收起左侧

[机器学习] python数据分析与机器学习实战2017年7月

259
回复
59635
查看
  [复制链接]
  • TA的每日心情
    郁闷
    17 小时前
  • 签到天数: 2554 天

    [LV.Master]伴吧终老

    发表于 2017-10-9 02:16:00 | 显示全部楼层 |阅读模式

    登录后查看本帖详细内容!

    您需要 登录 才可以下载或查看,没有帐号?立即注册

    x
    python数据分析与机器学习实战
    2017年7月新课  课程总时长:11小时12分钟
    R25CE_}1R9F]]_3JP@FC6%6.png
    适用人群
    / q" c! s8 S0 K, B1 B% {7 s" ^数据分析,机器学习,数据挖掘领域研究者。Python语言使用者。
    " M+ H# J' f$ ?( N课程概述% J& p6 K0 n# }* ?. {
    课程概述:
    " j3 G, h; r; ~' B+ Y; ~使用数据领域最主流语言Python及其分析与建模库作为核心武器。对于机器学习经典算法给出完整的原理推导并基于实例进行讲解,基于案例演示如何应用机器学习算法解决实际问题。
    / q* c/ O. H; A, G+ s# n9 s7 a! F# w2 F% l" p1 [
    课程特色:
    ; U/ L4 {9 ]9 c/ D; E, P$ j, p' o1.        通俗易懂,快速入门- N+ I' k/ w! x, E
    对机器学习经典算法结合数学推导进行形象解释,实例演示。2 L( B, w& O0 W6 I  Z9 s
    2.        Python主导,实用高效
    : r" o: l# W$ Y0 G! g' q8 \( j2 m使用数据领域最主流语言Python及其分析与建模库作为课程核心工具。" Q$ R" ]% r4 a" a' Z3 I* o. g& o" g
    3.        案例为师,实战护航
    ) N  s) v7 J3 C: B: [0 s2 C2 V基于真实数据集,从零开始结合Python工具与机器学习算法完成整个案例实战。$ T( ^3 F0 o4 ~) M# d) N$ `
    4.        持续更新,一劳永逸
    ; C& y* L0 Y7 {) d. U* ^. `Python数据分析与机器学习课程会支持更新下去,逐步加入更多算法与案例。& X9 N7 D. C4 y- u- R; r$ i
    . r# p- `( f% L) M
    课程学习路线图:; J) b4 `" u  m/ l" S3 u" k
    机器学习数据分析实战.png 0 V) h* F/ z% o0 Q5 ^

    ) ]2 O+ S$ j0 k6 ^6 V$ ?目录& N) a: C+ p. P2 y6 l% c/ ^/ n' w
    章节1: Python科学计算库-Numpy+ Q4 F3 R$ w8 u9 S6 N1 L3 i
            课时1课程介绍(主题与大纲)  10:46: D& n8 u$ w- T' O3 d. J9 D
            课时2机器学习概述  10:04
    , a* h0 D3 v9 c0 I4 d) p# E        课时3使用Anaconda安装python环境(Python新手先看这个)  13:10
    ' g; T6 i' {* S; F        课时4课程数据,代码,PPT(在参考资料界面)
    ; V1 I% g7 B4 Y) T5 u+ f+ t6 @/ Q& f        课时5科学计算库Numpy  10:32' q7 \  d# R9 O9 G4 \
            课时6Numpy基础结构  10:412 K% H0 ?; K7 _1 c
            课时7Numpy矩阵基础  05:55
    7 {( R* c" x+ ]$ n& X        课时8Numpy常用函数  12:02
    - ^( s$ \9 \, U8 P& \; h$ i2 T  X6 [        课时9矩阵常用操作  10:184 O; t& v" E7 q3 M8 W2 a
            课时10不同复制操作对比  10:49* z; g7 g3 }( p3 i1 X

    + C$ d: O1 v( q! M" B4 K章节2: python数据分析处理库-Pandas2 w4 P. ?1 J+ Z/ @
            课时11Pandas数据读取  11:50. V5 G( b# ?; Q; n6 ~0 h7 E, _2 C
            课时12Pandas索引与计算  10:26
    / ^' q: q3 [: i1 U" w        课时13Pandas数据预处理实例  13:01# [7 }. H4 Q$ E" b9 |
            课时14Pandas常用预处理方法  11:11# p/ {% o- C' V1 |- s* P8 d
            课时15Pandas自定义函数  07:44) a0 f+ C. a! k2 T
            课时16Series结构  12:290 j6 K) c8 e  d' Z5 W
    0 T9 \' W7 b/ w# U* w
    章节3: Python数据可视化库-Matplotlib" J3 F$ p0 v- ]" @5 B
            课时17折线图绘制  08:25
    # k* U% R0 Q/ _% v        课时18子图操作  14:05
    ' P+ \3 S8 K$ p" ?* n6 I; V        课时19条形图与散点图  10:127 D% N" X- s+ v* u; t
            课时20柱形图与盒图  10:172 X1 m' D+ @$ q4 I
            课时21细节设置  06:139 t4 V' k- T* V+ E* Z0 S, R+ J/ x4 |

