课程目录：

├── 001_机器学习课程简介.mp4
├── 002_数学基础_导数的概念和基本公式.mp4
├── 003_数学基础_基本求导法则.mp4
├── 004_数学基础_用导数求极值和二阶导数.mp4
├── 005_数学基础_代码绘制导函数图像.mp4
├── 006_数学基础_偏导数.mp4
├── 007_数学基础_方向导数.mp4
├── 008_数学基础_梯度.mp4
├── 009_数学基础_标量与向量.mp4
├── 010_数学基础_向量代码测试.mp4
├── 011_数学基础_矩阵概念及基本运算.mp4
├── 012_数学基础_矩阵基本运算代码测试.mp4
├── 013_数学基础_矩阵的其它运算和张量.mp4
├── 014_数学基础_矩阵其它运算代码测试.mp4
├── 015_数学基础_矩阵求导.mp4
├── 016_数学基础_梯度矩阵.mp4
├── 017_数学基础_概率的基本概念和计算.mp4
├── 018_数学基础_概率分布.mp4
├── 019_数学基础_贝叶斯定理.mp4
├── 020_数学基础_似然函数和极大似然估计.mp4
├── 021_机器学习_概述.mp4
├── 022_机器学习_概念范畴.mp4
├── 023_机器学习_发展历史.mp4
├── 024_机器学习_应用领域.mp4
├── 025_机器学习_基本术语.mp4
├── 026_机器学习_分类.mp4
├── 027_机器学习_常见方法.mp4
├── 028_核心原理_监督学习建模流程.mp4
├── 029_核心原理_特征工程_整体介绍.mp4
├── 030_核心原理_特征工程_低方差过滤法.mp4
├── 031_核心原理_特征工程_相关系数法_Pearson.mp4
├── 032_核心原理_特征工程_相关系数法_Spearman.mp4
├── 033_核心原理_特征工程_PCA降维.mp4
├── 034_核心原理_损失函数.mp4
├── 035_核心原理_经验误差和泛化误差.mp4
├── 036_核心原理_欠拟合和过拟合.mp4
├── 037_核心原理_拟合案例_整体思路.mp4
├── 038_核心原理_拟合案例_导入模块和生成数据.mp4
├── 039_核心原理_拟合案例_欠拟合.mp4
├── 040_核心原理_拟合案例_恰好拟合和过拟合.mp4
├── 041_核心原理_正则化.mp4
├── 042_核心原理_正则化案例.mp4
├── 043_核心原理_交叉验证.mp4
├── 044_核心原理_模型求解_解析法.mp4
├── 045_核心原理_模型求解_梯度下降法.mp4
├── 046_核心原理_模型求解_梯度下降法案例1.mp4
├── 047_核心原理_模型求解_梯度下降法案例2.mp4
├── 048_核心原理_模型求解_学习率测试.mp4
├── 049_核心原理_模型求解_梯度下降法的应用.mp4
├── 050_核心原理_模型求解_牛顿法和拟牛顿法.mp4
├── 051_核心原理_回归评价指标.mp4
├── 052_核心原理_分类评价指标_混淆矩阵.mp4
├── 053_核心原理_分类评价指标_准确率、精确率、召回率和F1.mp4
├── 054_核心原理_分类评价指标_评估报告.mp4
├── 055_核心原理_分类评价综合案例.mp4
├── 056_核心原理_分类评价指标_ROC曲线.mp4
├── 057_核心原理_分类评价指标_AUC.mp4
├── 058_KNN_基本原理.mp4
├── 059_KNN_分类示例代码.mp4
├── 060_KNN_回归示例代码.mp4
├── 061_KNN_常见距离度量方法.mp4
├── 062_KNN_归一化.mp4
├── 063_KNN_归一化代码测试.mp4
├── 064_KNN_标准化.mp4
├── 065_KNN_心脏病检测案例_数据集加载.mp4
├── 066_KNN_心脏病检测案例_特征工程.mp4
├── 067_KNN_心脏病检测案例_模型训练、保存和预测.mp4
├── 068_KNN_心脏病检测案例_网格搜索和交叉验证.mp4
├── 069_线性回归_基本概念和应用.mp4
├── 070_线性回归_API调用.mp4
├── 071_线性回归_损失函数.mp4
├── 072_线性回归_一元线性回归解析解.mp4
├── 073_线性回归_正规方程法求解.mp4
├── 074_线性回归_API调用_截距参数.mp4
├── 075_线性回归_梯度下降法.mp4
├── 076_线性回归_梯度下降法_手动代码实现.mp4
├── 077_线性回归_梯度下降法API_SGDRegressor.mp4
├── 078_线性回归_梯度下降法案例_广告效果预测.mp4
├── 079_逻辑回归_基本原理和应用.mp4
├── 080_逻辑回归_损失函数.mp4
├── 081_逻辑回归_损失函数的梯度.mp4
├── 082_逻辑回归_API介绍.mp4
├── 083_逻辑回归案例_心脏病检测.mp4
├── 084_逻辑回归_多分类_OVR.mp4
├── 085_逻辑回归_多分类_Softmax回归.mp4
├── 086_逻辑回归案例_手写数字识别_数据集加载.mp4
├── 087_逻辑回归案例_手写数字识别_模型训练和预测.mp4
├── 088_感知机_基本原理.mp4
├── 089_感知机_表示逻辑门电路.mp4
