机器学习重磅成员Sklearn实战教程 有史以来最详细的Sklearn课程 附大数据医疗实战



     Sklearn几乎可以被称为云计算与大数据领域的神器，至少是在机器学习方向上来讲一定是这样的。Sklearn能够支持分类，回归，降维和聚类四大机器学习算法，还包括了特征提取，数据处理和模型评估者三大模块。
     尤其在于这套课程更是参与了大数据医疗方面的技能与实战，更是需要前沿的工程师们好好把握。大数据医疗虽然已有诸多应用，但是很多方向与领域的技术纵深仍然不够，作为职业生涯的发展，大数据医疗是潜藏很大机遇的。
===============课程目录===============
(1)\第一章 决策树与泰坦尼克号生存预测；目录中文件数:15个
├─1.引言，sklearn入门.mp4
├─2.决策树：概述.mp4
├─3.1分类树：参数criterion.mp4
├─3.2分类树：实现一棵树，随机性参数.mp4
├─3.3 分类树：剪枝参数调优(1).mp4
├─3.4 分类树：剪枝参数调优(2).mp4
├─3.5 分类树：重要属性和接口.mp4
├─4.1 回归树：参数，属性和接口.mp4
├─4.2 回归树：交叉验证 (1).mp4
├─4.3 回归树：交叉验证(2).mp4
├─4.4 回归树案例：用回归树拟合正弦曲线.mp4
├─5.1 案例：泰坦尼克号生存者预测 (1).mp4
├─5.2 案例：泰坦尼克号生存者预测 (2).mp4
├─5.3 案例：泰坦尼克号生存者预测 (3).mp4
├─5.4 案例：泰坦尼克号生存者预测 (4).mp4
(2)\第七章 支持向量机与医疗数据集调参；目录中文件数:24个
├─0 本周要学习什么.mp4
├─1.1 支持向量机概述：最强大的机器学习算法.mp4
├─1.2 支持向量机是如何工作的 & sklearn中的SVM.mp4
├─2.1.1 线性SVC的损失函数 (1).mp4
├─2.1.1 线性SVC的损失函数 (2).mp4
├─2.1.2 函数间隔与几何间隔.mp4
├─2.1.3.1 损失函数的拉格朗日乘数形态.mp4
├─2.1.3.2 拉格朗日对偶函数 (1).mp4
├─2.1.3.2 拉格朗日对偶函数 (2).mp4
├─2.1.3.3 求解拉格朗日对偶函数极其后续过程.mp4
├─2.1.4 SVM求解可视化 (1)：理解等高线函数contour.mp4
├─2.1.4 SVM求解可视化 (2)：理解网格制作函数meshgrid与vstack.mp4
├─2.1.4 SVM求解可视化 (3)：建模，绘制图像并包装函数.mp4
├─2.1.4 SVM求解可视化 (4)：探索建立好的模型.mp4
├─2.1.4 SVM求解可视化（5）：非线性数据集上的推广与3D可视化.mp4
├─2.1.4 SVM求解可视化（6）：Jupyter Notebook中的3D交互功能.mp4
├─2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel.mp4
├─2.2.3 案例：如何选取最佳核函数 (1).mp4
├─2.2.3 案例：如何选取最佳核函数 (2).mp4
├─2.2.4 案例：在乳腺癌数据集上探索核函数的性质.mp4
├─2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1）.mp4
├─2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2).mp4
├─2.3.1 SVM在软间隔数据上的推广.mp4
├─2.3.2 重要参数C & 总结.mp4
(3)\第三章 数据预处理与特征工程；目录中文件数:15个
├─0 概述 + 12期课纲.mp4
├─1.1 数据预处理1：数据归一化.mp4
├─1.2 数据预处理2：数据标准化.mp4
├─1.3 数据预处理3：缺失值 (1).mp4
├─1.4 数据预处理4：缺失值 (2).mp4
├─1.5 数据预处理5：处理分类型数据.mp4
├─1.6 数据预处理6：处理连续型数据.mp4
