局限_ev.mp4
12_Lesson-3.4-机器学习模型可信度理论与交叉验证基础_ev.mp4
13_Lesson-4.1.1-逻辑回归模型构建与多分类学习方法（上）_ev.mp4
14_Lesson-4.1.2-逻辑回归模型构建与多分类学习方法（下）_ev.mp4
15_Lesson-4.2-逻辑回归参数估计_ev.mp4
16_Lesson-4.3.1-梯度下降基本原理与手动实现（上）_ev.mp4
17_Lesson-4.3.2-梯度下降基本原理与手动实现（下）_ev.mp4
18_Lesson-4.4.1-随机梯度下降与小批量梯度下降（上）_ev.mp4
19_Lesson-4.4.2-随机梯度下降与小批量梯度下降（下）_ev.mp4
20_Lesson-4.5.1-梯度下降优化基础：数据归一化与学习率调度（上）_ev.mp4
21_Lesson-4.5.2-梯度下降优化基础：数据归一化与学习率调度（下）_ev.mp4
22_Lesson-4.6.1-逻辑回归的手动实现方法（上）_ev.mp4
23_Lesson-4.6.2-逻辑回归的手动实现方法（下）_ev.mp4
24_Lesson-5.1-分类模型决策边界_ev.mp4
25_Lesson-5.2-混淆矩阵与F1-Score_ev.mp4
26_Lesson-5.3-ROC-AUC的计算方法、基本原理与核心特性_ev.mp4
27_Lesson-6.1-Scikit-Learn快速入门_ev.mp4
28_Lesson-6.2-Scikit-Learn常用方法速通_ev.mp4
29_Lesson-6.3.1-正则化、过拟合抑制与特征筛选_ev.mp4
30_Lesson-6.3.2-Scikit-Learn逻辑回归参数详解_ev.mp4
31_Lesson-6.4-机器学习调参入门_ev.mp4
32_Lesson-6.5.1-机器学习调参基础理论_ev.mp4
33_Lesson-6.5.2-Scikit-Learn中网格搜索参数详解_ev.mp4
34_Lesson-6.6.1-多分类评估指标函数的使用方法_ev.mp4
35_Lesson-6.6.2-GridSearchCV的进阶使用方法_ev.mp4
36_Lesson-7.1.1-无监督学习与K-Means基本原理_ev.mp4
37_Lesson-7.1.2-K-Means聚类的Scikit-Learn实现_ev.mp4
38_Lesson-7.2-Mini-Batch-K-Means与DBSCAN聚类_ev.mp4
39_Lesson-8.1-决策树模型的核心思想与建模流程_ev.mp4
40_Lesson-8.2.1-CART分类树的建模流程_ev.mp4
41_Lesson-8.2.2-sklearn中CART分类树的参数详解_ev.mp4
42_Lesson-8.3【加餐】ID3和C4.5的基本原理介绍_ev.mp4
43_Lesson-8.4-CART回归树的建模流程与sklearn中评估器参数解释_ev.mp4
44_Lesson-9.1-集成算法开篇：Bagging方法的基本思想_ev.mp4
45_Lesson-9.2-随机森林回归器的实现_ev.mp4
46_Lesson-9.3-随机森林回归器的参数_ev.mp4
47_Lesson-9.4-集成算法的参数空间与网格优化_ev.mp4
48_Lesson-9.5-随机森林在巨量数据上的增量学习_ev.mp4
49_Lesson-9.6-Bagging及随机森林6大面试热点问题_ev.mp4
50_Lesson-10.1-开篇：超参数优化与枚举网格搜索的理论极限_ev.mp4
51_Lesson-10.2.1-随机网格搜索（上）_ev.mp4
52_Lesson-10.2.2-随机网格搜索（下）_ev.mp4
53_Lesson-10.3.1-Halving网格搜索（上）_ev.mp4
54_Lesson-10.3.2-Halving网格搜索（下）_ev.mp4
55_Lesson-10.4-贝叶斯优化的基本流程_ev.mp4
56_Lesson-10.5-BayesOpt-vs-HyperOpt-vs-Optuna_ev.mp4
57_Lesson-10.6-基于BayesOpt实现高斯过程gp优化_ev.mp4
58_Lesson-10.7-基于HyperOpt实现TPE优化_ev.mp4
59_Lesson-10.8-基于Optuna实现多种优化_ev.mp4
60_Lesson-11.1-Boosting的基本思想与基本元素_ev.mp4
61_Lesson-11.2-AdaBoost的参数（上）：弱评估器与学习率_ev.mp4
62_Lesson-11.3-AdaBoost的参数（下）：实践算法与损失函数_ev.mp4
63_Lesson-11.4-原理进阶：AdaBoost算法流程详解_ev.mp4
64_Lesson-12.1-梯度提升树的基本思想与实现_ev.mp4
