九天菜菜 机器学习实战视频教程
《九天菜菜 机器学习实战视频教程》620516a53f839635c21921e6ed8e70b8_4526d6b93fea425b8812c146bac0dca7.webp (14.4 KB, 下载次数: 41) 下载附件 保存到相册 2025-4-14 22:40 上传【技能收获】学完可掌握：Embedding 向量检索、AI Agent 智能体构建、Python 编程、网络安全 / CTF。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份
先说结论：这门课的名字容易让人误判
《九天菜菜 机器学习实战视频教程》被归在「算法数学」分类下，光看标题很像又一套从线性回归讲到神经网络的通识课。但翻完整个资料包的构成会发现，它的重心明显偏在「把模型接进真实系统」这一段——Embedding 向量检索、Agent 智能体搭建这类工程向内容占了相当篇幅，传统调参、特征工程反而更像是为后面铺路的中间站。如果你正在找一个能跑通 RAG 或智能体原型的参考实现，这门课的性价比比它的课程名体现出来的要高。
课纲里真正值钱的三块
第一块是向量检索相关章节。这类内容现在的通病是只讲 API 调用，不讲召回质量怎么评估、分块粒度怎么定、Embedding 模型换一个之后要不要重建索引，而这几件事恰恰是上线后最容易翻车的地方。第二块是 Agent 构建部分，重点不在「让模型调用一个工具」这种演示级代码，而在多步任务的编排与失败重试，这部分如果讲得细，是可以直接迁移到自己项目里的。第三块是 Python 侧的工程细节，包括数据处理管道和调试习惯，容易被跳过，但对非科班出身的学习者来说反而最影响后续能走多远。
哪些章节值得精看，哪些可以快进
- 向量检索与索引构建：建议逐段看，尤其是参数取舍的讲解段落，回放两遍不亏。
- Agent 编排：看完整流程的章节，单点工具调用的演示可以倍速。
- Python 基础语法部分：有编程底子的直接跳到综合项目，回头再按需补。
- 网络安全 / CTF 相关内容：属于选学模块，和机器学习主线关联不强，时间紧可以整段跳过。
资料包别整包囤，按用途拆
这个包里的东西适合分三堆用。第一堆是章节笔记，它的价值不在「学习时看」，而在「做完项目之后回头对照」，尤其是面试前把笔记里的关键概念串一遍，比重新刷视频快得多。第二堆是演示素材，适合动手改参数、换数据集做对照实验，光看不动手等于白学。第三堆是环境与依赖相关的说明，第一次配置时按它走，能省掉大半的版本冲突时间。视频本身建议不要一次性看完，每看完一个模块就停一下，自己写一个最小可运行版本，再进入下一段。
适合谁，不适合谁
适合已经有 Python 基础、想补上「模型怎么落地成产品」这一环的人，也适合做后端或数据方向、想快速摸清 RAG 与 Agent 工程链路的开发者。不适合完全零编程基础、指望靠这一门课补齐数学推导的人——它给的是工程手感，不是理论证明。另外要提醒一点：这类实战课的代码往往和当时的库版本绑定，跑之前先确认依赖版本，遇到报错优先查版本而不是怀疑自己写错了。
620516a53f839635c21921e6ed8e70b8_4526d6b93fea425b8812c146bac0dca7.webp 下载附件 保存到相册 2025-4-14 22:40 上传
课程推荐
《九天菜菜 机器学习实战视频教程》620516a53f839635c21921e6ed8e70b8_4526d6b93fea425b8812c146bac0dca7.webp 下载附件 保存到相册 2025-4-14 22:40 上传【技能收获】学完可掌握：Embedding 向量检索、AI Agent 智能体构建、Python 编程、网络安全 / CTF。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。
视频目录（257 节）
* 前言与导学（上）.mp4
* 前言与导学（下）.mp4
* 机器学习基本概念与建模流程（上）.mp4
* 机器学习基本概念与建模流程（下）.mp4
* 矩阵运算基础、矩阵求导与最小二乘法（一）.mp4
* 矩阵运算基础、矩阵求导与最小二乘法（二）.mp4
* 矩阵运算基础、矩阵求导与最小二乘法（三）.mp4
* 线性回归的手动实现.mp4
* 变量相关性基础理论.mp4
* 数据生成器与Python模块编写.mp4
* 线性回归手动实现与模型局限.mp4
* 机器学习模型可信度理论与交叉验证基础.mp4
* 逻辑回归模型构建与多分类学习方法（上）.mp4
* 逻辑回归模型构建与多分类学习方法（下）.mp4
* 逻辑回归参数估计.mp4
* 梯度下降基本原理与手动实现（上）.mp4
* 梯度下降基本原理与手动实现（下）.mp4
* 随机梯度下降与小批量梯度下降（上）.mp4
* 随机梯度下降与小批量梯度下降（下）.mp4
* 梯度下降优化基础：数据归一化与学习率调度（上）.mp4
* 梯度下降优化基础：数据归一化与学习率调度（下）.mp4
* 逻辑回归的手动实现方法（上）.mp4
* 逻辑回归的手动实现方法（下）.mp4
* 分类模型决策边界.mp4
* 混淆矩阵与F1-Score.mp4
* ROC-AUC的计算方法、基本原理与核心特性.mp4
