【资源目录】:
├──001.Lesson 0.1 前言与导学（上）.mp4 159.16M
├──002.Lesson 0.2 前言与导学（下）.mp4 665.72M
├──003.Lesson 1.1 机器学习基本概念与建模流程（上）.mp4 667.04M
├──004.Lesson 1.2 机器学习基本概念与建模流程（下）.mp4 873.00M
├──005.Lesson 2.1 矩阵运算基础、矩阵求导与最小二乘法（一）.mp4 548.95M
├──006.Lesson 2.2 矩阵运算基础、矩阵求导与最小二乘法（二）.mp4 1.09G
├──007.Lesson 2.3 矩阵运算基础、矩阵求导与最小二乘法（三）.mp4 471.44M
├──008.Lesson 3.0 线性回归的手动实现.mp4 53.64M
├──009.Lesson 3.1 变量相关性基础理论.mp4 395.16M
├──010.Lesson 3.2 数据生成器与Python模块编写.mp4 576.97M
├──011.Lesson 3.3 线性回归手动实现与模型局限.mp4 657.89M
├──012.Lesson 3.4 机器学习模型可信度理论与交叉验证基础.mp4 706.34M
├──013.Lesson 4.1.1 逻辑回归模型构建与多分类学习方法（上）.mp4 689.82M
├──014.Lesson 4.1.2 逻辑回归模型构建与多分类学习方法（下）.mp4 511.95M
├──015.Lesson 4.2 逻辑回归参数估计.mp4 752.21M
├──016.Lesson 4.3.1 梯度下降基本原理与手动实现（上）.mp4 858.17M
├──017.Lesson 4.3.2 梯度下降基本原理与手动实现（下）.mp4 567.27M
├──018.Lesson 4.4.1 随机梯度下降与小批量梯度下降（上）.mp4 1.01G
├──019.Lesson 4.4.2 随机梯度下降与小批量梯度下降（下）.mp4 368.59M
├──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 1.11G
├──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 796.31M
├──022.Lesson 4.6.1 逻辑回归的手动实现方法（上）.mp4 384.48M
├──023.Lesson 4.6.2 逻辑回归的手动实现方法（下）.mp4 803.52M
├──024.Lesson 5.1 分类模型决策边界.mp4 750.49M
├──025.Lesson 5.2 混淆矩阵与F1-Score.mp4 1.18G
├──026.Lesson 5.3 ROC-AUC的计算方法、基本原理与核心特性.mp4 1.20G
├──027.Lesson 6.1 Scikit-Learn快速入门.mp4 1.06G
├──028.Lesson 6.2 Scikit-Learn常用方法速通.mp4 814.75M
├──029.Lesson 6.3.1 正则化、过拟合抑制与特征筛选.mp4 1.09G
├──030.Lesson 6.3.2 Scikit-Learn逻辑回归参数详解.mp4 459.70M
├──031.Lesson 6.4 机器学习调参入门.mp4 957.79M
├──032.Lesson 6.5.1 机器学习调参基础理论.mp4 367.79M
├──033.Lesson 6.5.2 Scikit-Learn中网格搜索参数详解.mp4 611.61M
├──034.Lesson 6.6.1 多分类评估指标函数的使用方法.mp4 181.22M
├──035.Lesson 6.6.2 GridSearchCV的进阶使用方法.mp4 202.14M
├──036.Lesson 7.1.1 无监督学习与K-Means基本原理.mp4 887.94M
├──037.Lesson 7.1.2 K-Means聚类的Scikit-Learn实现.mp4 453.62M
├──038.Lesson 7.2 Mini Batch K-Means与DBSCAN聚类.mp4 683.26M
├──039.Lesson 8.1 决策树模型的核心思想与建模流程.mp4 808.70M
├──040.Lesson 8.2.1 CART分类树的建模流程.mp4 745.97M
├──041.Lesson 8.2.2 sklearn中CART分类树的参数详解.mp4 567.79M
├──042.Lesson 8.3【加餐】ID3和C4.5的基本原理介绍.mp4 516.50M
├──043.Lesson 8.4 CART回归树的建模流程与sklearn中评估器参数解释.mp4 611.01M
├──044.Lesson 9.1 集成算法开篇：Bagging方法的基本思想.mp4 233.40M
├──045.Lesson 9.2 随机森林回归器的实现.mp4 208.78M
├──046.Lesson 9.3 随机森林回归器的参数.mp4 387.30M
├──047.Lesson 9.4 集成算法的参数空间与网格优化.mp4 411.72M
├──048.Lesson 9.5 随机森林在巨量数据上的增量学习.mp4 351.50M
├──049.Lesson 9.6 Bagging及随机森林6大面试热点问题.mp4 358.45M
├──050.Lesson 10.1 开篇：超参数优化与枚举网格搜索的理论极限.mp4 208.09M
├──051.Lesson 10.2.1 随机网格搜索（上）.mp4 404.30M
├──052.Lesson 10.2.2 随机网格搜索（下）.mp4 247.64M
├──053.Lesson 10.3.1 Halving网格搜索（上）.mp4 284.70M
