重原理、强实战、去黑盒的 机器学习入门经典教程。不同于市面上只教调用库的“快餐式”课程，本课程坚持 “手推公式 + 源码实现 + 库应用” 的三位一体教学法。课程以 Python3 为语言基础，依托 Numpy、Matplotlib 和 Scikit-learn 技术栈，带你从零构建机器学习知识体系。从 KNN、线性回归 等基础算法入手，深入剖析 梯度下降、正规方程、损失函数 等核心数学原理；进而掌握 PCA 降维、逻辑回归、SVM 支持向量机、决策树 及 随机森林 等高级模型。课程特别强调 模型泛化能力，详细讲解 过拟合/欠拟合、交叉验证、正则化 (L1/L2) 及 混淆矩阵/ROC 曲线 等评估指标。通过 MNIST 手写数字识别、人脸识别 等真实案例，让你不仅会用算法，更懂算法背后的“为什么”，真正打通从理论到落地的最后一公里。
课程目录：
+—第1章 欢迎来到Python3玩转机器学习
| 1-1 什么是机器学习.mp4
| 1-2课程涵盖的内容和理念.mp4
| 1-3课程所使用的技术栈.mp4
|
+—第2章 机器学习基础
| 2-1 机器学习的数据.mp4
| 2-2 机器学习的主要任务.mp4
| 2-3 监督学习、非监督学习….mp4
| 2-4 批量、在线学习、参数、非参数学习.mp4
| 2-5 哲学思考.mp4
| 2-6 课程使用环境搭建.mp4
|
+—第3章 Jupyter Notebook ,numpy
| 3-1 Jupyter Notebook基础.mp4
| 3-10 Numpy中的比较和Fancy lindexing.mp4
| 3-11 Matplotlib数据可视化基础.mp4
| 3-12 数据加载和简单的数据搜索.mp4
| 3-2Jupter Notebook 中的魔法命令.mp4
| 3-3 Numpy 数据基础.mp4
| 3-4 创建Numpy 数据和矩阵.mp4
| 3-5 Numpy数组和矩阵的基本操作.mp4
| 3-6 Numpy 数据和矩阵的合并与分割.mp4
| 3-7 Numpy中的矩阵运算.mp4
| 3-8 Numpy 中的聚合运算.mp4
| 3-9 Numpy中的arg运算.mp4
|
+—第4章 最基础的分类算法
| 4-1 K近邻算法.mp4
| 4-2 scikit-learn机器学习算法封装.mp4
| 4-3 训练数据集.mp4
| 4-4 分类准确度.mp4
| 4-5 超参数.mp4
| 4-6 网络搜索与K邻近算法中更多超参数.mp4
| 4-7 数据归一化.mp4
| 4-8 Scikit-learn中的Scaler.mp4
| 4-9 更多有关K近邻算法的思考.mp4
|
+—第5章 线性回归法
| 5-1 简单线性回归.mp4
| 5-10 线性回归的可解释性.mp4
| 5-2 最小乘法.mp4
| 5-3 简单线性回归的实现.mp4
| 5-4 衡量线性回归的指标.mp4
| 5-5 R Squared.mp4
| 5-6 最好的衡量线性回归法的指标.mp4
| 5-7多元线性回归和正规方程解.mp4
| 5-8 实现多元线性回归.mp4
| 5-9 使用Scilit-learn解决回归问题.mp4
|
+—第6章 梯度下降法
| 6-1 什么是梯度下降法.mp4
| 6-2线性回归中的梯度下降法.mp4
| 6-3实现线性回归中的梯度下降法.mp4
| 6-4 实现线性回归中的梯度下降法.mp4
| 6-5 梯度下降法的向量化.mp4
| 6-6 随机梯度下降法.mp4
| 6-7 scikit-learn中的梯度下降法.mp4
| 6-8有关梯度下降法的更多深入讨论.mp4
| 6-9 有关梯度下降法的更多讨论.mp4
|
+—第7章 PCA与梯度上升法
| 7-1 什么是PCA.mp4
| 7-2 求数据的主成分PCA问题.mp4
| 7-3 求数据的主成分.mp4
| 7-4 高维数据映射为低维数据（）.mp4
| 7-5 高纬数据映射为低纬数据.mp4
| 7-6 scikit-learn中的PCA.mp4
| 7-7 试手MNIST数据集.mp4
| 7-8 使用PCA对数据进行降噪.mp4
| 7-9 人脸识别与特征脸.mp4
|
+—第8章 多项式回归与模型泛化
| 8-1 什么是多项式回归.mp4
| 8-10 L1，L2弹性网络.mp4
| 8-2 scikit-learn 中的多项式回归.mp4
| 8-3 过拟合与欠拟合.mp4
| 8-4 为什么要训练数据集与测试数据集.mp4
| 8-5 学习曲线.mp4
| 8-6 验证数据集与交叉验证.mp4
| 8-7 偏差方差平衡.mp4
| 8-8 模型泛化与岭回归.mp4
| 8-9 LASSO.mp4
|
\—第9章 逻辑回归
9-1 什么是逻辑回归.mp4
9-2 逻辑回归的损失函数.mp4
9-3 逻辑回归损失函数的梯度.mp4
9-4 实现逻辑回归算法.mp4
9-5 决策边界.mp4
9-6 在逻辑回归中使用多项式特征.mp4
9-7 scikt-learn中的逻辑回归.mp4
9-8 OvR与OvO.mp4
+—第10章 评价分类结果
| 10-1准确度的陷阱和混淆矩阵.mp4
| 10-2 准确率和召回率.mp4
| 10-3 现实混淆矩阵.mp4
| 10-4 F1 Score.mp4
| 10-5 准确率和召回率的平衡.mp4
| 10-6 准确率召回率曲线.mp4
| 10-7 ROC曲线.mp4
| 10-8 多分类问题中的混淆矩阵.mp4
|
+—第11章 支撑向量机SVM
| 11-1 什么是SVM.mp4
| 11-2 svm背后的最优化问题.mp4
| 11-3 Soft Margin SVM.mp4
| 11-4 Scikit-learn 中的SVM.mp4
| 11-5 SVM中使用多项式特征和核函数.mp4
| 11-6 什么是核函数.mp4
| 11-7RBF核函数.mp4
| 11-8 RBF核函数中的gamma.mp4
| 11-9 SVM思想解决回归问题.mp4
|
+—第12章 决策树
| 12-1 什么是决策树.mp4
| 12-2 信息熵.mp4
| 12-3 – 12-5.mp4
| 12-6 – 12-7 .mp4
|
+—第13章 集成学习和随机森林
| 13章.mp4
|
+—第14章 更多机器学习算法
| 14章 学习scikit-learn文档，大家加油！.mp4
下载地址：
感谢您的来访，获取更多精彩文章请收藏本站。