* Scikit-Learn快速入门.mp4
* Scikit-Learn常用方法速通.mp4
* 正则化、过拟合抑制与特征筛选.mp4
* Scikit-Learn逻辑回归参数详解.mp4
* 机器学习调参入门.mp4
* 机器学习调参基础理论.mp4
* Scikit-Learn中网格搜索参数详解.mp4
* 多分类评估指标函数的使用方法.mp4
* GridSearchCV的进阶使用方法.mp4
* 无监督学习与K-Means基本原理.mp4
* K-Means聚类的Scikit-Learn实现.mp4
* K-Means与DBSCAN聚类.mp4
* 决策树模型的核心思想与建模流程.mp4
* CART分类树的建模流程.mp4
* sklearn中CART分类树的参数详解.mp4
* 8.3【加餐】ID3和C4.5的基本原理介绍.mp4
* CART回归树的建模流程与sklearn中评估器参数解释.mp4
* 集成算法开篇：Bagging方法的基本思想.mp4
* 随机森林回归器的实现.mp4
* 随机森林回归器的参数.mp4
* 集成算法的参数空间与网格优化.mp4
* 随机森林在巨量数据上的增量学习.mp4
* Bagging及随机森林6大面试热点问题.mp4
* 开篇：超参数优化与枚举网格搜索的理论极限.mp4
* 随机网格搜索（上）.mp4
* 随机网格搜索（下）.mp4
* Halving网格搜索（上）.mp4
* Halving网格搜索（下）.mp4
* 贝叶斯优化的基本流程.mp4
* Optuna.mp4
* 基于BayesOpt实现高斯过程gp优化.mp4
* 基于HyperOpt实现TPE优化.mp4
* 基于Optuna实现多种优化.mp4
* Boosting的基本思想与基本元素.mp4
* AdaBoost的参数（上）：弱评估器与学习率.mp4
* AdaBoost的参数（下）：实践算法与损失函数.mp4
* 原理进阶：AdaBoost算法流程详解.mp4
* 梯度提升树的基本思想与实现.mp4
* 迭代过程中的参数(1)：GBDT的初始化与多分类.mp4
* 迭代过程中的参数(2)：GBDT的8种损失函数.mp4
* 弱评估器结构参数：弗里德曼均方误差.mp4
* 梯度提升树的提前停止.mp4
* 袋外数据与其他参数.mp4
* 梯度提升树的参数空间与TPE优化.mp4
* (1)：GBDT数学流程与残差概念辨析.mp4
* (2)：拟合伪残差的数学意义与数学证明.mp4
* XGBoost的基本思想.mp4
* 实现XGBoost回归：sklearnAPI详解.mp4
* 实现XGBoost回归：xgb原生代码详解.mp4
* 实现XGBoost分类：目标函数与评估指标详解.mp4
* 基本迭代过程中的参数群.mp4
* 目标函数及其相关参数.mp4
* 三种弱评估器与DART树详解.mp4
* 弱评估器的分枝：结构分数与结构分数增益.mp4
* 控制复杂度：弱评估器的剪枝与训练数据.mp4
* XGBoost中的必要功能性参数.mp4
* XGBoost的参数空间.mp4
* XGBoost基于TPE的调参.mp4
* XGBoost的基本数学流程.mp4
* 化简XGBoost的目标函数.mp4
* 求解XGBoost的损失函数.mp4
* LightGBM入门与原理框架介绍.mp4
* EFB互斥特征捆绑策略.mp4
* 基于梯度的单边采样方法.mp4
* LightGBM**增益计算过程与叶节点优先生长策略.mp4
* LightGBM直方图优化算法.mp4
* 业务背景与Kaggle平台使用方法介绍.mp4
* 数据字段解释与数据质量检验.mp4
* 字段类型转化与缺失值填补.mp4
* 异常值检测.mp4
* 相关性分析.mp4
* 数据探索性分析与可视化呈现.mp4
* 数据重编码：OrdinalEncoder过程.mp4
* 数据重编码：OneHotEncoder过程.mp4
* 转化器流水线：ColumnTransformer过程.mp4
* 特征变换：数据标准化与归一化.mp4
* 连续变量分箱：等宽、等频与聚类分箱.mp4
* 连续变量分箱：目标编码与有监督分箱.mp4
* 逻辑回归机器学习流构建与训练.mp4
* 逻辑回归机器学习流超参数搜索调优.mp4
* 自定义sklearn评估器网格搜索.mp4
* 逻辑回归模型解释与特征系数解读.mp4
* 决策树模型训练与优化.mp4
* 决策树模型解释与结果解读.mp4
* 特征衍生方法综述.mp4
* 基于业务的新用户标识字段创建与验证.mp4
* 基于业务的服务购买字段创建.mp4
* 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
* 借助IV值检验衍生特征有效性方法.mp4
* 基于数据探索的合约字段创建与验证.mp4
* 单变量特征衍生方法.mp4
* 四则运算衍生与分组交叉衍生.mp4
* 分组统计特征衍生.mp4
* 多项式特征衍生.mp4
* 统计演变特征.mp4
* 多变量交叉组合特征衍生.mp4
* 多变量分组统计衍生方法介绍.mp4
* 多变量分组统计函数编写.mp4
* 多变量多项式衍生与笛卡尔积运算.mp4
* 多变量多项式衍生函数创建.mp4
* 时序特征分析方法.mp4
