夸克网盘
10积分
![某大学出版社1416册图书资源 [PDF]](https://xuequba.com/wp-content/uploads/thumb/replace/2026/02/15/fill_w300_h200_g0_mark_7dfc55c5aa70d6677b68cefad3dbd3ae.webp)
![某大学出版社1416册图书资源 [PDF]](https://xuequba.com/wp-content/uploads/thumb/replace/2026/02/15/fill_w240_h160_g0_mark_7dfc55c5aa70d6677b68cefad3dbd3ae.webp)
【微职位】51CTO Python数据分析与机器学习实战课程，系统地讲解Python在数据分析与机器学习领域的应用。课程从Python基础语法入门讲起，逐步深入到各类核心算法实战，助力学习者掌握人工智能与数据科学的全流程技能。
课程覆盖了数据预处理、建模、可视化，直至应用落地的完整路径。无论是希望系统学习机器学习的学生，还是寻求提升技能的从业者，都能从中受益。通过学习，学员能够熟练运用Python进行数据处理、建模与可视化，掌握主流机器学习算法与深度学习框架，并具备独立完成数据分析与预测建模项目的能力。
课程还包含丰富的案例实战，如信用卡欺诈检测、泰坦尼克船员获救分析等，让学员在实际操作中加深对知识的理解和运用。此外，课程对多种算法如线性回归、决策树、支持向量机等进行了详细讲解和实践，帮助学员全面提升数据分析与机器学习的实战水平。
001、AI时代首选Python.mp434.92MB002、Python我该怎么学？.mp419.67MB003、人工智能的核心-机器学习.mp435.85MB004、机器学习怎么学？.mp450.5MB005、算法推导与案例.mp434.1MB006、系列课程环境配置.mp423.95MB007、快速入门，边学边用.mp44.05MB008、变量类型.mp430.56MB009、List基础模块.mp441.98MB010、List索引.mp448.42MB011、循环结构.mp446.05MB012、判断结构.mp423.29MB013、字典模块.mp459.3MB014、文件处理.mp465.44MB015、函数基础.mp417.17MB016、Numpy数据结构.mp465.22MB017、Numpy基本操作.mp439.41MB018、Numpy矩阵属性.mp436.58MB019、Numpy矩阵操作.mp4117.92MB020、Numpy常用函数.mp4164.22MB021、Pandas数据读取.mp468.13MB022、Pandas索引与计算.mp427.61MB023、Pandas数据预处理实例.mp430.49MB024、Pandas常用预处理方法.mp423.61MB025、Pandas自定义函数.mp421.6MB
026、等待提取中.txt0B027、折线图绘制.mp450.14MB028、子图操作.mp474.33MB029、条形图与散点图.mp466.55MB030、柱形图与盒形.mp458.14MB031、绘图细节设置.mp435.36MB032、布局整体风格设置.mp437.39MB033、风格细节设置.mp432.86MB034、调色板.mp444.2MB035、调色板颜色设置.mp437.99MB036、单变量分析绘制.mp447.08MB037、回归分析绘图.mp443.68MB038、多变量分析绘图.mp448.64MB039、分类属性绘图.mp451.04MB040、热度图绘制.mp465.84MB041、线性回归算法概述.mp450.92MB042、误差项分析.mp445.04MB043、似然函数求解.mp431.4MB044、目标函数推导.mp432.38MB045、线性回归求解.mp438.14MB046、梯度下降原理.mp447.96MB047、梯度下降方法对比.mp427.91MB048、学习率对结果的影响.mp423.31MB049、逻辑回归算法原理推导.mp439.76MB050、逻辑回归求解.mp457.97MB051、Python实现逻辑回归任务概述.mp447.6MB052、完成梯度下降模块.mp483.79MB053、停止策略与梯度下降策略对比.mp468.14MB054、实验对比效果.mp467MB055、案例背景和目标.mp446MB056、样本不平衡解决方案.mp456.33MB057、下采样策略.mp440.74MB058、交叉验证.mp455.25MB059、模型评估方法.mp452.92MB060、正则化惩罚项.mp432.88MB061、逻辑回归模型.mp441.73MB062、混淆矩阵.mp448.34MB063、逻辑回归阈值对结果的影响.mp455.82MB064、SMOTE样本生成策略.mp487.79MB065、决策树原理概述.mp445.43MB066、衡量标准-熵.mp446.11MB067、决策树构造实例.mp440.06MB068、信息增益率.mp421.99MB069、决策树剪枝策略.mp467.01MB070、决策树复习.mp440.14MB071、决策树涉及参数.mp467.52MB072、树可视化与Sklearn实例.mp4109.45MB073、Sklearn参数选择模块.mp470.97MB074、集成算法-随机森林.mp451.72MB075、特征重要性衡量.mp449.11MB076、提升模型.mp448.77MB077、堆叠模型.mp428.46MB078、数据介绍.mp436.91MB079、数据预处理.mp472.14MB080、回归模型进行预测.mp475.32MB081、随机森林模型.mp468.43MB082、特征选择.mp453.97MB083、贝叶斯算法概述.mp418.95MB084、贝叶斯推导实例.mp420.22MB085、贝叶斯拼写纠错实例.mp430.74MB086、垃圾邮件过滤实例.mp438.28MB087、贝叶斯实现拼写检查器.mp459.73MB088、文本分析与关键词提取.mp432.61MB089、相似度计算.mp434.13MB090、新闻数据与任务简介.mp448.86MB091、TF-IDF关键词提取.mp466.53MB092、LDA建模.mp443.42MB093、基于贝叶斯算法的新闻分类.mp470.75MB094、支持向量机要解决的问题.mp436.66MB095、距离与数据的定义.mp436.05MB096、目标函数.mp434.31MB097、目标函数求解.mp438.31MB098、SVM求解实例.mp448.43MB099、支持向量的作用.mp441.48MB100