资源内容

001.Lesson 0.1 前言与导学（上）.mp4

002.Lesson 0.2 前言与导学（下）.mp4

003.Lesson 1.1 机器学习基本概念与建模流程（上）.mp4

004.Lesson 1.2 机器学习基本概念与建模流程（下）.mp4

005.Lesson 2.1 矩阵运算基础、矩阵求导与最小二乘法（一）.mp4

006.Lesson 2.2 矩阵运算基础、矩阵求导与最小二乘法（二）.mp4

007.Lesson 2.3 矩阵运算基础、矩阵求导与最小二乘法（三）.mp4

008.Lesson 3.0 线性回归的手动实现.mp4

009.Lesson 3.1 变量相关性基础理论.mp4

010.Lesson 3.2 数据生成器与

模块编写.mp4

011.Lesson 3.3 线性回归手动实现与模型局限.mp4

012.Lesson 3.4 机器学习模型可信度理论与交叉验证基础.mp4

013.Lesson 4.1.1 逻辑回归模型构建与多分类学习方法（上）.mp4

014.Lesson 4.1.2 逻辑回归模型构建与多分类学习方法（下）.mp4

015.Lesson 4.2 逻辑回归参数估计.mp4

016.Lesson 4.3.1 梯度下降基本原理与手动实现（上）.mp4

017.Lesson 4.3.2 梯度下降基本原理与手动实现（下）.mp4

018.Lesson 4.4.1 随机梯度下降与小批量梯度下降（上）.mp4

019.Lesson 4.4.2 随机梯度下降与小批量梯度下降（下）.mp4

020.Lesson 4.5.1 梯度下降优化基础：数据归一化与学习率调度（上）.mp4

021.Lesson 4.5.2 梯度下降优化基础：数据归一化与学习率调度（下）.mp4

022.Lesson 4.6.1 逻辑回归的手动实现方法（上）.mp4

023.Lesson 4.6.2 逻辑回归的手动实现方法（下）.mp4

024.Lesson 5.1 分类模型决策边界.mp4

025.Lesson 5.2 混淆矩阵与F1-Score.mp4

026.Lesson 5.3 ROC-AUC的计算方法、基本原理与核心特性.mp4

027.Lesson 6.1 Scikit-Learn快速入门.mp4

028.Lesson 6.2 Scikit-Learn常用方法速通.mp4

029.Lesson 6.3.1 正则化、过拟合抑制与特征筛选.mp4

030.Lesson 6.3.2 Scikit-Learn逻辑回归参数详解.mp4

031.Lesson 6.4 机器学习调参入门.mp4

032.Lesson 6.5.1 机器学习调参基础理论.mp4

033.Lesson 6.5.2 Scikit-Learn中网格搜索参数详解.mp4

034.Lesson 6.6.1 多分类评估指标函数的使用方法.mp4

035.Lesson 6.6.2 GridSearchCV的进阶使用方法.mp4

036.Lesson 7.1.1 无监督学习与K-Means基本原理.mp4

037.Lesson 7.1.2 K-Means聚类的Scikit-Learn实现.mp4

038.Lesson 7.2 Mini Batch K-Means与DBSCAN聚类.mp4

039.Lesson 8.1 决策树模型的核心思想与建模流程.mp4

040.Lesson 8.2.1 CART分类树的建模流程.mp4

041.Lesson 8.2.2 sklearn中CART分类树的参数详解.mp4

042.Lesson 8.3【加餐】ID3和C4.5的基本原理介绍.mp4

043.Lesson 8.4 CART回归树的建模流程与sklearn中评估器参数解释.mp4

044.Lesson 9.1 集成算法开篇：Bagging方法的基本思想.mp4

045.Lesson 9.2 随机森林回归器的实现.mp4

046.Lesson 9.3 随机森林回归器的参数.mp4

047.Lesson 9.4 集成算法的参数空间与网格优化.mp4

048.Lesson 9.5 随机森林在巨量数据上的增量学习.mp4

049.Lesson 9.6 Bagging及随机森林6大面试热点问题.mp4

050.Lesson 10.1 开篇：超参数优化与枚举网格搜索的理论极限.mp4

051.Lesson 10.2.1 随机网格搜索（上）.mp4

052.Lesson 10.2.2 随机网格搜索（下）.mp4

053.Lesson 10.3.1 Halving网格搜索（上）.mp4

054.Lesson 10.3.2 Halving网格搜索（下）.mp4

055.Lesson 10.4 贝叶斯优化的基本流程.mp4

056.Lesson 10.5 BayesOpt vs HyperOpt vs Optuna.mp4

057.Lesson 10.6 基于BayesOpt实现高斯过程gp优化.mp4

058.Lesson 10.7 基于HyperOpt实现TPE优化.mp4

059.Lesson 10.8 基于Optuna实现多种优化.mp4

060.Lesson 11.1 Boosting的基本思想与基本元素.mp4

061.Lesson 11.2 AdaBoost的参数（上）：弱评估器与学习率.mp4

062.Lesson 11.3 AdaBoost的参数（下）：实践算法与损失函数.mp4

063.Lesson 11.4 原理进阶：AdaBoost算法流程详解.mp4

064.Lesson 12.1 梯度提升树的基本思想与实现.mp4

065.Lesson 12.2 迭代过程中的参数(1)：GBDT的初始化与多分类.mp4

066.Lesson 12.3 迭代过程中的参数(2)：GBDT的8种损失函数.mp4

