机器学习项目课：基础与搭建项目视频课程。这门课对于有计算机科学或者软件工程的相关背景的同学来说，是一门很好的课程，可以帮助您有效地将机器学习，这是一门项目课。课程最初是一门在线的直播课程。我们的团队花了大量的时间和精力，将原始的长讲座视频，尽可能地按照逻辑，剪辑成一个个15分钟以内的视频。以便您可以轻松跳转到不同的概念，并跟踪学习进度。您可能会听到教师在上课期间偶尔回答学生的问题 – 通常这些问题都非常有帮助！您可能会发现一些地方有剪辑的痕迹，但这些不会影响到课程的效果，请您放心。本课程的目标不是涵盖尽可能多的理论概念，而是讲授最基本的机器学习技术，并立即将它们付诸实践，建立一个真实的推荐系统的项目。因此，本课程会重点关注实战技能和项目的实现。
课程结构：
课程分为三个模块。一个模块对应的是一周的直播课程 – 您可能会听到教师在课上提到第1周，第2周或第3周，对应的就是这门课的第一模块、第二模块和第三模块。
在每个模块中，有三堂不同类型的课程：
理论课：课程将侧重于机器学习的理论和概念部分。老师将介绍某些算法背后的数学原理，并讨论不同算法模型的应用实例。通常，教师将使用PPT来解释这些理论。
实战课：课程将针对理论课中教授的理论概念，进行代码上的实现。教师将分享他的屏幕并逐一介绍代码的实现方式。
项目课：课程与实战课的形式类似，不过会重点介绍如何实现推荐系统项目的代码。老师将逐步介绍代码的实现。
视频截图：
课程目录：
├1. 课程设计和结构介绍
├─2. 第一模块：理论课
│ 1. 本节内容安排.mp4
│ 10. 过拟合和交叉验证.mp4
│ 11. 总结.mp4
│ 12. 第一模块作业.html
│ 13. 第一模块作业解析.mp4
│ 2. 课程总体框架.mp4
│ 3. 机器学习基本概念：数据和模型（第一节）.mp4
│ 4. 机器学习基本概念：数据和模型（第二节）.mp4
│ 5. 机器学习基本概念：数据和模型（第三节）.mp4
│ 6. 基本模型：逻辑回归（第一节）.mp4
│ 7. 基本模型：逻辑回归（第二节）.mp4
│ 8. 基本模型：K-均值.mp4
│ 9. 性能指标.mp4
│
├─3. 第一模块：实战课
│ 1. 本节代码下载.html
│ 1.1 Github代码下载.html
│ 10. 数据清洗示例.mp4
│ 2. 本节内容安排.mp4
│ 3. Jupyter Notebook安装.html
│ 4. 环境配置.mp4
│ 5. 基本Python操作和Numpy（第一节）.mp4
│ 5.1 全面的Numpy教程.html
│ 6. 基本Python操作和Numpy（第二节）.mp4
│ 7. Scikit-learn介绍.mp4
│ 8. 运行逻辑回归（第一节）.mp4
│ 9. 运行逻辑回归（第二节）.mp4
│
├─4. 第一模块：项目课
│ 1. 本节代码下载.html
│ 1.1 Github代码下载.html
│ 2. Python教程介绍.mp4
│ 3. Numpy.mp4
│ 4. Pandas.mp4
│
├─5. 第二模块：理论课
│ 1. 本节内容安排.mp4
│ 10. 随机森林（第二节）.mp4
│ 11. 支持向量机（第一节）.mp4
│ 12. 支持向量机（第二节）.mp4
│ 13. 支持向量机（第三节）.mp4
│ 14. 支持向量机（第四节）.mp4
│ 15. 支持向量机（第五节）.mp4
│ 16. 第二模块作业.html
│ 17. 第二模块作业解析.mp4
│ 2. 决策树.mp4
│ 3. 决策树的算法.mp4
│ 4. 节点拆分.mp4
│ 5. 决策树的步骤和总结.mp4
│ 6. 权衡偏差和方差（第一节）.mp4
│ 7. 权衡偏差和方差（第二节）.mp4
│ 8. 权衡偏差和方差（第三节）.mp4
│ 9. 随机森林（第一节）.mp4
│
├─6. 第二模块：实战课
