九天菜菜-机器学习实战

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：https://pan.baidu.com/s/1WHANVkZ6u4fl9Y5qHanySQ?pwd=9527
夸克：https://pan.quark.cn/s/48217ff8bd02

???? 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 #baidu #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