gitextract_ocl48bix/

├── Lesson-24-bank-additional-names.txt
├── Lesson1-Python Installation安装.ipynb
├── Lesson1-Python序言及安装.docx
├── Lesson10-Classes, Variables, Methods and Objects.ipynb
├── Lesson100-Naive Bayes (Classifier)算法特征.ipynb
├── Lesson101-SVM算法特征.ipynb
├── Lesson102-One-Vs-Rest and One-Vs-One Multi-Class Classification.ipynb
├── Lesson103-LinearSVC or SVC of SVM.ipynb
├── Lesson104-SVM Kernels 及手工验证实现Polynomial Kernels.ipynb
├── Lesson105-Imbalanced Data对于SVM影响以及C的作用.ipynb
├── Lesson106-Imbalanced Data对于算法的影响.ipynb
├── Lesson107-ANN Activation, Kernel_initialize, Optimizer, Loss, Output总结.ipynb
├── Lesson108-应用Transfer Learning和Vgg 16识别厨房刀具.ipynb
├── Lesson109-yolo/
│   ├── Lesson109-YOLO (You Only Look Once) Object Detection.ipynb
│   └── yolo-coco/
│       ├── coco.names
│       └── yolov3.cfg
├── Lesson11-Univariate,Bivariate and MultiVariate单变量多变量分析及柱状图.ipynb
├── Lesson110-MSE,RMSE,MAE.ipynb
├── Lesson111-How many Samplings.ipynb
├── Lesson112-Z-Score & Standard Deviations.ipynb
├── Lesson113-P-Value & Z-Score.ipynb
├── Lesson114-P-Value & Hypothese Test.ipynb
├── Lesson115-Hypothese Test & Correlation Tests & Stationary Tests.ipynb
├── Lesson116-Parametric Statistical Hypothesis Tests & Nonparametric.ipynb
├── Lesson12-Linear Regression Math.xlsx
├── Lesson13-50_Startups.csv
├── Lesson13-Python进阶ML-MultipleLinear Regression多元线性回归.ipynb
├── Lesson14-Python进阶ML-Polynomial (Linear) Regression多项式(线性)回归.ipynb
├── Lesson14-age-height.xlsx
├── Lesson15 Keynote.docx
├── Lesson15-Python进阶ML-MultiCollinearity In Linear Regression多重共线性及VIF.ipynb
├── Lesson15-Salary_Data.csv
├── Lesson16-实战Ridge & Lasso Regression解决线性回归的Overfitting过度拟合.ipynb
├── Lesson17-diabetes.csv
├── Lesson17-应用Logistic Regression逻辑回归建模.ipynb
├── Lesson18-如何对Data Set数据集进行清洗，转换，汇总及建模之完整步骤.ipynb
├── Lesson19-使用Decision Trees建模with Gini and Entropy.ipynb
├── Lesson2-Python Data Structures数据结构.ipynb
├── Lesson20-petrol_consumption.csv
├── Lesson20-使用Random Forests Classifiers&Regressor两种方式建模.ipynb
├── Lesson21- 使用Adaboost建模及工作环境下的数据分析整理.ipynb
├── Lesson21-titanic_test.csv
├── Lesson21-titanic_train.csv
├── Lesson22-Bagging vs Boosting&使用Xgboost和Gradient Boosting建模.ipynb
├── Lesson23-K Nearest Neighbour(KNN)建模.ipynb
├── Lesson24-Support Vector Machine建模.ipynb
├── Lesson24-bank-additional-full.csv
├── Lesson25-Bayes贝叶斯识别Spam Email垃圾邮件.ipynb
├── Lesson25-spam_ham_dataset.csv
├── Lesson26-Votingclassifier及11种算法全自动建模预测输出结果之完整源代码.ipynb
├── Lesson27-income.xlsx
├── Lesson27-无监督学习K Means Clustering.ipynb
├── Lesson28-Hierarchical Clustering哪些存量客户是新产品的目标用户.ipynb
├── Lesson28-customers data.csv
├── Lesson29-DBSCAN聚类与K-means及Hierarchical Clustering区别.ipynb