067.Lesson 12.4 弱评估器结构参数：弗里德曼均方误差.mp4

068.Lesson 12.5 梯度提升树的提前停止.mp4

069.Lesson 12.6 袋外数据与其他参数.mp4

070.Lesson 12.7 梯度提升树的参数空间与TPE优化.mp4

071.Lesson 12.8 原理进阶 (1)：GBDT数学流程与残差概念辨析.mp4

072.Lesson 12.9 原理进阶 (2)：拟合伪残差的数学意义与数学证明.mp4

073.Lesson 13.1.1 XGBoost的基本思想.mp4

074.Lesson 13.1.2 实现XGBoost回归：sklearnAPI详解.mp4

075.Lesson 13.1.3 实现XGBoost回归：xgb原生代码详解.mp4

076.Lesson 13.1.4 实现XGBoost分类：目标函数与评估指标详解.mp4

077.Lesson 13.2.1 基本迭代过程中的参数群.mp4

078.Lesson 13.2.2 目标函数及其相关参数.mp4

079.Lesson 13.2.3 三种弱评估器与DART树详解.mp4

080.Lesson 13.2.4 弱评估器的分枝：结构分数与结构分数增益.mp4

081.Lesson 13.2.5 控制复杂度：弱评估器的剪枝与训练数据.mp4

082.Lesson 13.2.6 XGBoost中的必要功能性参数.mp4

083.Lesson 13.3.1 XGBoost的参数空间.mp4

084.Lesson 13.3.2 XGBoost基于TPE的调参.mp4

085.Lesson 13.4.1 XGBoost的基本数学流程.mp4

086.Lesson 13.4.2 化简XGBoost的目标函数.mp4

087.Lesson 13.4.3 求解XGBoost的损失函数.mp4

088.Lesson 14.1.1 LightGBM入门与原理框架介绍.mp4

089.Lesson 14.1.2 LightGBM EFB互斥特征捆绑策略.mp4

090.Lesson 14.2.1 基于梯度的单边采样方法.mp4

091.Lesson 14.2.2 LightGBM分裂增益计算过程与叶节点优先生长策略.mp4

092.Lesson 14.2.3 LightGBM直方图优化算法.mp4

093.Part 1.1 业务背景与Kaggle平台使用方法介绍.mp4

094.Part 1.2 数据字段解释与数据质量检验.mp4

095.Part 1.3 字段类型转化与缺失值填补.mp4

096.Part 1.4 异常值检测.mp4

097.Part 1.5 相关性分析.mp4

098.Part 1.6 数据探索性分析与可视化呈现.mp4

099.【用户流失】Part 2.1 数据重编码：OrdinalEncoder过程.mp4

100.Part 2.2 数据重编码：OneHotEncoder过程.mp4

101.Part 2.3 转化器流水线：ColumnTransformer过程.mp4

102.Part 2.4 特征变换：数据标准化与归一化.mp4

103.Part 2.5 连续变量分箱：等宽、等频与聚类分箱.mp4

104.Part 2.6 连续变量分箱：目标编码与有监督分箱.mp4

105.Part 2.7 逻辑回归机器学习流构建与训练.mp4

106.Part 2.8 逻辑回归机器学习流超参数搜索调优.mp4

107.【用户流失】Part 2.9 自定义sklearn评估器网格搜索.mp4

108.【用户流失】Part 2.10 逻辑回归模型解释与特征系数解读.mp4

109.【用户流失】Part 2.11 决策树模型训练与优化.mp4

110.Part 2.12 决策树模型解释与结果解读.mp4

111.Part 3.1.1 特征衍生方法综述.mp4

112.Part 3.1.2 基于业务的新用户标识字段创建与验证.mp4

113.Part 3.1.3 基于业务的服务购买字段创建.mp4

114.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.mp4

115.Part 3.1.5 借助IV值检验衍生特征有效性方法.mp4

116.Part 3.1.6 基于数据探索的合约字段创建与验证.mp4

117.Part 3.2.1 单变量特征衍生方法.mp4

118.Part 3.2.2 四则运算衍生与分组交叉衍生.mp4

119.Part 3.2.3 分组统计特征衍生.mp4

120.Part 3.2.4 多项式特征衍生.mp4

121.Part 3.2.5 统计演变特征.mp4

122.Part 3.2.6 多变量交叉组合特征衍生.mp4

123.Part 3.2.7 多变量分组统计衍生方法介绍.mp4

124.Part 3.2.8 多变量分组统计函数编写.mp4

125.Part 3.2.9 多变量多项式衍生与笛卡尔积运算.mp4

126.Part 3.2.10 多变量多项式衍生函数创建.mp4

127.Part 3.2.11 时序特征分析方法.mp4

128.Part 3.2.12 时序特征衍生与自然周期划分.mp4

129.Part 3.2.13 时序特征衍生本质与时间差值衍生.mp4

130.Part 3.2.14 时序特征衍生函数创建.mp4

131.Part 3.2.15 时间序列分析简介.mp4

132.Part 3.2.16 词向量化与TF-IDF.mp4

133.Part 3.2.17 NLP特征衍生方法介绍.mp4

134.Part 3.2.18 NLP特征衍生函数编写与使用.mp4

135.Part 3.2.19（新） 交叉组合与多项式衍生高阶函数.mp4