* 时序特征衍生与自然周期划分.mp4
* 时序特征衍生本质与时间差值衍生.mp4
* 时序特征衍生函数创建.mp4
* 时间序列分析简介.mp4
* 词向量化与TF-IDF.mp4
* NLP特征衍生方法介绍.mp4
* NLP特征衍生函数编写与使用.mp4
* 交叉组合与多项式衍生高阶函数.mp4
* 分组统计高阶函数编写.mp4
* 目标编码.mp4
* 关键特征衍生高阶函数.mp4
* 3.2.23特征衍生实战-1.mp4
* 特征衍生实战-2.mp4
* 特征衍生实战-3.mp4
* 特征衍生实战-4.mp4
* 特征衍生流程总结.mp4
* 特征筛选技术介绍.mp4
* 缺失值过滤与方差过滤.mp4
* 评分函数与特征筛选评估器.mp4
* 假设检验基本流程.mp4
* 卡方检验与特征筛选.mp4
* 方差分析与特征筛选.mp4
* 线性相关性的F检验.mp4
* 离散变量之间的互信息法.mp4
* 连续变量与离散变量的互信息法.mp4
* 连续变量之间的互信息计算过程.mp4
* 互信息法特征筛选实践.mp4
* feature_importance特征筛选.mp4
* RFE筛选与RFECV筛选.mp4
* SFS方法与SFM方法.mp4
* 特征筛选方法总结.mp4
* 4.0第四部分导学.mp4
* 海量特征衍生与筛选（上）.mp4
* 海量特征衍生与筛选（下）.mp4
* 网格搜索超参数优化实战（上）.mp4
* 网格搜索超参数优化实战（下）.mp4
* 模型融合与深度森林技术体系介绍.mp4
* 投票法与均值法.mp4
* 阈值移动的TPE搜索与交叉验证.mp4
* 加权平均融合与理论最优权重.mp4
* 加权平均法的经验法权重设置策略.mp4
* 基于搜索空间裁剪的权重搜索策略.mp4
* 交叉训练与Stacking融合的基本思路.mp4
* 交叉训练基本思想和数据准备.mp4
* 随机森林模型的交叉训练过程.mp4
* 决策树&逻辑回归的交叉训练.mp4
* 基于交叉训练的TPE搜索融合.mp4
* 175_Part-4.3.5.1-细粒度&多级分层加权融合原理.mp4
* 176_Part-4.3.5.2-细粒度&多级分层加权融合实践.mp4
* 177_Part-4.3.6.1-Stacking基本原理与手动实现方法.mp4
* 178_Part-4.3.6.2-Stacking优化方法初阶.mp4
* 179_Part-4.3.7.1-Stacking一级学习器训练策略.mp4
* 180_Part-4.3.7.2-Stacking元学习器优化流程.mp4
* 181_Part-4.3.8.1-Stacking自动超参数交叉训练函数.mp4
* 182_Part-4.3.8.2-Stacking自动元学习器优化函数.mp4
* 183_Part-4.3.9-Blending融合原理与实践.mp4
* 184_Part-4.3.10-Blending融合进阶优化策略.mp4
* 185_Part-4.3.11.1-回归类集成算法优化策略（上）.mp4
* 186_Part-4.3.11.2-回归类集成算法优化策略（下）.mp4
* 187_Part-4.3.12.1-回归问题的加权平均融合方法实践.mp4
* 188_Part-4.3.12.2-回归问题的Stacking&Blending融合方法.mp4
* 189_【金融案例】01-认识捷信金融还款风险预测.mp4
* 190_【金融案例】02-比赛背景与目标.mp4
* 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
* 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
* 193_【金融案例】05海量数据处理入门.mp4
* 194_【金融案例】06三剑客建立baseline.mp4
* 195_【金融案例】07-主表的领域特征：还款业务指标.mp4
* 196_【金融案例】08-Leaking-proof式目标编码.mp4
* 197_【金融案例】09-GAME策略和bureau表单的业务特征衍生.mp4
* 198_【金融案例】11GAME策略在附表中的综合应用.mp4
* 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
* 200_【金融案例】12自动化衍生技巧以及featuretools库的基本流程.mp4
* 201_【金融案例】13-featuretools在HomeCredit数据集的进阶应用.mp4
* 202_【金融案例】-14-特征工程成果与focal-loss原理精讲.mp4
* 203_【金融案例】-15-focal-loss-在二分类上的实现.mp4
* 204_【金融案例】17-Leaking-Usage：重复申请人漏洞.mp4
* 205_【金融案例】-16-focal-loss在多分类上的实现.mp4
* 206_【金融案例】-18-optuna实现贝叶斯优化.mp4
* 207_【金融案例】19-逆向工程与无限融合.mp4
* 208_【股价项目】01认识量化交易和股票收益预测.mp4
* 209_【股价项目】02-股票相关的金融概念与评估指标.mp4
