深度学习最前沿技术

07-28 02:25

深度学习最前沿技术 Kaggle案例实战课程深度学习之Kaggle实战指南

深度学习最前沿技术 Kaggle案例实战课程深度学习之Kaggle实战指南 ├第01课.机器学习解决问题综述课.mp4 ├第03课_kaggle案例实战班.mp4 ├第04课_kaggle案例实战班.mp4 ├第05课_kaggle案例实战班.mp4 ├第06课_kaggle案例实战班.mp4 ├第07课_kaggle案例实战班.mp4 ├第08课_kaggle案例实战班.mp4 ├第二节.mp4 ├<代码> │ ├ │ │ ├blending.py │ │ ├cs228-python-tutorial.ipynb │ │ ├Feature_engineering_and_model_tuning.zip │ │ ├ │ │ │ ├ │ │ │ │ ├Feature Engineering.ipynb │ │ │ │ ├Test.csv │ │ │ │ ├test_modified.csv │ │ │ │ ├Train.csv │ │ │ │ ├train_modified.csv │ │ │ │ ├XGBoost models tuning.ipynb │ │ │ │ ├<.ipynb_checkpoints> │ │ │ │ │ ├Feature Engineering-checkpoint.ipynb │ │ │ │ │ └XGBoost models tuning-checkpoint.ipynb │ │ │ ├ │ │ │ │ ├test.csv │ │ │ │ ├Titanic.ipynb │ │ │ │ ├train.csv │ │ │ │ ├<.ipynb_checkpoints> │ │ │ │ │ └Titanic-checkpoint.ipynb │ │ │ ├ │ │ │ │ ├Kaggle_Bicycle_Example.ipynb │ │ │ │ ├kaggle_bike_competition_train.csv │ │ │ │ ├<.ipynb_checkpoints> │ │ │ │ │ └Kaggle_Bicycle_Example-checkpoint.ipynb │ │ │ │ ├ │ │ │ │ │ ├Kaggle_Bicycle_Example_34_0.png │ │ │ │ │ ├Kaggle_Bicycle_Example_42_0.png │ │ │ │ │ ├Kaggle_Bicycle_Example_43_0.png │ │ │ │ │ ├Kaggle_Bicycle_Example_44_0.png │ │ │ │ │ ├Kaggle_Bicycle_Example_45_0.png │ │ │ │ │ ├Kaggle_Bicycle_Example_46_1.png │ │ │ │ │ ├Kaggle_Bicycle_Example_47_1.png │ │ │ │ │ └Kaggle_Bicycle_Example_49_1.png │ ├ │ │ ├ │ │ │ ├data_description.txt │ │ │ ├<_ipynb_checkpoints> │ │ │ ├ │ │ │ │ ├sample_submission.csv │ │ │ │ ├test.csv │ │ │ │ └train.csv │ │ │ ├ │ │ │ │ ├house_price.html │ │ │ │ ├house_price.ipynb │ │ │ │ ├house_price_advanced.html │ │ │ │ ├house_price_advanced.ipynb │ │ │ │ ├<.ipynb_checkpoints> │ │ │ │ │ ├house_price_advanced-checkpoint.ipynb │ │ │ │ │ └house_price-checkpoint.ipynb │ │ ├ │ │ │ ├<_ipynb_checkpoints> │ │ │ ├ │ │ │ │ ├Combined_News_DJIA.csv │ │ │ │ ├DJIA_table.csv │ │ │ │ └RedditNews.csv │ │ │ ├ │ │ │ │ ├news_stock.html │ │ │ │ ├news_stock.ipynb │ │ │ │ ├<.ipynb_checkpoints> │ │ │ │ │ └news_stock-checkpoint.ipynb │ ├ │ │ ├avazu-CTR-Prediction-LR.zip │ │ ├feature.search │ │ ├feature.search_ads │ │ ├feature_map.search_ads │ │ ├generate_train_feature_mapper.py │ │ ├generate_train_feature_reducer.py │ │ ├kaggle-avazu-rank1.zip │ │ ├kaggle-avazu-rank2.zip │ │ ├search_ads_feature.sample │ │ ├search_click_data.sample │ │ ├Spark-Criteo-CTR-Prediction.ipynb │ │ └xgb_ads.conf │ ├ │ │ ├ │ │ ├ │ │ │ ├news_stock.html │ │ │ ├news_stock_advanced.html │ │ │ ├search relevance.ipynb │ │ │ ├search relevance_advanced.ipynb │ │ │ ├search+relevance.html │ │ │ ├search+relevance_advanced.html │ │ │ ├<.ipynb_checkpoints> │ │ │ │ ├search relevance_advanced-checkpoint.ipynb │ │ │ │ └search relevance-checkpoint.ipynb │ ├ │ │ ├energy_forecasting_notebooks.zip │ │ └subway_prediction_notebook.zip │ ├ │ │ ├cat_dog.html │ │ ├char_rnn.html │ │ ├image_search.html │ │ ├Kaggle第06课：走起~深度学习.pdf │ │ ├Kaggle第06课：走起~深度学习.pptx │ │ ├news_stock_advanced.html │ │ ├word_rnn.html │ │ ├ │ │ │ ├chi_square.png │ │ │ └RGBHistogram.jpg │ │ ├<猫狗的数据> │ │ │ ├cats-vs-dogs.txt │ │ │ ├sample_submission.csv │ │ │ ├test.zip │ │ │ └train.zip │ ├ │ │ ├data.zip │ │ ├Kaggle event recommendation competition.ipynb │ │ ├kaggle-event-recommendation-rank1.zip │ │ └Rossmann_Store_Sales_competition.ipynb │ ├ │ │ └PPD_RiskControl_Competition.zip ├<课件> │ ├Kaggle第05课：能源预测与分配问题.pdf │ ├Kaggle第06课：走起~深度学习.pdf │ ├Kaggle第06课：走起~深度学习.pptx │ ├ │ │ ├Kaggle第01课：机器学习算法、工具与流程概述.pdf │ │ └分享的链接.txt │ ├ │ │ └Kaggle第02课：经济金融相关问题.pdf │ ├ │ │ ├kaggle-2014-criteo.pdf │ │ ├kaggle-avazu.pdf │ │ ├predicting-clicks-facebook.pdf │ │ ├阿里妈妈：大数据下的广告排序技术及实践.pdf │ │ ├百度凤巢：DNN在凤巢CTR预估中的应用.pdf │ │ ├从FM到FFM.pdf │ │ ├第3课–排序与CTR预估.pdf │ │ ├京东电商广告和推荐系统的机器学习系统实践.pdf │ │ └腾讯广点通：效果广告中的机器学习技术.pdf │ ├ │ │ └Kaggle第四课.pdf │ ├ │ │ └第5课：能源预测与分配问题.pdf │ ├ │ │ └第7课：推荐与销量预测相关问题.pdf │ ├ │ │ ├第8课：金融风控问题.pdf │ │ └金融风控大赛解决方案.pdf

411