正在播放：人工智能基础《机器学习从入门到实战》课程
正在加载播放地址...
课程目录
- 1-1 人工智能概述
- 1-2 人工智能发展历程
- 1-3 人工智能主要分支
- 1-4 人工智能必备三要素
- 1-5 人工智能工作流程概述
- 1-6 数据集的介绍.
- 1-7 特征工程介绍
- 1-8 机器学习算法分类
- 1-9 分类模型评估介绍
- 1-10 回归模型评估和拟合问题
- 1-11 azure平台实验演示
- 1-12 深度学习简介
- 2-1 机器学习基础环境库的安装
- 2-2 jupyter基本使用介绍
- 2-3 jupytermarkdown功能演示
- 3-1 matplotlin基本简介
- 3-2 基础绘图功能演示 图像保存 xy轴刻度 添加网格
- 3-3 多次plot和显示图例
- 3-4 多个坐标系显示图像
- 3-5 折线图的应用场景
- 3-6 今日总结
- 4-1 昨日复习
- 4-2 常见图形绘制
- 4-3 numpy基本介绍
- 4-4 ndarray介绍
- 4-5 生成数组
- 4-6 正态分布和均匀分布
- 4-7 切片和形状修改
- 4-8 类型修改和数组去重
- 4-9 ndarray运算
- 4-10 矩阵介绍（一）
- 4-11 矩阵介绍（二）
- 4-12 数组间运算
- 5-1 pandas介绍和DataFrame使用
- 5-2.案例_电影数据分析2.ev4
- 5-2.索引操作.ev4
- 5-3 今日总结
- 5-4 昨日复习
- 5-5 索引操作
- 5-6 赋值和排序
- 5-7 算术运算和逻辑运算
- 5-8 统计运算
- 5-9 自定义函数运算
- 5-10 pandas画图
- 5-11 csv文件读取和存储
- 5-12 hdf,json数据的读取和存储
- 5-13 缺失值的判断
- 5-14 缺失值删除和替换
- 5-15 缺失值不是NaN的处理情况
- 5-16 数据离散化
- 5-17 数据合并
- 5-18 交叉表和透视表
- 5-19 分组和聚合
- 5-20 今日总结
- 5-21 科学计算库三天内容复习
- 5-22 电影数据分析案例
- 5-23 昨日复习
- 5-24 案例-电影数据分析
- 6-1 k近邻算法简介
- 6-2 k近邻算的初步使用
- 6-3 距离度量（一）
- 6-4 距离度量（二）
- 6-5 距离度量（三）
- 6-6 k值的选择
- 6-7 kd树构造
- 6-8 kd树搜索
- 6-9 kd树搜索
- 6-10 数据集介绍
- 6-11 鸢尾花数据可视化
- 6-12 数据集划分
- 6-13 特征预处理
- 6-14 鸢尾花案例实现
- 6-15 今日总结
- 6-16 昨日复习
- 6-17 knn算法总结
- 6-18 交叉验证
- 6-19 网格搜索
- 6-20 facebook案例预测流程分析
- 7-1 线性回归简介
- 7-2 线性回归api初步使用
- 7-3 数学求导复习（一）
- 7-4 数学求导复习（二）
- 7-5 线性回归损失和正规方程推导（一）
- 7-6 正规方程推导（二）
- 8-1 梯度下降法初步简介
- 8-2 梯度下降法介绍
- 8-3 正规方程api使用
- 8-4 今日总结
- 8-5 昨日复习
- 8-6 梯度下降法案例介绍
- 9-1 欠拟合过拟合简介
- 9-2 岭回归和lasso回归
- 9-3 弹性网络和early stopping
- 9-4 岭回归案例实现
- 9-5 模型保存和加载
- 10-1 逻辑回归介绍
- 10-2 逻辑回归案例实现
- 10-3 精确率和召回率介绍
- 10-4 精确率和召回率api实现
- 10-5 roc和auc案例实现
- 10-6 roc曲线绘制（一）
- 10-7 roc曲线绘制（二）
- 10-8 roc曲线绘制（三）
- 11-1 决策树算法简介
- 11-2 信息熵的介绍
- 11-3 今日总结
- 11-4 昨日复习
- 11-5 信息增益（一）
- 11-6 信息增益（二）
- 11-7 信息增益比
- 11-8 基尼增益（一）
- 11-9 基尼增益（二）