├──054.Lesson 10.3.2 Halving网格搜索（下）.mp4 215.13M
├──055.Lesson 10.4 贝叶斯优化的基本流程.mp4 413.20M
├──056.Lesson 10.5 BayesOpt vs HyperOpt vs Optuna.mp4 106.73M
├──057.Lesson 10.6 基于BayesOpt实现高斯过程gp优化.mp4 363.15M
├──058.Lesson 10.7 基于HyperOpt实现TPE优化.mp4 348.48M
├──059.Lesson 10.8 基于Optuna实现多种优化.mp4 297.32M
├──060.Lesson 11.1 Boosting的基本思想与基本元素.mp4 134.00M
├──061.Lesson 11.2 AdaBoost的参数（上）：弱评估器与学习率.mp4 219.18M
├──062.Lesson 11.3 AdaBoost的参数（下）：实践算法与损失函数.mp4 264.49M
├──063.Lesson 11.4 原理进阶：AdaBoost算法流程详解.mp4 271.85M
├──064.Lesson 12.1 梯度提升树的基本思想与实现.mp4 331.82M
├──065.Lesson 12.2 迭代过程中的参数(1)：GBDT的初始化与多分类.mp4 334.71M
├──066.Lesson 12.3 迭代过程中的参数(2)：GBDT的8种损失函数.mp4 229.97M
├──067.Lesson 12.4 弱评估器结构参数：弗里德曼均方误差.mp4 278.19M
├──068.Lesson 12.5 梯度提升树的提前停止.mp4 258.54M
├──069.Lesson 12.6 袋外数据与其他参数.mp4 220.94M
├──070.Lesson 12.7 梯度提升树的参数空间与TPE优化.mp4 444.51M
├──071.Lesson 12.8 原理进阶 (1)：GBDT数学流程与残差概念辨析.mp4 313.68M
├──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 314.91M
├──073.Lesson 13.1.1 XGBoost的基本思想.mp4 240.86M
├──074.Lesson 13.1.2 实现XGBoost回归：sklearnAPI详解.mp4 179.27M
├──075.Lesson 13.1.3 实现XGBoost回归：xgb原生代码详解.mp4 202.73M
├──076.Lesson 13.1.4 实现XGBoost分类：目标函数与评估指标详解.mp4 275.45M
├──077.Lesson 13.2.1 基本迭代过程中的参数群.mp4 154.26M
├──078.Lesson 13.2.2 目标函数及其相关参数.mp4 249.79M
├──079.Lesson 13.2.3 三种弱评估器与DART树详解.mp4 299.00M
├──080.Lesson 13.2.4 弱评估器的分枝：结构分数与结构分数增益.mp4 191.51M
├──081.Lesson 13.2.5 控制复杂度：弱评估器的剪枝与训练数据.mp4 254.70M
├──082.Lesson 13.2.6 XGBoost中的必要功能性参数.mp4 98.96M
├──083.Lesson 13.3.1 XGBoost的参数空间.mp4 295.38M
├──084.Lesson 13.3.2 XGBoost基于TPE的调参.mp4 198.23M
├──085.Lesson 13.4.1 XGBoost的基本数学流程.mp4 217.80M
├──086.Lesson 13.4.2 化简XGBoost的目标函数.mp4 188.57M
├──087.Lesson 13.4.3 求解XGBoost的损失函数.mp4 140.54M
├──088.Lesson 14.1.1 LightGBM入门与原理框架介绍.mp4 224.71M
├──089.Lesson 14.1.2 LightGBM EFB互斥特征捆绑策略.mp4 200.82M
├──090.Lesson 14.2.1 基于梯度的单边采样方法.mp4 246.50M
├──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 228.39M
├──092.Lesson 14.2.3 LightGBM直方图优化算法.mp4 102.87M
├──093.Part 1.1 业务背景与Kaggle平台使用方法介绍.mp4 208.35M
├──094.Part 1.2 数据字段解释与数据质量检验.mp4 92.59M
├──095.Part 1.3 字段类型转化与缺失值填补.mp4 206.89M
├──096.Part 1.4 异常值检测.mp4 67.52M
├──097.Part 1.5 相关性分析.mp4 112.83M
├──098.Part 1.6 数据探索性分析与可视化呈现.mp4 94.12M
├──099.【用户流失】Part 2.1 数据重编码：OrdinalEncoder过程.mp4 110.72M
├──100.Part 2.2 数据重编码：OneHotEncoder过程.mp4 138.55M
├──101.Part 2.3 转化器流水线：ColumnTransformer过程.mp4 128.08M
├──102.Part 2.4 特征变换：数据标准化与归一化.mp4 57.80M
├──103.Part 2.5 连续变量分箱：等宽、等频与聚类分箱.mp4 159.94M
├──104.Part 2.6 连续变量分箱：目标编码与有监督分箱.mp4 104.68M
├──105.Part 2.7 逻辑回归机器学习流构建与训练.mp4 178.07M
