包含经典机器学习算法原理推导与案例实战两部分。从基本的回归算法开始讲起，逐渐过渡到复杂的神经网络模型。对于每一个算法给出实战案例，基于真实数据集使用Python库作为核心工具进行数据预处理与建模工作。

课程目录：

├─第01章 人工智能入学指南
│      001、AI时代首选Python.ts
│      002、Python我该怎么学？.ts
│      003、人工智能的核心-机器学习.ts
│      004、机器学习怎么学？.ts
│      005、算法推导与案例.ts
│      006、系列课程环境配置.ts
│      
├─第02章 Python快速入门
│      007、快速入门，边学边用.ts
│      008、变量类型.ts
│      009、List基础模块.ts
│      010、List索引.ts
│      011、循环结构.ts
│      012、判断结构.ts
│      013、字典模块.ts
│      014、文件处理.ts
│      015、函数基础.ts
│      
├─第03章 科学计算库Numpy
│      016、Numpy数据结构.ts
│      017、Numpy基本操作.ts
│      018、Numpy矩阵属性.ts
│      019、Numpy矩阵操作.ts
│      020、Numpy常用函数.ts
│      
├─第04章 数据分析处理库Pandas
│      021、Pandas数据读取.ts
│      022、Pandas索引与计算.ts
│      023、Pandas数据预处理实例.mp4
│      023、Pandas数据预处理实例.ts
│      024、Pandas常用预处理方法.ts
│      025、Pandas自定义函数.ts
│      026、等待提取中.txt
│      
├─第05章 可视化库Matplotlib
│      027、折线图绘制.ts
│      028、子图操作.ts
│      029、条形图与散点图.ts
│      030、柱形图与盒形.ts
│      031、绘图细节设置.ts
│      
├─第06章 Python可视化库Seaborn
│      032、布局整体风格设置.ts
│      033、风格细节设置.ts
│      034、调色板.ts
│      035、调色板颜色设置.ts
│      036、单变量分析绘制.ts
│      037、回归分析绘图.ts
│      038、多变量分析绘图.ts
│      039、分类属性绘图.ts
│      040、热度图绘制.ts
│      
├─第07章 线性回归算法
│      041、线性回归算法概述.ts
│      042、误差项分析.ts
│      043、似然函数求解.ts
│      044、目标函数推导.ts
│      045、线性回归求解.ts
│      
├─第08章 梯度下降算法
│      046、梯度下降原理.ts
│      047、梯度下降方法对比.ts
│      048、学习率对结果的影响.ts
│      
├─第09章 逻辑回归算法
│      049、逻辑回归算法原理推导.ts
│      050、逻辑回归求解.ts
│      
├─第10章 案例实战：Python实现逻辑回归与梯度下降策略
│      051、Python实现逻辑回归任务概述.ts
│      052、完成梯度下降模块.ts
│      053、停止策略与梯度下降策略对比.ts
│      054、实验对比效果.ts
│      
├─第11章 项目实战：案例实战信用卡欺诈检测
│      055、案例背景和目标.ts
│      056、样本不平衡解决方案.ts
│      057、下采样策略.ts
│      058、交叉验证.ts
│      059、模型评估方法.ts
│      060、正则化惩罚项.ts
│      061、逻辑回归模型.ts
│      062、混淆矩阵.ts
│      063、逻辑回归阈值对结果的影响.ts
│      064、SMOTE样本生成策略.ts
│      
├─第12章 决策树算法
│      065、决策树原理概述.ts
│      066、衡量标准-熵.ts
│      067、决策树构造实例.ts
│      068、信息增益率.ts
│      069、决策树剪枝策略.ts
│      
├─第13章 案例实战：决策树Sklearn实例
│      070、决策树复习.ts
│      071、决策树涉及参数.ts
│      072、树可视化与Sklearn实例.ts
│      073、Sklearn参数选择模块.ts
│      
├─第14章 集成算法与随机森林
│      074、集成算法-随机森林.ts
│      075、特征重要性衡量.ts
│      076、提升模型.ts
│      077、堆叠模型.ts
│      
├─第15章 泰坦尼克船员获救
│      078、数据介绍.ts
│      079、数据预处理.ts
│      080、回归模型进行预测.ts
│      081、随机森林模型.ts
│      082、特征选择.ts
│      
├─第16 章贝叶斯算法
│      083、贝叶斯算法概述.ts
│      084、贝叶斯推导实例.ts