- 11-10 cart剪枝介绍
- 11-11 特征提取介绍和字典特征提取
- 11-12 英文文本特征提取
- 11-13 中文文本特征提取
- 11-14 tfidf介绍
- 11-15 决策树api介绍
- 11-16 决策树案例实现
- 11-17 决策树可视化
- 12-1 集成学习介绍
- 12-2 bagging集成过程简介
- 12-3 随机森林介绍
- 12-4 今日总结
- 12-5 昨日复习
- 12-6 boosting实现流程分析
- 12-7 bagging和boosting对比
- 12-8 GBDT介绍
- 12-9 XGBoost介绍
- 13-1 聚类算法简介
- 13-2 聚类算法api初步使用
- 13-3 聚类算法实现流程简介
- 13-4 聚类算法实现流程案例介绍
- 13-5 模型评估
- 13-6 算法优化（一）
- 13-7 算法优化（二）
- 13-8 特征降维介绍和地低方差特征过滤
- 13-9 相关系数介绍
- 13-10 pca降维
- 13-11 案例-探究用户对物品类别喜好
- 13-12 今日总结
- 13-13 机器学习阶段整体内容复习
- 13-14 pubg项目竞赛说明
- 片尾
《机器学习从入门到实战》是一门专为零基础入门者、编程爱好者、数据分析从业者打造的系统化学科课程，以 “理论 + 工具 + 实战” 三位一体的教学模式，从人工智能基础概念到机器学习核心算法，再到真实项目落地，层层递进拆解知识难点，帮助学习者快速掌握机器学习核心技能，轻松实现从入门到实战的能力跨越。
课程开篇搭建人工智能知识框架，先通过人工智能概述、发展历程、主要分支等内容，让学习者建立对 AI 领域的整体认知；详解人工智能必备三要素、工作流程，明确学习路径与核心方向；同步覆盖数据集介绍、特征工程、机器学习算法分类及模型评估方法（分类 / 回归模型评估、拟合问题解析），夯实理论基础；新增Azure 平台实验演示与深度学习简介，拓展技术视野，衔接前沿领域。
工具实操模块聚焦实战必备技能，手把手教学机器学习基础环境搭建：从Python 基础库安装、Jupyter Notebook 使用与 Markdown 功能演示入手，扫清工具使用障碍；系统讲解Matplotlib 数据可视化全流程，包括基础绘图、多图展示、图例与刻度设置、场景化应用等；深入拆解NumPy 科学计算核心知识点，涵盖数组生成、索引切片、矩阵运算、分布生成等；全面覆盖Pandas 数据处理技能，从 DataFrame 操作、数据读写（CSV/JSON/HDF）、缺失值处理，到数据离散化、合并、分组聚合、交叉表分析，搭配电影数据分析案例，让数据处理能力快速落地。
算法核心模块系统精讲主流机器学习算法，兼顾理论深度与实操落地：从K 近邻算法的原理、距离度量、K 值选择、KD 树构造，到鸢尾花分类、Facebook 案例实战；从线性回归的损失函数、正规方程推导，到梯度下降法的原理与案例应用，同时解析欠拟合 / 过拟合问题及岭回归、Lasso 回归等优化方案；详解逻辑回归的模型构建、精确率 / 召回率评估、ROC/AUC 曲线绘制；深入拆解决策树的信息熵、信息增益、基尼系数等核心概念，搭配特征提取（字典 / 文本 / TF-IDF）、模型可视化实战；全面覆盖集成学习（Bagging/Boosting、随机森林、GBDT、XGBoost）与聚类算法（原理、实现流程、模型评估、PCA 降维优化），并通过 “探究用户对物品类别喜好” 案例巩固应用。
课程亮点十足：每个模块均设置 “昨日复习 + 今日总结”，强化知识吸收；穿插多个真实项目案例（电影数据分析、鸢尾花分类、PUBG 竞赛项目），实现理论与实战深度结合；全程配套代码演示与操作指导，让零基础学习者也能快速上手。无论是想入门机器学习、提升数据分析能力，还是备战求职面试、完成项目落地，本课程都是高效实用的选择，助力学习者系统性掌握机器学习核心技能，轻松应对实际工作与学习挑战！
课程目录
1-1 人工智能概述
1-2 人工智能发展历程
1-3 人工智能主要分支
1-4 人工智能必备三要素
1-5 人工智能工作流程概述
1-6 数据集的介绍.