* 210_【股价项目】03-kaggle三大经典比赛形式.mp4
* 211_【股价项目】04-股票数据的特征含义与业务理解.mp4
* 212_【股价项目】05-数据探索与股票字段的深入理解.mp4
* 213_【股价项目】06-basline的建立.mp4
* 214_【股价项目】-07-kaggle常见Q&A.mp4
* 215_【股价项目】08-趋势特征分析简介.mp4
* 216_【股价项目】-09-历史平移和增长率特征.mp4
* 217_【股价项目】10-窗口统计特征.mp4
* 218_【股价项目】12-市场波动特征.mp4
* 219_【股价项目】11-指数加权移动平均.mp4
* 220_【股价项目】13-时序特征工程在股价数据中的应用.mp4
* 221_【股价项目】14-行业分段建模与模型融合.mp4
* 222_【WDSM时序案例】01-赛题理解(1)-理解流媒体平台基本业务.mp4
* 223_【WDSM时序案例】02-赛题理解(2)-标签理解：用户留存分.mp4
* 224_【WDSM时序案例】03-赛题理解(3)-解读测试数据集.mp4
* 225_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(上).mp4
* 226_【WDSM时序案例】04-赛题理解(4)-解读登录数据集-(下).mp4
* 227_【WDSM时序案例】06-赛题理解(6)-解读视频与用户画像信息.mp4
* 228_【WDSM时序案例】05-赛题理解(5)-解读互动与视频播放信息.mp4
* 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
* 230_【WDSM时序案例】07-赛题理解(7)-时间窗口与赛题难点.mp4
* 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
* 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
* 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
* 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
* 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
* 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
* 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
* 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
* 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
* 240_【WDSM时序案例】19【加餐】时序模型-(6)-滞后算子与差分运算.mp4
* 241_【WDSM时序案例】18【加餐】时序模型-(5)-ARIMA模型与差分运算.mp4
* 242_【WDSM时序案例】21【加餐】时序模型-(8)-ACF与PACF的定义与图像.mp4
* 243_【WDSM时序案例】20【加餐】时序模型-(7)-ARIMA模型的平稳性要求.mp4
* 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
* 245_【WDSM时序案例】22【加餐】时序模型-(9)-ACF和PACF的三种趋势.mp4
* 246_【WDSM时序案例】24【加餐】时序模型-(11)-时序模型的评估指标.mp4
* 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
* 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
* 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
* 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
* 251_【WDSM时序案例】28【加餐】ARIMA模型的实现-(4)-解读ARIMA的Sum表单.mp4
* 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
* 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
* 254_【WDSM时序案例】32-多变量时序模型(3)-VARMAX模型的代码实现.mp4
* 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
* 256_【WDSM时序案例】33-机器学习中的时间序列(1)-Pmdarima实现SARIMAX.mp4
* 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
![[衡天云]爆款云服务器 低至12元/月](/hty.png)