│      085、贝叶斯拼写纠错实例.ts
│      086、垃圾邮件过滤实例.ts
│      087、贝叶斯实现拼写检查器.ts
│      
├─第17章 Python文本数据分析
│      088、文本分析与关键词提取.ts
│      089、相似度计算.ts
│      090、新闻数据与任务简介.ts
│      091、TF-IDF关键词提取.ts
│      092、LDA建模.ts
│      093、基于贝叶斯算法的新闻分类.ts
│      
├─第18章 支持向量机算法
│      094、支持向量机要解决的问题.ts
│      095、距离与数据的定义.ts
│      096、目标函数.ts
│      097、目标函数求解.ts
│      098、SVM求解实例.ts
│      099、支持向量的作用.ts
│      100、软间隔问题.ts
│      101、SVM核变换.ts
│      
├─第19章 SVM调参实例
│      102、Sklearn求解支持向量机.ts
│      103、SVM参数调节.ts
│      
├─第20章 机器学习处理实际问题常规套路
│      104、HTTP检测任务与数据挖掘的核心.ts
│      105、论文的重要程度.ts
│      106、BenchMark概述.ts
│      107、BenchMark的作用.ts
│      
├─第21章 降维算法：线性判别分析
│      108、线性判别分析要解决的问题.ts
│      109、线性判别分析要优化的目标.ts
│      110、线性判别分析求解.ts
│      
├─第22章 案例实战：Python实现线性判别分析
│      111、Python实现线性判别分析.ts
│      112、求解得出降维结果.ts
│      
├─第23章 降维算法：PCA主成分分析
│      113、PCA降维概述.ts
│      114、PCA要优化的目标.ts
│      115、PCA求解.ts
│      116、PCA降维实例.ts
│      
├─第24章 聚类算法-Kmeans
│      117、Kmeans算法概述.ts
│      118、Kmeans工作流程.ts
│      119、迭代效果可视化展示.ts
│      
├─第25章 聚类算法-DBSCAN
│      120、DBSCAN聚类算法.ts
│      121、DBSCAN工作流程.ts
│      122、DBSCAN迭代可视化展示.ts
│      
├─第26章 聚类实践
│      123、多种聚类算法概述.ts
│      124、聚类案例实战.ts
│      
├─第27章 EM算法
│      125、EM算法要解决的问题.ts
│      126、隐变量问题.ts
│      127、EM算法求解实例.ts
│      128、Jensen不等式.ts
│      129、GMM模型.ts
│      
├─第28章 GMM聚类实践
│      130、GMM实例.ts
│      131、GMM聚类.ts
│      
├─第29章 神经网络
│      132、计算机视觉常规挑战.ts
│      133、得分函数.ts
│      134、损失函数.ts
│      135、softmax分类器.ts
│      136、反向传播.ts
│      137、神经网络整体架构.ts
│      138、神经网络实例.ts
│      139、激活函数.ts
│      
├─第30章 Tensorflow实战
│      140、Tensorflow基础操作.ts
│      141、Tensorflow常用函数.ts
│      142、Tensorflow回归实例.ts
│      143、Tensorflow神经网络实例.ts
│      144、Tensorflow神经网络迭代.ts
│      145、神经网络dropout.ts
│      146、卷积神经网络基本结构.ts
│      
├─第31章 Mnist手写字体与验证码识别
│      147、Tensorflow构造卷积神经网络参数.ts
│      148、Pooling层原理与参数.ts
│      149、卷积网络参数配置.ts
│      150、卷积神经网络计算流程.ts
│      151、CNN在mnist数据集上的效果.ts
│      152、验证码识别任务概述.ts
│      153、完成验证码识别任务.ts
│      
├─第32章 Xgboost集成算法
│      154、集成算法思想.ts
│      155、Xgboost基本原理.ts
│      156、Xgboost目标函数推导.ts
│      157、Xgboost求解实例.ts
│      158、Xgboost安装.ts
│      159、Xgboost实例演示.ts
│      160、Adaboost算法概述.ts
│      
├─第33章 推荐系统
│      161、推荐系统应用.ts
│      162、推荐系统要完成的任务.ts
│      163、相似度计算.ts
│      164、基于用户的协同过滤.ts
│      165、基于物品的协同过滤.ts
│      166、隐语义模型.ts
