名称：九天菜菜-机器学习实战
描述：这是一门由“九天菜菜”主讲的机器学习实战课程，内容极其全面和深入，覆盖了从机器学习基础到高级实战项目的全流程。课程从基本概念、矩阵运算、线性回归和逻辑回归的手动实现入手，深入讲解了梯度下降家族算法、模型评估、Scikit-Learn应用、决策树、集成算法(Bagging、随机森林、AdaBoost、GBDT、XGBoost、LightGBM)、超参数优化(网格搜索、贝叶斯优化、Halving、Optuna)等核心主题。最大的亮点是包含了多个大型实战项目，如用户流失预测、金融风控、股价预测、时间序列预测(WSDM案例)，并详细演示了特征工程、特征衍生、特征筛选、模型融合(Stacking, Blending)等工业级技巧。课程注重“手动实现”以加深理解，并紧密结合理论与代码实践，旨在培养学员的完整机器学习项目能力。
链接：
百度：
知识宝库 - 支付
查看隐藏内容，需支付
3金币 ！
夸克：
📁 大小：68.32 GB
🏷 标签：#机器学习实战 #线性回归 #逻辑回归 #梯度下降 #集成学习 #XGBoost #特征工程 #超参数优化 #模型融合 #时间序列预测 #九天菜菜百度网盘 #quark
└─九天菜菜-机器学习实战
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Python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