├──106.Part 2.8 逻辑回归机器学习流超参数搜索调优.mp4 197.40M
├──107.【用户流失】Part 2.9 自定义sklearn评估器网格搜索.mp4 219.62M
├──108.【用户流失】Part 2.10 逻辑回归模型解释与特征系数解读.mp4 124.74M
├──109.【用户流失】Part 2.11 决策树模型训练与优化.mp4 87.17M
├──110.Part 2.12 决策树模型解释与结果解读.mp4 144.61M
├──111.Part 3.1.1 特征衍生方法综述.mp4 149.74M
├──112.Part 3.1.2 基于业务的新用户标识字段创建与验证.mp4 139.17M
├──113.Part 3.1.3 基于业务的服务购买字段创建.mp4 133.75M
├──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 148.29M
├──115.Part 3.1.5 借助IV值检验衍生特征有效性方法.mp4 181.29M
├──116.Part 3.1.6 基于数据探索的合约字段创建与验证.mp4 45.76M
├──117.Part 3.2.1 单变量特征衍生方法.mp4 212.32M
├──118.Part 3.2.2 四则运算衍生与分组交叉衍生.mp4 162.32M
├──119.Part 3.2.3 分组统计特征衍生.mp4 342.96M
├──120.Part 3.2.4 多项式特征衍生.mp4 111.53M
├──121.Part 3.2.5 统计演变特征.mp4 119.68M
├──122.Part 3.2.6 多变量交叉组合特征衍生.mp4 154.68M
├──123.Part 3.2.7 多变量分组统计衍生方法介绍.mp4 156.09M
├──124.Part 3.2.8 多变量分组统计函数编写.mp4 141.22M
├──125.Part 3.2.9 多变量多项式衍生与笛卡尔积运算.mp4 181.84M
├──126.Part 3.2.10 多变量多项式衍生函数创建.mp4 166.63M
├──127.Part 3.2.11 时序特征分析方法.mp4 198.72M
├──128.Part 3.2.12 时序特征衍生与自然周期划分.mp4 135.39M
├──129.Part 3.2.13 时序特征衍生本质与时间差值衍生.mp4 211.98M
├──130.Part 3.2.14 时序特征衍生函数创建.mp4 127.96M
├──131.Part 3.2.15 时间序列分析简介.mp4 186.64M
├──132.Part 3.2.16 词向量化与TF-IDF.mp4 238.88M
├──133.Part 3.2.17 NLP特征衍生方法介绍.mp4 234.36M
├──134.Part 3.2.18 NLP特征衍生函数编写与使用.mp4 210.06M
├──135.Part 3.2.19（新） 交叉组合与多项式衍生高阶函数.mp4 242.59M
├──136.Part 3.2.20 分组统计高阶函数编写.mp4 248.80M
├──137.Part 3.2.21 目标编码.mp4 289.33M
├──138.Part 3.2.22 关键特征衍生高阶函数.mp4 155.13M
├──139.Part 3.2.23特征衍生实战-1.mp4 332.08M
├──140.Part 3.2.24 特征衍生实战-2.mp4 366.76M
├──141.Part 3.2.25 特征衍生实战-3.mp4 368.95M
├──142.Part 3.2.26 特征衍生实战-4.mp4 306.65M
├──143.Part 3.2.27 特征衍生流程总结.mp4 212.48M
├──144.Part 3.3.0 特征筛选技术介绍.mp4 138.51M
├──145.Part 3.3.1 缺失值过滤与方差过滤.mp4 178.20M
├──146.Part 3.3.2 评分函数与特征筛选评估器.mp4 216.77M
├──147.Part 3.3.3 假设检验基本流程.mp4 157.20M
├──148.Part 3.3.4 卡方检验与特征筛选.mp4 329.43M
├──149.Part 3.3.5 方差分析与特征筛选.mp4 231.76M
├──150.Part 3.3.6 线性相关性的F检验.mp4 65.39M
├──151.Part 3.3.7 离散变量之间的互信息法.mp4 297.79M
├──152.Part 3.3.8 连续变量与离散变量的互信息法.mp4 328.42M
├──153.Part 3.3.9 连续变量之间的互信息计算过程.mp4 186.11M
├──154.Part 3.3.10 互信息法特征筛选实践.mp4 188.41M
├──155.Part 3.3.11 feature_importance特征筛选.mp4 312.40M
├──156.Part 3.3.12 RFE筛选与RFECV筛选.mp4 349.96M
├──157.Part 3.3.13 SFS方法与SFM方法.mp4 199.38M
├──158.Part 3.3.14 特征筛选方法总结.mp4 284.13M
├──159.Part 4.0第四部分导学.mp4 53.59M
├──160.Part 4.1.1 海量特征衍生与筛选（上）.mp4 168.60M
├──161.Part 4.1.2 海量特征衍生与筛选（下）.mp4 226.79M
├──162.Part 4.2.1 网格搜索超参数优化实战（上）.mp4 392.56M
├──163.Part 4.2.2 网格搜索超参数优化实战（下）.mp4 362.07M
├──164.Part 4.3.1 模型融合与深度森林技术体系介绍.mp4 288.46M