、软间隔问题.mp422.55MB101、SVM核变换.mp485.51MB102、Sklearn求解支持向量机.mp469.69MB103、SVM参数调节.mp487.32MB104、HTTP检测任务与数据挖掘的核心.mp468.51MB105、论文的重要程度.mp462.72MB106、BenchMark概述.mp441.57MB107、BenchMark的作用.mp483.81MB108、线性判别分析要解决的问题.mp446.78MB109、线性判别分析要优化的目标.mp442.68MB110、线性判别分析求解.mp445.21MB111、Python实现线性判别分析.mp456.74MB112、求解得出降维结果.mp450.68MB113、PCA降维概述.mp427.31MB114、PCA要优化的目标.mp447.3MB115、PCA求解.mp439.99MB116、PCA降维实例.mp4111.99MB117、Kmeans算法概述.mp440.54MB118、Kmeans工作流程.mp429.75MB119、迭代效果可视化展示.mp449.47MB120、DBSCAN聚类算法.mp469.45MB121、DBSCAN工作流程.mp465.74MB122、DBSCAN迭代可视化展示.mp449.99MB123、多种聚类算法概述.mp414.99MB124、聚类案例实战.mp494.23MB125、EM算法要解决的问题.mp436.34MB126、隐变量问题.mp421.03MB127、EM算法求解实例.mp468.29MB128、Jensen不等式.mp437.59MB129、GMM模型.mp432.02MB130、GMM实例.mp468.05MB131、GMM聚类.mp453.17MB132、计算机视觉常规挑战.mp470.57MB133、得分函数.mp417.7MB134、损失函数.mp422.02MB135、softmax分类器.mp433.07MB136、反向传播.mp429.99MB137、神经网络整体架构.mp419.24MB138、神经网络实例.mp434.09MB139、激活函数.mp431.71MB140、Tensorflow基础操作.mp427.64MB141、Tensorflow常用函数.mp434.45MB142、Tensorflow回归实例.mp444.45MB143、Tensorflow神经网络实例.mp472.72MB144、Tensorflow神经网络迭代.mp470.79MB145、神经网络dropout.mp438.27MB146、卷积神经网络基本结构.mp445.73MB147、Tensorflow构造卷积神经网络参数.mp450.22MB148、Pooling层原理与参数.mp440.15MB149、卷积网络参数配置.mp441.01MB150、卷积神经网络计算流程.mp447.19MB151、CNN在mnist数据集上的效果.mp456.27MB152、验证码识别任务概述.mp452.9MB153、完成验证码识别任务.mp467.7MB154、集成算法思想.mp414.16MB155、Xgboost基本原理.mp426.47MB156、Xgboost目标函数推导.mp432.51MB157、Xgboost求解实例.mp440.28MB158、Xgboost安装.mp418.41MB159、Xgboost实例演示.mp470.67MB160、Adaboost算法概述.mp442.24MB161、推荐系统应用.mp440.92MB162、推荐系统要完成的任务.mp417.04MB163、相似度计算.mp426.96MB164、基于用户的协同过滤.mp421.6MB165、基于物品的协同过滤.mp435.42MB166、隐语义模型.mp419.71MB167、隐语义模型求解.mp426.23MB168、模型评估标准.mp415.79MB169、Surprise库与数据简介.mp431.52MB170、Surprise库使用方法.mp446.36MB171、得出商品推荐结果.mp450.34MB172、使用Tensorflow构建隐语义模型.mp446.34MB173、模型架构.mp452.86MB174、损失函数定义.mp443.29MB175、训练网络模型.mp447.07MB176、自然语言处理与深度学习.mp433.46MB177、语言模型.mp413.11MB178、N-gram模型.mp423.35MB179、词向量.mp423.28MB180、神经网络模型.mp428MB181、Hierarchical.mp425.39MB182、CBOW模型实例.mp434.47MB183、CBOW求解目标.mp416.11MB184、梯度上升求解.mp429.58MB185、负采样模型.mp416.89MB186、使用Gensim库构造词向量.mp432.89MB187、维基百科中文数据处理.mp451.64MB188、Gensim构造word2vec.mp445.26MB189、测试相似度结果.mp438.63MB190、数据平稳性与差分法.mp440.23MB191、ARIMA模型.mp426.18MB192、相关函数评估方法.mp441.3MB193、建立AIRMA模型.mp432.44MB194、参数选择.mp460.77MB195、股票预测案例.mp448.04MB196、使用tsfresh库进行分类任务.mp457.82MB197、维基百科词条EDA.mp469.07MB198、Pandas生成时间序列.mp454.98MB199、Pandas数据重采样.mp444.72MB200、Pandas滑动窗口.mp428.32MB201、数据背景介绍.mp455.91MB202、数据读取与预处理.mp464.32MB203、数据切分模块.mp486.16MB204、缺失值可视化分析.mp467.17MB205、特征可视化展示.mp465.12MB206、多特征之间关系分析.mp464.32MB207、报表可视化分析.mp454.81MB208、红牌和肤色的关系.mp483.86MB209、数据背景简介.mp476.43MB210、数据切片分析.mp4113.38MB211、单变量分析.mp499.93MB212、峰度与偏度.mp480.53MB213、数据对数变换.mp468.7MB214、数据分析维度.mp448.31MB215、变量关系可视化展示.mp472.92MB
gensim训练model.exe2.09GB维基百科中文数据.exe2.26GBword2vec.exe93.39MB机器学习算法配套案例实战.exe331.7MB唐宇迪-机器学习课程代码-新整理.exe66.28MB课件与代码.exe922.57MB