65_Lesson-12.2-迭代过程中的参数(1)：GBDT的初始化与多分类_ev.mp4
66_Lesson-12.3-迭代过程中的参数(2)：GBDT的8种损失函数_ev.mp4
67_Lesson-12.4-弱评估器结构参数：弗里德曼均方误差_ev.mp4
68_Lesson-12.5-梯度提升树的提前停止_ev.mp4
69_Lesson-12.6-袋外数据与其他参数_ev.mp4
70_Lesson-12.7-梯度提升树的参数空间与TPE优化_ev.mp4
71_Lesson-12.8-原理进阶-(1)：GBDT数学流程与残差概念辨析_ev.mp4
72_Lesson-12.9-原理进阶-(2)：拟合伪残差的数学意义与数学证明_ev.mp4
73_Lesson-13.1.1-XGBoost的基本思想_ev.mp4
74_Lesson-13.1.2-实现XGBoost回归：sklearnAPI详解_ev.mp4
75_Lesson-13.1.3-实现XGBoost回归：xgb原生代码详解_ev.mp4
76_Lesson-13.1.4-实现XGBoost分类：目标函数与评估指标详解_ev.mp4
77_Lesson-13.2.1-基本迭代过程中的参数群_ev.mp4
78_Lesson-13.2.2-目标函数及其相关参数_ev.mp4
79_Lesson-13.2.3-三种弱评估器与DART树详解_ev.mp4
80_Lesson-13.2.4-弱评估器的分枝：结构分数与结构分数增益_ev.mp4
81_Lesson-13.2.5-控制复杂度：弱评估器的剪枝与训练数据_ev.mp4
82_Lesson-13.2.6-XGBoost中的必要功能性参数_ev.mp4
83_Lesson-13.3.1-XGBoost的参数空间_ev.mp4
84_Lesson-13.3.2-XGBoost基于TPE的调参_ev.mp4
85_Lesson-13.4.1-XGBoost的基本数学流程_ev.mp4
86_Lesson-13.4.2-化简XGBoost的目标函数_ev.mp4
87_Lesson-13.4.3-求解XGBoost的损失函数_ev.mp4
88_Lesson-14.1.1-LightGBM入门与原理框架介绍_ev.mp4
89_Lesson-14.1.2-LightGBM-EFB互斥特征捆绑策略_ev.mp4
90_Lesson-14.2.1-LightGBM基于梯度的单边采样方法GOSS_ev.mp4
91_Lesson-14.2.2-LightGBM分裂增益计算过程与叶节点优先生长策略_ev.mp4
92_Lesson-14.2.3-LightGBM直方图优化算法_ev.mp4
93_【特征工程】Part-1.1-业务背景与Kaggle平台使用方法介绍_ev.mp4
94_【特征工程】Part-1.2-数据字段解释与数据质量检验_ev.mp4
95_【特征工程】Part-1.3-字段类型转化与缺失值填补_ev.mp4
96_【特征工程】Part-1.4-异常值检测_ev.mp4
97_【特征工程】Part-1.5-相关性分析_ev.mp4
98_【特征工程】Part-1.6-数据探索性分析与可视化呈现_ev.mp4
99_【特征工程】Part-2.1数据重编码：OrdinalEncoder过程_ev.mp4
100_【特征工程】Part-2.2-数据重编码：OneHotEncoder过程_ev.mp4
101_【特征工程】Part-2.3-转化器流水线：ColumnTransformer过程_ev.mp4
102_【特征工程】Part-2.4-特征变换：数据标准化与归一化_ev.mp4
103_【特征工程】Part-2.5-连续变量分箱：等宽、等频与聚类分箱_ev.mp4
104_【特征工程】Part-2.6-连续变量分箱：目标编码与有监督分箱_ev.mp4
105_【特征工程】Part-2.7-逻辑回归机器学习流构建与训练_ev.mp4
106_【特征工程】Part-2.8-逻辑回归机器学习流超参数搜索调优_ev.mp4
107_【特征工程】Part-2.9-自定义sklearn评估器网格搜索_ev.mp4
108_【特征工程】Part-2.10-逻辑回归模型解释与特征系数解读_ev.mp4
109_【特征工程】Part-2.11-决策树模型训练与优化_ev.mp4
110_【特征工程】Part-2.12-决策树模型解释与结果解读_ev.mp4
111_【特征衍生】Part-3.1.1-特征衍生方法综述_ev.mp4
112_【特征衍生】Part-3.1.2-基于业务的新用户标识字段创建与验证_ev.mp4
113_【特征衍生】Part-3.1.3-基于业务的服务购买字段创建_ev.mp4
114_【特征衍生】Part-3.1.4-基于数据探索的用户属性字段创建：基本思路与IV值计算过程_ev.mp4
115_【特征衍生】Part-3.1.5-借助IV值检验衍生特征有效性方法_ev.mp4