├──165.Part 4.3.2.1 投票法与均值法.mp4 223.43M
├──166.Part 4.3.2.2 阈值移动的TPE搜索与交叉验证.mp4 286.93M
├──167.Part 4.3.3.1（新） 加权平均融合与理论最优权重.mp4 138.99M
├──168.Part 4.3.3.2（新） 加权平均法的经验法权重设置策略.mp4 232.83M
├──169.Part 4.3.3.3 基于搜索空间裁剪的权重搜索策略.mp4 178.04M
├──170.Part 4.3.3.4 交叉训练与Stacking融合的基本思路.mp4 109.02M
├──171.Part 4.3.4.1 交叉训练基本思想和数据准备.mp4 108.73M
├──172.Part 4.3.4.2 随机森林模型的交叉训练过程.mp4 187.08M
├──173.Part 4.3.4.3 决策树&逻辑回归的交叉训练.mp4 142.63M
├──174.Part 4.3.4.4 基于交叉训练的TPE搜索融合.mp4 79.70M
├──175_Part-4.3.5.1-细粒度&多级分层加权融合原理.mp4 132.27M
├──176_Part-4.3.5.2-细粒度&多级分层加权融合实践.mp4 118.64M
├──177_Part-4.3.6.1-Stacking基本原理与手动实现方法.mp4 170.95M
├──178_Part-4.3.6.2-Stacking优化方法初阶.mp4 287.66M
├──179_Part-4.3.7.1-Stacking一级学习器训练策略.mp4 220.96M
├──180_Part-4.3.7.2-Stacking元学习器优化流程.mp4 218.26M
├──181_Part-4.3.8.1-Stacking自动超参数交叉训练函数.mp4 287.16M
├──182_Part-4.3.8.2-Stacking自动元学习器优化函数.mp4 159.95M
├──183_Part-4.3.9-Blending融合原理与实践.mp4 223.43M
├──184_Part-4.3.10-Blending融合进阶优化策略.mp4 188.24M
├──185_Part-4.3.11.1-回归类集成算法优化策略（上）.mp4 468.16M
├──186_Part-4.3.11.2-回归类集成算法优化策略（下）.mp4 98.92M
├──187_Part-4.3.12.1-回归问题的加权平均融合方法实践.mp4 281.38M
├──188_Part-4.3.12.2-回归问题的Stacking&Blending融合方法.mp4 211.78M
├──189_【金融案例】01-认识捷信金融还款风险预测.mp4 90.15M
├──190_【金融案例】02-比赛背景与目标.mp4 194.83M
├──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 135.92M
├──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 143.93M
├──193_【金融案例】05海量数据处理入门.mp4 129.43M
├──194_【金融案例】06三剑客建立baseline.mp4 171.82M
├──195_【金融案例】07-主表的领域特征：还款业务指标.mp4 197.58M
├──196_【金融案例】08-Leaking-proof式目标编码.mp4 176.38M
├──197_【金融案例】09-GAME策略和bureau表单的业务特征衍生.mp4 105.43M
├──198_【金融案例】11GAME策略在附表中的综合应用.mp4 291.08M
├──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 156.47M
├──200_【金融案例】12自动化衍生技巧以及featuretools库的基本流程.mp4 134.15M
├──201_【金融案例】13-featuretools在HomeCredit数据集的进阶应用.mp4 253.00M
├──202_【金融案例】-14-特征工程成果与focal-loss原理精讲.mp4 93.97M
├──203_【金融案例】-15-focal-loss-在二分类上的实现.mp4 103.37M
├──204_【金融案例】17-Leaking-Usage：重复申请人漏洞.mp4 88.68M
├──205_【金融案例】-16-focal-loss在多分类上的实现.mp4 76.82M
├──206_【金融案例】-18-optuna实现贝叶斯优化.mp4 59.11M
├──207_【金融案例】19-逆向工程与无限融合.mp4 112.73M
├──208_【股价项目】01认识量化交易和股票收益预测.mp4 90.08M
├──209_【股价项目】02-股票相关的金融概念与评估指标.mp4 94.11M
├──210_【股价项目】03-kaggle三大经典比赛形式.mp4 98.22M
├──211_【股价项目】04-股票数据的特征含义与业务理解.mp4 68.88M
├──212_【股价项目】05-数据探索与股票字段的深入理解.mp4 261.90M
├──213_【股价项目】06-basline的建立.mp4 73.05M
├──214_【股价项目】-07-kaggle常见Q&A.mp4 44.23M
├──215_【股价项目】08-趋势特征分析简介.mp4 81.11M
├──216_【股价项目】-09-历史平移和增长率特征.mp4 38.73M
├──217_【股价项目】10-窗口统计特征.mp4 91.50M
├──218_【股价项目】12-市场波动特征.mp4 175.81M
├──219_【股价项目】11-指数加权移动平均.mp4 68.05M
