73.9-1-本章总览.mp4
74.9-2-SVM核心思想和原理.mp4
75.9-3-硬间隔SVM.mp4
76.9-4-SVM软间隔.mp4
77.9-5-线性SVM分类任务代码实现.mp4
78.9-6-非线性SVM：核技巧.mp4
79.9-7-SVM核函数.mp4
80.9-8-非线性SVM代码实现.mp4
81.9-9-SVM回归任务代码实现.mp4
82.9-10-SVM优缺点和适用条件.mp4
83.10-1-本章总览.mp4
84.10-2-贝叶斯方法核心思想和原理.mp4
85.10-3-朴素贝叶斯分类.mp4
86.10-4-朴素贝叶斯的代码实现.mp4
87.10-5-多项式朴素贝叶斯代码实现.mp4
88.10-6-贝叶斯方法优缺点和适用条件.mp4
89.11-1-本章总览.mp4
90.11-2-集成学习核心思想和原理.mp4
91.11-3-集成学习代码实现.mp4
92.11-4-并行策略：Bagging、OOB等方法.mp4
93.11-5-并行策略：随机森林.mp4
94.11-6-串行策略：Boosting.mp4
95.11-7-结合策略：Stacking方法.mp4
96.11-8-集成学习优缺点和适用条件.mp4