116_【特征衍生】Part-3.1.6-基于数据探索的合约字段创建与验证_ev.mp4
117_【特征衍生】Part-3.2.1-单变量特征衍生方法_ev.mp4
118_【特征衍生】Part-3.2.2-四则运算衍生与分组交叉衍生_ev.mp4
119_【特征衍生】Part-3.2.3-分组统计特征衍生_ev.mp4
120_【特征衍生】Part-3.2.4-多项式特征衍生_ev.mp4
121_【特征衍生】Part-3.2.5-统计演变特征_ev.mp4
122_【特征衍生】Part-3.2.6-多变量交叉组合特征衍生_ev.mp4
123_【特征衍生】Part-3.2.7-多变量分组统计衍生方法介绍_ev.mp4
124_【特征衍生】Part-3.2.8-多变量分组统计函数编写_ev.mp4
125_【特征衍生】Part-3.2.9-多变量多项式衍生与笛卡尔积运算_ev.mp4
126_【特征衍生】Part-3.2.10-多变量多项式衍生函数创建_ev.mp4
127_【特征衍生】Part-3.2.11-时序特征分析方法_ev.mp4
128_【特征衍生】Part-3.2.12-时序特征衍生与自然周期划分_ev.mp4
129_【特征衍生】Part-3.2.13-时序特征衍生本质与时间差值衍生_ev.mp4
130_【特征衍生】Part-3.2.14-时序特征衍生函数创建_ev.mp4
131_【特征衍生】Part-3.2.15-时间序列分析简介_ev.mp4
132_【特征衍生】Part-3.2.16-词向量化与TF-IDF_ev.mp4
133_【特征衍生】Part-3.2.17-NLP特征衍生方法介绍_ev.mp4
134_【特征衍生】Part-3.2.18-NLP特征衍生函数编写与使用_ev.mp4
135_【特征衍生】Part-3.2.19-交叉组合与多项式衍生高阶函数_ev.mp4
136_【特征衍生】Part-3.2.20-分组统计高阶函数编写_ev.mp4
137_【特征衍生】Part-3.2.21-目标编码_ev.mp4
138_【特征衍生】Part-3.2.22-关键特征衍生高阶函数_ev.mp4
139_【特征衍生】Part-3.2.23特征衍生实战-1_ev.mp4
140_【特征衍生】Part-3.2.24-特征衍生实战-2_ev.mp4
141_【特征衍生】Part-3.2.25-特征衍生实战-3_ev.mp4
142_【特征衍生】Part-3.2.26-特征衍生实战-4_ev.mp4
143_【特征衍生】Part-3.2.27-特征衍生流程总结_ev.mp4
144_【特征筛选】Part-3.3.0-特征筛选技术介绍_ev.mp4
145_【特征筛选】Part-3.3.1-缺失值过滤与方差过滤_ev.mp4
146_【特征筛选】Part-3.3.2-评分函数与特征筛选评估器_ev.mp4
147_【特征筛选】Part-3.3.3-假设检验基本流程_ev.mp4
148_【特征筛选】Part-3.3.4-卡方检验与特征筛选_ev.mp4
149_【特征筛选】Part-3.3.5-方差分析与特征筛选_ev.mp4
150_【特征筛选】Part-3.3.6-线性相关性的F检验_ev.mp4
151_【特征筛选】Part-3.3.7-离散变量之间的互信息法_ev.mp4
152_【特征筛选】Part-3.3.8-连续变量与离散变量的互信息法_ev.mp4
153_【特征筛选】Part-3.3.9-连续变量之间的互信息计算过程_ev.mp4
154_【特征筛选】Part-3.3.10-互信息法特征筛选实践_ev.mp4
155_【特征筛选】Part-3.3.11-feature_importance特征筛选_ev.mp4
156_【特征筛选】Part-3.3.12-RFE筛选与RFECV筛选_ev.mp4
157_【特征筛选】Part-3.3.13-SFS方法与SFM方法_ev.mp4
158_【特征筛选】Part-3.3.14-特征筛选方法总结_ev.mp4
159_【模型优化】Part-4.0第四部分导学_ev.mp4
160_【模型优化】Part-4.1.1-海量特征衍生与筛选（上）_ev.mp4
161_【模型优化】Part-4.1.2-海量特征衍生与筛选（下）_ev.mp4
162_【模型优化】Part-4.2.1-网格搜索超参数优化实战（上）_ev.mp4
163_【模型优化】Part-4.2.2-网格搜索超参数优化实战（下）_ev.mp4
164_【模型融合】Part-4.3.1-模型融合与深度森林技术体系介绍_ev.mp4
165_【模型融合】Part-4.3.2.1-投票法与均值法_ev.mp4
166_【模型融合】Part-4.3.2.2-阈值移动的TPE搜索与交叉验证_ev.mp4
167_【模型融合】Part-4.3.3.1-加权平均融合与理论最优权重_ev.mp4