│      167、隐语义模型求解.ts
│      168、模型评估标准.ts
│      
├─第34章 推荐系统实战
│      169、Surprise库与数据简介.ts
│      170、Surprise库使用方法.ts
│      171、得出商品推荐结果.ts
│      172、使用Tensorflow构建隐语义模型.ts
│      173、模型架构.ts
│      174、损失函数定义.ts
│      175、训练网络模型.ts
│      
├─第35章 词向量模型Word2Vec
│      176、自然语言处理与深度学习.ts
│      177、语言模型.ts
│      178、N-gram模型.ts
│      179、词向量.ts
│      180、神经网络模型.ts
│      181、Hierarchical.ts
│      182、CBOW模型实例.ts
│      183、CBOW求解目标.ts
│      184、梯度上升求解.ts
│      185、负采样模型.ts
│      
├─第36章 使用Gensim库构造词向量模型
│      186、使用Gensim库构造词向量.ts
│      187、维基百科中文数据处理.ts
│      188、Gensim构造word2vec.ts
│      189、测试相似度结果.ts
│      
├─第37章 时间序列-ARIMA模型
│      190、数据平稳性与差分法.ts
│      191、ARIMA模型.ts
│      192、相关函数评估方法.ts
│      193、建立AIRMA模型.ts
│      194、参数选择.ts
│      
├─第38章 Python时间序列案例实战
│      195、股票预测案例.ts
│      196、使.tsfresh库进行分类任务.ts
│      197、维基百科词条EDA.ts
│      198、Pandas生成时间序列.ts
│      199、Pandas数据重采样.ts
│      200、Pandas滑动窗口.ts
│      
├─第39章 探索性数据分析：赛事数据集
│      201、数据背景介绍.ts
│      202、数据读取与预处理.ts
│      203、数据切分模块.ts
│      204、缺失值可视化分析.ts
│      205、特征可视化展示.ts
│      206、多特征之间关系分析.ts
│      207、报表可视化分析.ts
│      208、红牌和肤色的关系.ts
│      
├─第40章 探索性数据分析：农粮组织数据集
│      209、数据背景简介.ts
│      210、数据切片分析.ts
│      211、单变量分析.ts
│      212、峰度与偏度.ts
│      213、数据对数变换.ts
│      214、数据分析维度.ts
│      215、变量关系可视化展示.mp4
│      
└─课件代码等资料
    │  唐宇迪-机器学习课程代码-新整理.zip
    │  梯度下降求解逻辑回归.zip
    │  
    ├─10Python文本分析
    │      Python文本分析.zip
    │      课程数据-代码.txt
    │      
    ├─11泰坦尼克号-级联模型
    │      泰坦尼克号-级联模型.zip
    │      
    ├─12手写字体识别
    │      手写字体识别.zip
    │      
    ├─13tensorflow代码
    │      tensorflow代码.zip
    │      
    ├─14xgboost
    │      xgboost.zip
    │      
    ├─15推荐系统
    │      推荐系统.pdf
    │      推荐系统.zip
    │      课程数据-代码.txt
    │      
    ├─16word2vec——空
    │      word2vec.zip
    │      课程数据-代码.txt
    │      
    ├─17Python时间序列
    │      Python时间序列.zip
    │      课程数据-代码.txt
    │      
    ├─1机器学习算法PPT
    │      机器学习算法PPT.pdf
    │      
    ├─2numpy
    │      numpy.zip
    │      
    ├─3Pandas
    │      Pandas.zip
    │      
    ├─4欺诈检测
    │      欺诈检测.zip
    │      
    ├─5梯度下降实例
    │      梯度下降实例.zip
    │      
    ├─6Matplotlib
    │      Matplotlib.zip
    │      
    ├─7可视化库Seaborn
    │      可视化库Seaborn.rar
    │      课程数据-代码.txt
    │      
    ├─8决策树鸢尾花
    │      决策树鸢尾花.zip
    │      
    └─9贝叶斯
            课程数据-代码.txt
            贝叶斯.rar