136.Part 3.2.20 分组统计高阶函数编写.mp4

137.Part 3.2.21 目标编码.mp4

138.Part 3.2.22 关键特征衍生高阶函数.mp4

139.Part 3.2.23特征衍生实战-1.mp4

140.Part 3.2.24 特征衍生实战-2.mp4

141.Part 3.2.25 特征衍生实战-3.mp4

142.Part 3.2.26 特征衍生实战-4.mp4

143.Part 3.2.27 特征衍生流程总结.mp4

144.Part 3.3.0 特征筛选技术介绍.mp4

145.Part 3.3.1 缺失值过滤与方差过滤.mp4

146.Part 3.3.2 评分函数与特征筛选评估器.mp4

147.Part 3.3.3 假设检验基本流程.mp4

148.Part 3.3.4 卡方检验与特征筛选.mp4

149.Part 3.3.5 方差分析与特征筛选.mp4

150.Part 3.3.6 线性相关性的F检验.mp4

151.Part 3.3.7 离散变量之间的互信息法.mp4

152.Part 3.3.8 连续变量与离散变量的互信息法.mp4

153.Part 3.3.9 连续变量之间的互信息计算过程.mp4

154.Part 3.3.10 互信息法特征筛选实践.mp4

155.Part 3.3.11 feature_importance特征筛选.mp4

156.Part 3.3.12 RFE筛选与RFECV筛选.mp4

157.Part 3.3.13 SFS方法与SFM方法.mp4

158.Part 3.3.14 特征筛选方法总结.mp4

159.Part 4.0第四部分导学.mp4

160.Part 4.1.1 海量特征衍生与筛选（上）.mp4

161.Part 4.1.2 海量特征衍生与筛选（下）.mp4

162.Part 4.2.1 网格搜索超参数优化实战（上）.mp4

163.Part 4.2.2 网格搜索超参数优化实战（下）.mp4

164.Part 4.3.1 模型融合与深度森林技术体系介绍.mp4

165.Part 4.3.2.1 投票法与均值法.mp4

166.Part 4.3.2.2 阈值移动的TPE搜索与交叉验证.mp4

167.Part 4.3.3.1（新） 加权平均融合与理论最优权重.mp4

168.Part 4.3.3.2（新） 加权平均法的经验法权重设置策略.mp4

169.Part 4.3.3.3 基于搜索空间裁剪的权重搜索策略.mp4

170.Part 4.3.3.4 交叉训练与Stacking融合的基本思路.mp4

171.Part 4.3.4.1 交叉训练基本思想和数据准备.mp4

172.Part 4.3.4.2 随机森林模型的交叉训练过程.mp4

173.Part 4.3.4.3 决策树&逻辑回归的交叉训练.mp4

174.Part 4.3.4.4 基于交叉训练的TPE搜索融合.mp4

175_Part-4.3.5.1-细粒度&多级分层加权融合原理.mp4

176_Part-4.3.5.2-细粒度&多级分层加权融合实践.mp4

177_Part-4.3.6.1-Stacking基本原理与手动实现方法.mp4

178_Part-4.3.6.2-Stacking优化方法初阶.mp4

179_Part-4.3.7.1-Stacking一级学习器训练策略.mp4

180_Part-4.3.7.2-Stacking元学习器优化流程.mp4

181_Part-4.3.8.1-Stacking自动超参数交叉训练函数.mp4

182_Part-4.3.8.2-Stacking自动元学习器优化函数.mp4

183_Part-4.3.9-Blending融合原理与实践.mp4

184_Part-4.3.10-Blending融合进阶优化策略.mp4

185_Part-4.3.11.1-回归类集成算法优化策略（上）.mp4

186_Part-4.3.11.2-回归类集成算法优化策略（下）.mp4

187_Part-4.3.12.1-回归问题的加权平均融合方法实践.mp4

188_Part-4.3.12.2-回归问题的Stacking&Blending融合方法.mp4

189_【金融案例】01-认识捷信金融还款风险预测.mp4

190_【金融案例】02-比赛背景与目标.mp4

191_【金融案例】03-比赛背景与目标主表的特征字段讲解以及缺失值的处理.mp4

192_【金融案例】04数据探索：主表的异常值处理以及相关性分析.mp4

193_【金融案例】05海量数据处理入门.mp4

194_【金融案例】06三剑客建立baseline.mp4

195_【金融案例】07-主表的领域特征：还款业务指标.mp4

196_【金融案例】08-Leaking-proof式目标编码.mp4

197_【金融案例】09-GAME策略和bureau表单的业务特征衍生.mp4

198_【金融案例】11GAME策略在附表中的综合应用.mp4

199_【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.mp4

200_【金融案例】12自动化衍生技巧以及featuretools库的基本流程.mp4

201_【金融案例】13-featuretools在HomeCredit数据集的进阶应用.mp4

202_【金融案例】-14-特征工程成果与focal-loss原理精讲.mp4

203_【金融案例】-15-focal-loss-在二分类上的实现.mp4

204_【金融案例】17-Leaking-Usage：重复申请人漏洞.mp4

205_【金融案例】-16-focal-loss在多分类上的实现.mp4

206_【金融案例】-18-optuna实现贝叶斯优化.mp4