1-7 特征工程介绍
1-8 机器学习算法分类
1-9 分类模型评估介绍
1-10 回归模型评估和拟合问题
1-11 azure平台实验演示
1-12 深度学习简介
2-1 机器学习基础环境库的安装
2-2 jupyter基本使用介绍
2-3 jupytermarkdown功能演示
3-1 matplotlin基本简介
3-2 基础绘图功能演示 图像保存 xy轴刻度 添加网格
3-3 多次plot和显示图例
3-4 多个坐标系显示图像
3-5 折线图的应用场景
3-6 今日总结
4-1 昨日复习
4-2 常见图形绘制
4-3 numpy基本介绍
4-4 ndarray介绍
4-5 生成数组
4-6 正态分布和均匀分布
4-7 切片和形状修改
4-8 类型修改和数组去重
4-9 ndarray运算
4-10 矩阵介绍（一）
4-11 矩阵介绍（二）
4-12 数组间运算
5-1 pandas介绍和DataFrame使用
5-2.案例_电影数据分析2.ev4
5-2.索引操作.ev4
5-3 今日总结
5-4 昨日复习
5-5 索引操作
5-6 赋值和排序
5-7 算术运算和逻辑运算
5-8 统计运算
5-9 自定义函数运算
5-10 pandas画图
5-11 csv文件读取和存储
5-12 hdf,json数据的读取和存储
5-13 缺失值的判断
5-14 缺失值删除和替换
5-15 缺失值不是NaN的处理情况
5-16 数据离散化
5-17 数据合并
5-18 交叉表和透视表
5-19 分组和聚合
5-20 今日总结
5-21 科学计算库三天内容复习
5-22 电影数据分析案例
5-23 昨日复习
5-24 案例-电影数据分析
6-1 k近邻算法简介
6-2 k近邻算的初步使用
6-3 距离度量（一）
6-4 距离度量（二）
6-5 距离度量（三）
6-6 k值的选择
6-7 kd树构造
6-8 kd树搜索
6-9 kd树搜索
6-10 数据集介绍
6-11 鸢尾花数据可视化
6-12 数据集划分
6-13 特征预处理
6-14 鸢尾花案例实现
6-15 今日总结
6-16 昨日复习
6-17 knn算法总结
6-18 交叉验证
6-19 网格搜索
6-20 facebook案例预测流程分析
7-1 线性回归简介
7-2 线性回归api初步使用
7-3 数学求导复习（一）
7-4 数学求导复习（二）
7-5 线性回归损失和正规方程推导（一）
7-6 正规方程推导（二）
8-1 梯度下降法初步简介
8-2 梯度下降法介绍
8-3 正规方程api使用
8-4 今日总结
8-5 昨日复习
8-6 梯度下降法案例介绍
9-1 欠拟合过拟合简介
9-2 岭回归和lasso回归
9-3 弹性网络和early stopping
9-4 岭回归案例实现
9-5 模型保存和加载
10-1 逻辑回归介绍
10-2 逻辑回归案例实现
10-3 精确率和召回率介绍
10-4 精确率和召回率api实现
10-5 roc和auc案例实现
10-6 roc曲线绘制（一）
10-7 roc曲线绘制（二）
10-8 roc曲线绘制（三）
11-1 决策树算法简介
11-2 信息熵的介绍
11-3 今日总结
11-4 昨日复习
11-5 信息增益（一）
11-6 信息增益（二）
11-7 信息增益比
11-8 基尼增益（一）
11-9 基尼增益（二）
11-10 cart剪枝介绍
11-11 特征提取介绍和字典特征提取
11-12 英文文本特征提取
11-13 中文文本特征提取
11-14 tfidf介绍
11-15 决策树api介绍
11-16 决策树案例实现
11-17 决策树可视化
12-1 集成学习介绍
12-2 bagging集成过程简介
12-3 随机森林介绍
12-4 今日总结
12-5 昨日复习
12-6 boosting实现流程分析
12-7 bagging和boosting对比
12-8 GBDT介绍
12-9 XGBoost介绍
13-1 聚类算法简介
13-2 聚类算法api初步使用
13-3 聚类算法实现流程简介
13-4 聚类算法实现流程案例介绍
13-5 模型评估
13-6 算法优化（一）
13-7 算法优化（二）
13-8 特征降维介绍和地低方差特征过滤
13-9 相关系数介绍
13-10 pca降维
13-11 案例-探究用户对物品类别喜好
13-12 今日总结
13-13 机器学习阶段整体内容复习
13-14 pubg项目竞赛说明
片尾
最新评论