===============課程目錄===============
├─Tensorflow課程.zip
├─機器學習經(jīng)典案例.zip
├─課時01.課程簡介.flv
├─課時02.課程數(shù)據(jù)，代碼下載.swf
├─課時03.使用Anaconda搭建python環(huán)境.flv
├─課時04.Kobe.Bryan生涯數(shù)據(jù)讀取與簡介.flv
├─課時05.特征數(shù)據(jù)可視化展示.flv_d.flv
├─課時06.數(shù)據(jù)預處理.flv_d.flv
├─課時07.使用scikit-learn建立分類模型.flv_d.flv
├─課時08.數(shù)據(jù)簡介及面臨的挑戰(zhàn).flv_d.flv
├─課時09.數(shù)據(jù)不平衡問題解決方案.flv_d.flv
├─課時10.邏輯回歸進行分類預測.flv_d.flv
├─課時11.使用閾值來衡量預測標準.flv_d.flv
├─課時12.使用數(shù)據(jù)生成策略.flv_d.flv
├─課時13.數(shù)據(jù)簡介與特征課時化展示.flv_d.flv
├─課時14.不同特征的分布規(guī)則.flv_d.flv
├─課時15.決策樹模型參數(shù)詳解.flv_d.flv
├─課時16.決策樹中參數(shù)的選擇.flv_d.flv
├─課時17.將建立好決策樹可視化展示出來.flv_d.flv
├─課時18.船員數(shù)據(jù)分析.flv_d.flv
├─課時19.數(shù)據(jù)預處理.flv_d.flv
├─課時20.使用回歸算法進行預測.flv_d.flv
├─課時21.使用隨機森林改進模型.flv_d.flv
├─課時22.隨機森林特征重要性分析.flv_d.flv
├─課時23.級聯(lián)模型原理.flv_d.flv
├─課時24.數(shù)據(jù)預處理與熱度圖.flv_d.flv
├─課時25.二階段輸入特征制作.flv_d.flv
├─課時26.使用級聯(lián)模型進行預測.flv_d.flv
├─課時27.數(shù)據(jù)簡介與特征預處理.flv_d.flv
├─課時28.員工不同屬性指標對結(jié)果的影響.flv_d.flv
├─課時29.數(shù)據(jù)預處理.flv_d.flv
├─課時30.構(gòu)建預測模型.flv_d.flv
├─課時31.基于聚類模型的分析.flv
├─課時32.tensorflow框架的安裝.flv_d.flv
├─課時33.神經(jīng)網(wǎng)絡模型概述.flv_d.flv
├─課時34.使用tensorflow設定基本參數(shù).flv_d.flv
├─課時35.卷積神經(jīng)網(wǎng)絡模型.flv_d.flv
├─課時36.構(gòu)建完整的神經(jīng)網(wǎng)絡模型.flv_d.flv
├─課時37.訓練神經(jīng)網(wǎng)絡模型.flv_d.flv
├─課時38.PCA原理簡介.flv_d.flv
├─課時39.數(shù)據(jù)預處理.flv_d.flv
├─課時40.協(xié)方差分析.flv_d.flv
├─課時41.使用PCA進行降維.flv_d.flv
├─課時42.數(shù)據(jù)簡介與故事背景.flv_d.flv
├─課時43.基于詞頻的特征提取.flv_d.flv
├─課時44.改進特征選擇方法.flv_d.flv
├─課時45.數(shù)據(jù)清洗.flv_d.flv
├─課時46.數(shù)據(jù)預處理.flv_d.flv
├─課時47.盈利方法和模型評估.flv_d.flv
├─課時48.預測結(jié)果.flv_d.flv