├─2.1 特征选择1：过滤法-方差过滤 (1).mp4
├─2.2 特征选择2：过滤法-方差过滤 (2).mp4
├─2.3 特征选择3：过滤法-卡方过滤.mp4
├─2.4 特征选择4：过滤法-F检验和互信息法 (1).mp4
├─2.5 特征选择5：过滤法-互信息法(2) + 总结.mp4
├─2.6 特征选择6：嵌入法 (1).mp4
├─2.7 特征选择7：嵌入法 (2).mp4
├─2.8 特征选择8：包装法 + 总结.mp4
(4)\第九章 回归大家族：线性，岭回归，Lasso，多项式；目录中文件数:22个
├─0 本周要学习什么.mp4.mp4
├─1 概述，sklearn中的线性回归大家族.mp4
├─2.1 多元线性回归的基本原理和损失函数.mp4
├─2.2 用最小二乘法求解多元线性回归的过程.mp4
├─2.3 多元线性回归的参数，属性及建模代码.mp4
├─3.1 回归类模型的评估指标：是否预测准确？.mp4
├─3.2 回归类模型的评估指标：是否拟合了足够的信息？.mp4
├─4.1 多重共线性：含义，数学，以及解决方案.mp4
├─4.2.1 岭回归处理多重共线性.mp4
├─4.2.2 sklearn中的岭回归：linear_model.Ridge.mp4
├─4.2.3 为岭回归选择最佳正则化参数.mp4
├─4.3.1 Lasso处理多重共线性.mp4
├─4.3.2 Lasso的核心作用：特征选择.mp4
├─4.3.3 Lasso选择最佳正则化参数.mp4
├─5.1.1 & 5.1.2 线性数据与非线性数据.mp4
├─5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现.mp4
├─5.1.3 线性vs非线性模型 (2)：拟合，效果与特点.mp4
├─5.2 离散化：帮助线性回归解决非线性问题.mp4
├─5.3.1 多项式对数据做了什么？.mp4
├─5.3.2 多项式回归提升模型表现.mp4
├─5.3.3 多项式回归的可解释性.mp4
├─5.3.4 多项式回归：线性还是非线性模型？ + 本周结语.mp4
(5)\第二章 随机森林与医疗数据集调参；目录中文件数:12个
├─1 集成算法概述.mp4
├─2.1 随机森林分类器.mp4
├─2.2 参数boostrap & oob_score + 重要属性和接口.mp4
├─2.3 [选学] 袋装法的另一个必要条件.mp4
├─3.1 随机森林回归器.mp4
├─3.2 案例：用随机森林填补缺失值 (1).mp4
├─3.3 案例：用随机森林填补缺失值 (2).mp4
├─3.4 案例：用随机森林填补缺失值 (3).mp4
├─3.5 案例：用随机森林填补缺失值 (4).mp4
├─4. 机器学习中调参的基本思想.mp4
├─5.1. 案例：随机森林在乳腺癌数据上的调参 (1）.mp4
├─5.2 案例：随机森林在乳腺癌数据上的调参 (2).mp4
(6)\第五章 逻辑回归和信用评分卡；目录中文件数:34个
├─0 前言.mp4
├─1.1 逻辑回归概述：名为“回归”的分类器.mp4
├─1.2 为什么需要逻辑回归.mp4
├─1.3 sklearn当中的逻辑回归.mp4
├─2.1.1 二元逻辑回归的损失函数.mp4
├─2.2.1 正则化：重要参数penalty & C.mp4
├─2.2.2 逻辑回归的特征工程 (1).mp4
├─2.2.2 逻辑回归的特征工程 (2).mp4
├─2.2.2 逻辑回归的特征工程 (3).mp4
├─2.2.2 逻辑回归的特征工程 (4).mp4
├─2.3.1 重要参数max_iter - 梯度下降求解逻辑回归的过程.mp4
├─2.3.2 梯度的概念与解惑.mp4
├─2.3.3 步长的概念与解惑.mp4
├─2.4 二元回归与多元回归：重要参数solver & multi_class.mp4
├─2.5 样本不均衡与参数class_weight.mp4
├─3.1 案例：评分卡与完整的模型开发流程.mp4
├─3.2.1~2 案例：评分卡 - 数据预处理(1) - 重复值与缺失值.mp4