168_【模型融合】Part-4.3.3.2-加权平均法的经验法权重设置策略_ev.mp4
169_【模型融合】Part-4.3.3.3-基于搜索空间裁剪的权重搜索策略_ev.mp4
170_【模型融合】Part-4.3.3.4-交叉训练与Stacking融合的基本思路_ev.mp4
171_【模型融合】Part-4.3.4.1-交叉训练基本思想和数据准备_ev.mp4
172_【模型融合】Part-4.3.4.2-随机森林模型的交叉训练过程_ev.mp4
173_【模型融合】Part-4.3.4.3-决策树&逻辑回归的交叉训练_ev.mp4
174_【模型融合】Part-4.3.4.4-基于交叉训练的TPE搜索融合_ev.mp4
175_【模型融合】Part-4.3.5.1-细粒度&多级分层加权融合原理_ev.mp4
176_【模型融合】Part-4.3.5.2-细粒度&多级分层加权融合实践_ev.mp4
177_【模型融合】Part-4.3.6.1-Stacking基本原理与手动实现方法_ev.mp4
178_【模型融合】Part-4.3.6.2-Stacking优化方法初阶_ev.mp4
179_【模型融合】Part-4.3.7.1-Stacking一级学习器训练策略_ev.mp4
180_【模型融合】Part-4.3.7.2-Stacking元学习器优化流程_ev.mp4
181_【模型融合】Part-4.3.8.1-Stacking自动超参数交叉训练函数_ev.mp4
182_【模型融合】Part-4.3.8.2-Stacking自动元学习器优化函数_ev.mp4
183_【模型融合】Part-4.3.9-Blending融合原理与实践_ev.mp4
184_【模型融合】Part-4.3.10-Blending融合进阶优化策略_ev.mp4
185_【模型融合】Part-4.3.11.1-回归类集成算法优化策略（上）_ev.mp4
186_【模型融合】Part-4.3.11.2-回归类集成算法优化策略（下）_ev.mp4
187_【模型融合】Part-4.3.12.1-回归问题的加权平均融合方法实践_ev.mp4
188_【模型融合】Part-4.3.12.2-回归问题的Stacking&Blending融合_ev.mp4
189_【WDSM时序案例】00-赛题介绍、课件领取_ev.mp4
190_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务_ev.mp4
191_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分_ev.mp4
192_【WDSM时序案例】03-赛题理解(3)-解读测试数据集_ev.mp4
193_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上)_ev.mp4
194_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下)_ev.mp4
195_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息_ev.mp4
196_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息_ev.mp4
197_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点_ev.mp4
198_【WDSM时序案例】08-理解时序预测(1)-单变量vs多变量时间序列_ev.mp4
199_【WDSM时序案例】09-理解时序预测(2)-时间序列的训练与预测（上）_ev.mp4
200_【WDSM时序案例】10-理解时序预测(3)-时间序列的训练与预测（下）_ev.mp4
201_【WDSM时序案例】11-理解时序预测(4)-2大关键预测类型与前沿时序领域_ev.mp4
202_【WDSM时序案例】12-理解时序预测(5)-统计学与机器学习中的时间序列模型_ev.mp4
203_【WDSM时序案例】13-理解时序预测(6)-深度学习领域的时间序列模型_ev.mp4
204_【WDSM时序案例】14【加餐】ARIMA模型详解(1)-AR自回归模型原理与公式_ev.mp4
205_【WDSM时序案例】15【加餐】ARIMA模型详解(2)-AR自回归模型的训练与测试流程_ev.mp4
206_【WDSM时序案例】16【加餐】时序模型-(3)-MA模型原理与公式讲解_ev.mp4
207_【WDSM时序案例】17【加餐】时序模型-(4)-MA模型训练与测试流程_ev.mp4
208_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算_ev.mp4
209_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算_ev.mp4