├── Lesson3-Numpy, Seaborn库.ipynb
├── Lesson30-纽约Uber数据分析图形化和K-means计算热点.ipynb
├── Lesson31-KMeans clustering如何验证K点最佳 - silhouette analysis.ipynb
├── Lesson32-无监督学习Principal Component Analysis(PCA)精简高维数据.ipynb
├── Lesson33-12种聚类(无监督学习)算法说明和区分比较(一).ipynb
├── Lesson33-clusterable_data.npy
├── Lesson34-12种聚类(无监督学习)算法说明和区分比较(二).ipynb
├── Lesson35-12种聚类(无监督学习)算法说明和区分比较(三).ipynb
├── Lesson36-数据科学家及12种聚类(无监督学习)算法简明源代码归纳.ipynb
├── Lesson37-基于信用卡交易欺诈非均衡数据的处理(1).ipynb
├── Lesson38-基于信用卡交易欺诈非均衡数据的处理(2).ipynb
├── Lesson39-Churn_Modelling.csv
├── Lesson39-对于已交付(客户流失预警)模型的模型可解释LIME.ipynb
├── Lesson4-Excel_Sample.xlsx
├── Lesson4-Pandas csv,json,html,excel,pickle.ipynb
├── Lesson4-mercedesbenz.csv
├── Lesson4-wine.csv
├── Lesson40-Model-Deployment-Flask/
│   ├── Lesson40-模型部署及使用flask建立web服务器.ipynb
│   ├── app.py
│   ├── hiring.csv
│   ├── model.pkl
│   ├── model.py
│   ├── static/
│   │   └── css/
│   │       └── style.css
│   └── templates/
│       └── index.html
├── Lesson41-Model-Deployment-Streamlit/
│   ├── Lesson41-使用streamlit6分钟完成模型部署及建立web服务器.ipynb
│   ├── app_streamlit.py
│   └── model.pkl
├── Lesson42-st.py
├── Lesson42-使用streamlit快速地图展现纽约Uber数据分析.ipynb
├── Lesson43-Insurance.csv
├── Lesson43-深度学习使用python建立最简单的神经元neuron.ipynb
├── Lesson44-data.csv
├── Lesson44-使用程序设计流程图解析并建立神经网络(不依赖深度学习library).ipynb
├── Lesson45-神经网络建立(结果可变)最小机器人.ipynb
├── Lesson46-矩阵乘积和(手工)验算2层神经网络.ipynb
├── Lesson47-Keras,TensorFlow和PyTorch比较及应用TensorFlow建立ANN模型.ipynb
├── Lesson47-pima-indians-diabetes.data
├── Lesson48-Activation Function为什么Relu比Sigmoid好 for Vanishing Gradient.ipynb
├── Lesson49-调整Activation Function参数对神经网络的影响.ipynb
├── Lesson5-Matplotlib.ipynb
├── Lesson50-ionosphere.csv
├── Lesson50-ionosphere.names.txt
├── Lesson50-神经网络ANN(MLP), CNN, RNN区别及应用(一).ipynb
├── Lesson51- 神经网络ANN(MLP), CNN, RNN区别及应用(二).ipynb
├── Lesson52- 神经网络ANN(MLP), CNN, RNN区别及应用(三).ipynb
├── Lesson53- 神经网络ANN(MLP), CNN, RNN区别及应用(四).ipynb
├── Lesson53-monthly-car-sales.csv
├── Lesson54-Keras and TensorFlow tf.keras区别-which Keras package.ipynb
├── Lesson55-Conventional Neural Network(CNN)图像处理过程解析.ipynb
├── Lesson55-Convolutions Neural Network(CNN)图像处理过程解析.ipynb
├── Lesson56-CNN应用Keras Tuner寻找最佳Hidden Layers层数和神经元数量.ipynb
├── Lesson57-应用ANN+SMOTE+Keras Tuner算法进行信用卡交易欺诈侦测.ipynb
├── Lesson58-使用Word Embedding+Keras进行自然语言处理NLP.ipynb
├── Lesson59-使用Word Embedding+Keras建立最小语义解释器NLP.ipynb
├── Lesson6-Seaborn图形进行数据分析.ipynb
├── Lesson60-使用word2vec+tensorflow进行NLP自然语言处理.ipynb
├── Lesson61-使用Gensim word2vec自然语言处理NLP.ipynb
├── Lesson62- 应用LSTM识别Fake News(NLP).ipynb
├── Lesson63-Bidirectional RNN LSTM识别Fake News(NLP).ipynb