207_【金融案例】19-逆向工程与无限融合.mp4

208_【股价项目】01认识量化交易和股票收益预测.mp4

209_【股价项目】02-股票相关的金融概念与评估指标.mp4

210_【股价项目】03-kaggle三大经典比赛形式.mp4

211_【股价项目】04-股票数据的特征含义与业务理解.mp4

212_【股价项目】05-数据探索与股票字段的深入理解.mp4

213_【股价项目】06-basline的建立.mp4

214_【股价项目】-07-kaggle常见Q&A.mp4

215_【股价项目】08-趋势特征分析简介.mp4

216_【股价项目】-09-历史平移和增长率特征.mp4

217_【股价项目】10-窗口统计特征.mp4

218_【股价项目】12-市场波动特征.mp4

219_【股价项目】11-指数加权移动平均.mp4

220_【股价项目】13-时序特征工程在股价数据中的应用.mp4

221_【股价项目】14-行业分段建模与模型融合.mp4

222_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务.mp4

223_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分.mp4

224_【WDSM时序案例】03-赛题理解(3)-解读测试数据集.mp4

225_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上).mp4

226_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下).mp4

227_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息.mp4

228_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息.mp4

229_【WDSM时序案例】08-理解时序预测(1)-单变量vs多变量时间序列.mp4

230_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点.mp4

231_【WDSM时序案例】09-理解时序预测(2)-时间序列的训练与预测（上）.mp4

232_【WDSM时序案例】10-理解时序预测(3)-时间序列的训练与预测（下）.mp4

233_【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.mp4

234_【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.mp4

235_【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.mp4

236_【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.mp4

237_【WDSM时序案例】16【加餐】时序模型-(3)-MA模型原理与公式讲解.mp4

238_【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.mp4

239_【WDSM时序案例】17【加餐】时序模型-(4)-MA模型训练与测试流程.mp4

240_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算.mp4

241_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算.mp4

242_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像.mp4

243_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求.mp4

244_【WDSM时序案例】23【加餐】时序模型-(10)-确定p、d、q的超参数值.mp4

245_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势.mp4

246_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标.mp4

247_【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.mp4

248_【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.mp4

249_【WDSM时序案例】27【加餐】ARIMA模型的实现-(3)-确定d值，进行建模.mp4

250_【WDSM时序案例】29【加餐】ARIMA模型的实现-(5)-选择最佳参数组合.mp4

251_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单.mp4

252_【WDSM时序案例】31-多变量时序模型(2)-VAR与VARMA模型的数学表示.mp4

253_【WDSM时序案例】30-多变量时序模型(1)-多变量模型的基本思想.mp4

254_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现.mp4

255_【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.mp4

256_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX.mp4

257_【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.mp4