210_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求_ev.mp4
211_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像_ev.mp4
212_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势_ev.mp4
213_【WDSM时序案例】23【加餐】时序模型-(10)-确定p、d、q的超参数值_ev.mp4
214_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标_ev.mp4
215_【WDSM时序案例】25【加餐】ARIMA模型的实现-(1)-ARIMA经典假设与建模流程_ev.mp4
216_【WDSM时序案例】26【加餐】ARIMA模型的实现-(2)-平稳性检验与差分运算_ev.mp4
217_【WDSM时序案例】27【加餐】ARIMA模型的实现-(3)-确定d值，进行建模_ev.mp4
218_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单_ev.mp4
219_【WDSM时序案例】29【加餐】ARIMA模型的实现-(5)-选择最佳参数组合_ev.mp4
220_【WDSM时序案例】30-多变量时序模型(1)-多变量模型的基本思想_ev.mp4
221_【WDSM时序案例】31-多变量时序模型(2)-VAR与VARMA模型的数学表示_ev.mp4
222_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现_ev.mp4
223_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX_ev.mp4
224_【WDSM时序案例】34-机器学习中的时间序列(2)-Pmdarima实现滚动交叉验证_ev.mp4
225_【WDSM时序案例】35-机器学习中的时间序列(3)-Pmdarima实现滑窗交叉验证_ev.mp4
226_【金融案例】01-认识捷信金融还款风险预测_ev.mp4
227_【金融案例】02-比赛背景与目标_ev.mp4
228_【金融案例】03-数据探索：主表的特征字段讲解以及缺失值的处理_ev.mp4
229_【金融案例】04-数据探索：主表的异常值处理以及相关性分析_ev.mp4
230_【金融案例】05-海量数据处理入门_ev.mp4
231_【金融案例】06-三剑客建立baseline_ev.mp4
232_【金融案例】07-还款业务指标与业务特征衍生_ev.mp4
233_【金融案例】08-Leaking-proof式目标编码_ev.mp4
234_【金融案例】09-GAME策略和bureau表单的业务特征衍生_ev.mp4
235_【金融案例】10-GAME策略的进阶应用：相对性行为分析和分层聚合分析_ev.mp4
236_【金融案例】11-GAME策略在附表中的综合应用_ev.mp4
237_【金融案例】12-自动化衍生技巧以及featuretools库的基本流程_ev.mp4
238_【金融案例】13-featuretools在HomeCredit数据集的进阶应用_ev.mp4
239_【金融案例】-14-特征工程成果与focal-loss原理精讲_ev.mp4
240_【金融案例】-15-focal-loss-在二分类上的实现_ev.mp4
241_【金融案例】-16-focal-loss在多分类上的实现_ev.mp4
242_【金融案例】17-Leaking-Usage：重复申请人漏洞_ev.mp4
243_【金融案例】18-optuna实现贝叶斯优化_ev.mp4
244_【金融案例】19-逆向工程与无限融合_ev.mp4
245_【股价项目】01认识量化交易和股票收益预测_ev.mp4
246_【股价项目】02-股票相关的金融概念与评估指标_ev.mp4
247_【股价项目】03-kaggle三大经典比赛形式_ev.mp4
248_【股价项目】04-股票数据的特征含义与业务理解_ev.mp4
249_【股价项目】05-数据探索与股票字段的深入理解_ev.mp4
250_【股价项目】06-basline的建立_ev.mp4
251_【股价项目】-07-kaggle常见Q&A_ev.mp4
252_【股价项目】08-趋势特征分析简介_ev.mp4
253_【股价项目】-09-历史平移和增长率特征_ev.mp4
254_【股价项目】-10-窗口统计特征_ev.mp4
255_【股价项目】-11-指数加权移动平均_ev.mp4
256_【股价项目】-12-市场波动特征_ev.mp4
257_【股价项目】-13-时序特征工程在股价数据中的应用_ev.mp4
258_【股价项目】-14-行业分段建模与模型融合_ev.mp4
暂无评论内容