├── Lesson64-AAPL.csv
├── Lesson64-使用Stacked LSTM预测Apple股票价格T+N.ipynb
├── Lesson66-Data.csv
├── Lesson66-NLP Count Vectorizer与TF-IDF Vectorizer比较.ipynb
├── Lesson67-投研策略-基于上市公司消息面股票涨跌的分析Sentiment Analysis NLP.ipynb
├── Lesson68-Kelly凯利方程式-对风险及收益的评估.ipynb
├── Lesson69-应用Keras Vgg16, Vgg19, Resnet等模型图像识别CNN.ipynb
├── Lesson7-ForIf&Functions函数.ipynb
├── Lesson70-应用Transfer Learning改造Keras Vgg 16等模型图像识别CNN.ipynb
├── Lesson71-使用CNN Keras建立模型进行图像识别.ipynb
├── Lesson72-使用flask建立图像识别小程序Demo/
│   ├── Lesson72-使用flask建立图像识别小程序Demo.ipynb
│   ├── app.py
│   ├── static/
│   │   ├── css/
│   │   │   └── main.css
│   │   └── js/
│   │       └── main.js
│   └── templates/
│       ├── base.html
│       └── index.html
├── Lesson73-Imbanlanced Data非均衡数据下的人脸识别.ipynb
├── Lesson74-使用OpenCV读写和展示图像.ipynb
├── Lesson75-使用OpenCV HAAR Cascade Classifiers识别脸部和眼部特征.ipynb
├── Lesson76-使用OpenCV HAAR Cascade Classifiers识别(视频)人脸和眼部特征.ipynb
├── Lesson77-使用OpenCV HAAR Cascade Classifiers识别行人和行驶汽车.ipynb
├── Lesson78-使用MTCNN识别人脸和眼部特征.ipynb
├── Lesson79-使用OpenCV对(脸部)图像模糊处理.ipynb
├── Lesson80-使用OpenCV卡通化图像和艺术化图像.ipynb
├── Lesson81-在CNN最后一层使用SVM实施Image Classification.ipynb
├── Lesson82-Face-Mask-Detection/
│   ├── Lesson82-使用Keras, OpenCV和MobileNet识别口罩是否佩戴.ipynb
│   ├── face_detector/
│   │   ├── deploy.prototxt
│   │   └── res10_300x300_ssd_iter_140000.caffemodel
│   ├── mask_detector.model
│   └── requirements.txt
├── Lesson83-haarcascade_frontalface_default.xml
├── Lesson83-使用Keras, OpenCV识别是否佩戴口罩.ipynb
├── Lesson84-从Python到算法精通：为什么使用Feature Scaling？面试题.ipynb
├── Lesson85-如何使用Feature Scaling？什么时候使用？面试题.ipynb
├── Lesson86-哪些算法sensitive to outliers(handle well)？Interview Q.ipynb
├── Lesson87-Confusion Matrix Type 2 Error与Type 1 Error相比哪个影响更坏？Interview Q.ipynb
├── Lesson88-Linear Regression特性？Interview Q.ipynb
├── Lesson89-Logistics Regression特性？Interview Q.ipynb
├── Lesson9-String,Iterables vs Iterators, Pyforest.ipynb
├── Lesson90-When Decision Tree is Better Than Logistic Regression Interview Q.ipynb
├── Lesson91-Overfitting - Low Bias and High Variance(Decision Tree).ipynb
├── Lesson92-Decision Tree特性？ Interview Q.ipynb
├── Lesson93-Ensemble Learning Interview Q.ipynb
├── Lesson94-万金油-Random Forest 特性？ Interview Q.ipynb
├── Lesson95-AdaBoost, GBoost, XGBoost -- Boosting特性？ Interview Q.ipynb
├── Lesson96-XGBoost, Light GBM, CatBoost算法比较.ipynb
├── Lesson97-Python LightGBM建模.ipynb
├── Lesson97-adult_csv.csv
├── Lesson99-Naive Bayes(Bernoulli,Multinomial,Gaussian)算法区别及与RF比较.ipynb
├── lesson12-Python进阶ML-使用Python应用Linear Regression线性回归.ipynb
├── lesson8-Lambda,Map,Filter,List Comprehension.ipynb
└── 第65讲 量化交易Quant-使用Stacked LSTM预测T+1上证指数.ipynb