├─3.2.3 案例：评分卡 - 数据预处理 (2) - 异常值.mp4
├─3.2.4 案例：评分卡 - 数据预处理 (3) - 标准化.mp4
├─3.2.5 案例：评分卡 - 数据预处理 (4) - 样本不均衡问题.mp4
├─3.2.6 案例：评分卡 - 数据预处理 (5) - 保存训练集和测试集数据.mp4
├─3.3 案例：评分卡 - 分箱 (1) - 概述与概念.mp4
├─3.3.1 案例：评分卡 - 分箱 (2) - 等频分箱 (1).mp4
├─3.3.1 案例：评分卡 - 分箱 (3) - 等频分箱 (2).mp4
├─3.3.2 案例：评分卡 - 分箱 (4) - 选学说明.mp4
├─3.3.3 案例：评分卡 - 分箱 (5) - 计算WOE与IV.mp4
├─3.3.4 案例：评分卡 - 分箱 (6) - 卡方检验、箱体合并、IV值等.mp4
├─3.3.5 案例：评分卡 - 分箱 (7) - 包装分箱函数.mp4
├─3.3.6 案例：评分卡 - 分箱 (8) - 包装判断分箱个数的函数.mp4
├─3.3.7 案例：评分卡 - 分箱 (9) - 对所有特征进行分箱.mp4
├─3.4 案例：评分卡 - 映射数据 (1).mp4
├─3.4 案例：评分卡 - 映射数据 (2).mp4
├─3.5 案例：评分卡 - 建模与模型验证.mp4
├─3.6 案例：评分卡 - 评分卡的输出和建立.mp4
(7)\第八章 支持向量机与Kaggle案例：澳大利亚天气数据集；目录中文件数:40个
├─0 目录：本周将学习什么内容.mp4
├─1.1 简单复习支持向量机的基本原理.mp4
├─1.2 参数C的深入理解：多个支持向量存在的理由.mp4
├─1.3 二分类SVC中的样本不均衡问题.mp4
├─1.3 如何使用参数class_weight (1).mp4
├─1.3 如何使用参数class_weight (2).mp4
├─2 SVC的模型评估指标.mp4
├─2.1 样本不平衡的艺术(1)：精确度Precision.mp4
├─2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure.mp4
├─2.1 混淆矩阵与准确率.mp4
├─2.1.3 对多数类样本的关怀：特异度Specificity和假正率.mp4
├─2.1.4 sklearn中的混淆矩阵.mp4
├─2.2 ROC曲线：Recall与假正率FPR的平衡.mp4
├─2.2.1 概率与阈值.mp4
├─2.2.2 SVM做概率预测.mp4
├─2.2.3 绘制ROC曲线 (1).mp4
├─2.2.3 绘制ROC曲线 (2).mp4
├─2.2.3 绘制ROC曲线 (3).mp4
├─2.2.4 sklearn中的ROC曲线和AUC面积.mp4
├─2.2.5 利用ROC曲线求解最佳阈值.mp4
├─3 选学说明：使用SVC时的其他考虑.mp4
├─4 案例：预测明天是否会下雨 - 案例背景.mp4
├─4.1 案例：导库导数据，探索特征.mp4
├─4.2 案例：分集，优先处理标签.mp4
├─4.3.1 案例：描述性统计，处理异常值.mp4
├─4.3.2 案例：现实数据上的数据预处理 - 处理时间.mp4
├─4.3.3 案例：现实数据上的数据预处理 - 处理地点 (1).mp4
├─4.3.3 案例：现实数据上的数据预处理 - 处理地点 (2).mp4
├─4.3.3 案例：现实数据上的数据预处理 - 处理地点 (3).mp4
├─4.3.3 案例：现实数据上的数据预处理 - 处理地点 (4).mp4
├─4.3.4 案例：现实数据上的数据预处理 - 填补分类型变量的缺失值.mp4
├─4.3.5 案例：现实数据上的数据预处理 - 编码分类型变量.mp4
├─4.3.6 & 4.3.7 案例：现实数据集上的数据预处理：连续型变量.mp4
├─4.4 案例：建模与模型评估 (1).mp4
├─4.4 案例：建模与模型评估 (2).mp4
├─4.5.1 案例：模型调参：追求最高的recall.mp4