│ 1. 本节代码下载.html
│ 1.1 Github代码下载.html
│ 10. 随机森林（第二节）.mp4
│ 11. 随机森林（第三节）.mp4
│ 12. 随机森林（第四节）.mp4
│ 13. 支持向量机（第一节）.mp4
│ 14. 支持向量机（第二节）.mp4
│ 15. 支持向量机（第三节）.mp4
│ 15.1 视频中显示的scikit-learn文档（英文）.html
│ 16. 支持向量机（第四节）.mp4
│ 17. 支持向量机（第五节）.mp4
│ 2. 本节内容安排.mp4
│ 3. 自助法（第一节）.mp4
│ 4. 自助法（第二节）.mp4
│ 5. 自助法（第三节）.mp4
│ 6. 单节点树（第一节）.mp4
│ 7. 单节点树（第二节）.mp4
│ 8. 单节点树（第三节）.mp4
│ 8.1 Decision Stump 简单介绍.html
│ 9. 随机森林（第一节）.mp4
│
├─7. 第二模块：项目课
│ 1. 本节代码下载.html
│ 1.1 Github代码下载.html
│ 10. 尝试自己进行编程.html
│ 2. 开始搭建推荐系统项目.html
│ 3. 项目介绍（第一节）.mp4
│ 4. 项目介绍（第二节）.mp4
│ 5. 项目实现具体细节（第一节）.mp4
│ 6. 项目实现具体细节（第二节）.mp4
│ 7. 代码框架介绍（main.py）.mp4
│ 8. 代码框架介绍（README, Preprocessing）.mp4
│ 9. 代码框架介绍（Databaseinterface.py, Webserver.py）.mp4
│
├─8. 第三模块：理论课
│ 1. 本节内容安排.mp4
│ 10. 基于内容的过滤（第三节）.mp4
│ 11. 基于用户的协同过滤（第一节）.mp4
│ 12. 基于用户的协同过滤（第二节）.mp4
│ 13. 基于用户的协同过滤（第三节）.mp4
│ 14. 基于商品的协同过滤（第一节）.mp4
│ 15. 基于商品的协同过滤（第二节）.mp4
│ 16. 矩阵因式分解的协同过滤（第一节）.mp4
│ 17. 矩阵因式分解的协同过滤（第二节）.mp4
│ 18. 推荐系统的评估.mp4
│ 2. 推荐系统介绍（第一节）.mp4
│ 3. 推荐系统介绍（第二节）.mp4
│ 4. 几种推荐的方式.mp4
│ 5. 推荐系统算法的输入和输出.mp4
│ 6. 显式响应和隐式响应.mp4
│ 7. 信任、新颖、多样性和商业化.mp4
│ 8. 基于内容的过滤（第一节）.mp4
│ 9. 基于内容的过滤（第二节）.mp4
├─9. 第三模块：实战课
│ 1. 本节代码下载.html
│ 1.1 Github代码下载.html
│ 10. 奇异值分解（第二节）.mp4
│ 11. 矩阵因式分解的随机梯度下降.mp4
│ 12. 随机梯度下降的优化过程.mp4
│ 2. 本节内容安排.mp4
│ 3. 玩具问题及基本设置（第一节）.mp4
│ 4. 玩具问题及基本设置（第二节）.mp4
│ 5. 预测（第一节）.mp4
│ 6. 预测（第二节）.mp4
│ 7. 提升基准模型（第一节）.mp4
│ 8. 提升基准模型（第二节）.mp4
│ 9. 奇异值分解（第一节）.mp4
└─10. 第三模块：项目课
1. 本节代码下载.html
1.1 Github代码下载.html
2. 本节内容安排.mp4
3. Main.py和Webserver.py.mp4
4. RecEngine.py.mp4
5. RecEngine.py、UserAnalyzer.py和Ranker.py.mp4
6. Learners（第一节）.mp4
7. Learners（第二节）.mp4
8. Models（第一节）.mp4
9. Models（第二节）.mp4