├──220_【股价项目】13-时序特征工程在股价数据中的应用.mp4 53.79M
├──221_【股价项目】14-行业分段建模与模型融合.mp4 185.62M
├──222_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务.mp4 101.26M
├──223_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分.mp4 131.05M
├──224_【WDSM时序案例】03-赛题理解(3)-解读测试数据集.mp4 108.44M
├──225_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上).mp4 114.73M
├──226_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下).mp4 121.25M
├──227_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息.mp4 178.16M
├──228_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息.mp4 138.42M
├──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 118.55M
├──230_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点.mp4 96.21M
├──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 120.62M
├──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 206.86M
├──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 130.12M
├──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 142.37M
├──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 83.68M
├──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 122.66M
├──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 198.09M
├──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 126.52M
├──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 167.04M
├──240_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算.mp4 101.05M
├──241_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算.mp4 184.99M
├──242_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像.mp4 152.84M
├──243_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求.mp4 111.33M
├──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 157.84M
├──245_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势.mp4 132.52M
├──246_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标.mp4 115.93M
├──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 116.87M
├──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 160.12M
├──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 131.55M
├──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 173.35M
├──251_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单.mp4 240.78M
├──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 219.16M
├──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 197.74M
├──254_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现.mp4 221.46M
├──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 193.43M
├──256_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX.mp4 139.70M
├──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 206.28M
