30 | 经典的数据挖掘方法:数据驱动型开发早期的努力
31 | 表格化数据挖掘基本流程:看看现在的数据挖掘都是怎么做的?
32 | Pandas简介:如何使用Pandas对数据进行处理?
33 | Matplotlib简介:如何进行简单的可视化分析?
34 | 半自动特征构建方法:Target Mean Encoding
35 | 半自动特征构建方法:Categorical Encoder
37 | 半自动特征构建方法:Entity Embedding
38 | 半自动构建方法:Entity Embedding的实现
40 | 半自动特征构建方法:缺失变量和异常值的处理
41 | 自动特征构建方法:Symbolic learning和AutoCross简介
43 | 降维方法:Denoising Auto Encoders
44 | 降维方法:Variational Auto Encoder
47 | 集成树模型:GBDT和XgBoost的数学表达
49 | 集成树模型:CatBoost和NGBoost简介
50 | 神经网络建模:如何让神经网络实现你的数据挖掘需求
51 | 神经网络的构建:Residual Connection和Dense Connection
52 | 神经网络的构建:Network in Network
53 | 神经网络的构建:Gating Mechanism和Attention
55 | 神经网络的构建:Activation Function
56 | 神经网络的构建:Normalization
59 | 神经网络的训练:新的PyTorch训练框架
60 | Transformer:如何通过Transformer榨取重要变量?
62 | xDeepFM:如何用神经网络处理高维的特征?
64 | 时序建模:如何用神经网络解决时间序列的预测问题?
66 | 图网络简介:如何在图结构的基础上建立神经网络?
67 | 模型融合基础:如何让你所学到的模型方法一起发挥作用?
68 | 高级模型融合技巧:Metades是什么?
69 | 挖掘自然语言中的人工特征:如何用传统的特征解决问题?