├── 090_感知机_逻辑门代码实现_与门.mp4
├── 091_感知机_逻辑门代码实现_与非门和或门.mp4
├── 092_感知机_感知机的局限.mp4
├── 093_感知机_多层感知机实现异或门.mp4
├── 094_朴素贝叶斯_基本原理.mp4
├── 095_朴素贝叶斯_极大似然估计.mp4
├── 096_朴素贝叶斯_贝叶斯估计.mp4
├── 097_朴素贝叶斯_学习和分类.mp4
├── 098_决策树_基本原理.mp4
├── 099_决策树_工作过程.mp4
├── 100_决策树_信息熵和条件熵.mp4
├── 101_决策树_信息增益和ID3.mp4
├── 102_决策树_信息增益率和C4.5.mp4
├── 103_决策树_基尼指数和CART.mp4
├── 104_决策树_剪枝.mp4
├── 105_SVM_基本介绍.mp4
├── 106_SVM_线性可分SVM.mp4
├── 107_SVM_线性SVM.mp4
├── 108_SVM_非线性SVM.mp4
├── 109_集成学习_基本概念和分类.mp4
├── 110_集成学习_AdaBoost.mp4
├── 111_集成学习_随机森林.mp4
├── 112_无监督学习_聚类_整体介绍.mp4
├── 113_无监督学习_聚类_K-means.mp4
├── 114_无监督学习_聚类_层次聚类.mp4
├── 115_无监督学习_聚类_密度聚类.mp4
├── 116_无监督学习_聚类_KMeans代码示例.mp4
├── 117_无监督学习_聚类_评价指标.mp4
├── 118_无监督学习_降维_SVD基本原理.mp4
├── 119_无监督学习_降维_SVD代码调用.mp4
└── 120_无监督学习_降维_PCA.mp4
├── data
│ ├── advertising.csv
│ ├── heart_disease.csv
│ └── train.csv
├── 代码
│ └── notebook
│ ├── .ipynb_checkpoints
│ │ ├── 1_func_test-checkpoint.ipynb
│ │ ├── 2_vector-checkpoint.ipynb
│ │ ├── 3_matrix-checkpoint.ipynb
│ │ └── 4_probability-checkpoint.ipynb
│ ├── 1_func_test.ipynb
│ ├── 2_vector.ipynb
│ ├── 3_matrix.ipynb
│ └── 4_probability.ipynb
├── 资料&算法图都在笔记中
│ ├── 机器学习算法图
│ │ ├── 图片1.png
│ │ ├── 图片10.png
│ │ ├── 图片11.png
│ │ ├── 图片12.png
│ │ ├── 图片13.png
│ │ ├── 图片14.png
│ │ ├── 图片15.png
│ │ ├── 图片16.png
│ │ ├── 图片17.png
│ │ ├── 图片18.png
│ │ ├── 图片19.png
│ │ ├── 图片2.png
│ │ ├── 图片20.png
│ │ ├── 图片21.png
│ │ ├── 图片22.png
│ │ ├── 图片23.png
│ │ ├── 图片24.png
│ │ ├── 图片25.png
│ │ ├── 图片26.png
│ │ ├── 图片27.png
│ │ ├── 图片28.png
│ │ ├── 图片29.png
│ │ ├── 图片3.png
│ │ ├── 图片30.png
│ │ ├── 图片31.png
│ │ ├── 图片32.png
│ │ ├── 图片33.png
│ │ ├── 图片34.png
│ │ ├── 图片35.png
│ │ ├── 图片36.png
│ │ ├── 图片37.png
│ │ ├── 图片38.png
│ │ ├── 图片39.png
│ │ ├── 图片4.png
│ │ ├── 图片40.png
│ │ ├── 图片41.png
│ │ ├── 图片42.png
│ │ ├── 图片43.png
│ │ ├── 图片44.png
│ │ ├── 图片45.png
│ │ ├── 图片46.png
│ │ ├── 图片47.png
│ │ ├── 图片48.png
│ │ ├── 图片49.png
│ │ ├── 图片5.png
│ │ ├── 图片50.png
│ │ ├── 图片51.png
│ │ ├── 图片52.png
│ │ ├── 图片53.png
│ │ ├── 图片54.png
│ │ ├── 图片55.png
│ │ ├── 图片56.png
│ │ ├── 图片57.png
│ │ ├── 图片58.png
│ │ ├── 图片59.png
│ │ ├── 图片6.png
│ │ ├── 图片60.png
│ │ ├── 图片61.png
│ │ ├── 图片62.png
│ │ ├── 图片63.png
│ │ ├── 图片64.png
│ │ ├── 图片65.png
│ │ ├── 图片66.png
│ │ ├── 图片67.png
│ │ ├── 图片68.png
│ │ ├── 图片7.png
│ │ ├── 图片8.png
│ │ └── 图片9.png
│ ├── 尚硅谷大模型技术之机器学习1.3.1.docx
│ └── 尚硅谷大模型技术之数学基础1.2.1.docx