    - k/ d% [' x: T* K; S章节4: Python可视化库Seaborn
    5 C0 }+ o  R' J        课时22Seaborn简介  02:44  F& s3 j$ c, b# g! Q$ t
            课时23整体布局风格设置  07:48
    6 S) H( F; z4 a' E        课时24风格细节设置  06:502 R2 h; C  n. o9 j8 g+ c- G) ^6 N( B
            课时25调色板  10:409 d$ R  h, ]7 S# k  L+ {& ^, a
            课时26调色板颜色设置  08:18
    , t' r: r+ G' Q7 A& f, K* R. c        课时27单变量分析绘图  09:382 k# I" K8 F( u6 V0 r( s& {9 I
            课时28回归分析绘图  08:53
    6 W/ w( l2 Z- ?( @$ f2 o: K        课时29多变量分析绘图  10:36' x; G6 P2 ^/ q( b8 @8 X  W& @
            课时30分类属性绘图  09:40
    & |6 ^+ h  A& I  D1 w7 p        课时31Facetgrid使用方法  08:50
      L( E' G* x* z# @/ ]3 m        课时32Facetgrid绘制多变量  08:30. T: D, F4 [8 X9 p7 k9 @$ r2 e
            课时33热度图绘制  14:19
    4 j2 P0 ^& b2 C: z9 R3 ~$ S+ K3 l+ _% `4 Y% S
    章节5: 回归算法
    . a" n/ [; m1 m6 w) w  G. b( P        课时34回归算法综述  09:42
    . L# [$ U& n2 D% z5 H  e6 o9 [        课时35回归误差原理推导  13:01
    ) J" w# X0 a# G! E+ I5 I" k        课时36回归算法如何得出最优解  12:052 T% z+ u5 W" d# j( q9 C
            课时37基于公式推导完成简易线性回归  08:40
    4 [, C& U1 q8 }8 u        课时38逻辑回归与梯度下降  16:595 r& ^+ K8 u* L8 A# m4 h) n
            课时39使用梯度下降求解回归问题  15:13
    & d+ y: \, B- \& ]8 ]; |3 F: r- j. }6 l* S
    章节6: 决策树; Z9 ?/ L/ q7 K
            课时40决策树算法综述  09:40+ S3 Z3 J% w: \. m
            课时41决策树熵原理  13:20
    0 e* S0 ]! Z# e/ D        课时42决策树构造实例  11:00
    0 b  ^+ b8 f: a- ~        课时43信息增益原理  05:273 s6 e1 L3 U" q3 W
            课时44信息增益率的作用  16:391 {' `% o0 x) X
            课时45决策树剪枝策略  12:08
    - R! G! i" }& d" a$ c        课时46随机森林模型  09:15$ l2 [. y3 B7 p# [. u
            课时47决策树参数详解  17:49
    3 p, W+ l5 \- Y% e, w( V5 ]0 x; R. ~
    $ ~- b4 O- n7 u9 Q章节7: 贝叶斯算法
    . b' g  f3 P% ~- A% `        课时48贝叶斯算法概述  06:58" }0 Q1 _3 [7 e8 |& r; A3 h8 Q
            课时49贝叶斯推导实例  07:38
    ; m, e6 H1 v2 X        课时50贝叶斯拼写纠错实例  11:46. E2 p2 X5 {5 g; ^% O) P
            课时51垃圾邮件过滤实例  14:104 \( [3 |& t$ R0 m( Q: P
            课时52贝叶斯实现拼写检查器  12:21
    4 C8 Y% U: P/ c+ W: x
    : g# ?( f. U8 O( R: \. C% l- r章节8: 支持向量机( p# e5 F3 r' E
            课时53支持向量机要解决的问题  12:01: h- N5 C0 d( X9 V: j2 R3 @
            课时54支持向量机目标函数  10:01$ ~% n8 ^7 t+ a% s. P  }/ F
            课时55支持向量机目标函数求解  10:05
    + E5 X1 L. K' s0 F( ~# p        课时56支持向量机求解实例  14:18* N0 @2 A5 q: C
            课时57支持向量机软间隔问题  06:559 p( |) X1 I% `' i
            课时58支持向量核变换  10:17
    $ D  V/ h# a5 R        课时59SMO算法求解支持向量机  29:29: D0 \! |' _7 ^
    . ~7 F* ?$ o* @/ z: T
    章节9: 神经网络7 q+ Y1 T% y0 e# i
            课时60初识神经网络  11:28  B3 I  i/ W/ I; ~
            课时61计算机视觉所面临的挑战  09:40
    ( Z! W0 v7 x2 F. u+ t. r6 b& d2 V        课时62K近邻尝试图像分类  10:01
    / B5 t: g+ p. a        课时63超参数的作用  10:31. V+ _- h# I3 C7 x! C
            课时64线性分类原理  09:35
    & G' ?& z* y- Q+ V) G5 _" B        课时65神经网络-损失函数  09:18
      p& K( }! w4 J- ~' Q3 Y! S        课时66神经网络-正则化惩罚项  07:19& j$ Y& A. z+ A, |' `
            课时67神经网络-softmax分类器  13:39  [' N- {1 g" `2 w0 S% q
            课时68神经网络-最优化形象解读  06:47  W! |; q+ v+ t1 L/ ]: s' N
            课时69神经网络-梯度下降细节问题  11:49' ^, z) D# ?, s( [0 F
            课时70神经网络-反向传播  15:17
    # a  @2 ~- r8 Z  ?        课时71神经网络架构  10:112 w% |) H3 k8 T
            课时72神经网络实例演示  10:39$ J. L% Z* I8 o, H# W( c
            课时73神经网络过拟合解决方案  15:54& @. `: z- a/ q
            课时74感受神经网络的强大  11:30" ]; C7 K" O8 S" }6 s) r# Y
    ( q# ^. Y2 F! u" a0 o
    章节10: Xgboost集成算法
    & _! j1 \9 q* @1 P7 Y        课时75集成算法思想  05:35; H0 D' n( z/ l! C, S
            课时76xgboost基本原理  11:07
    , }6 d/ f! y7 t& c9 T  C& w        课时77xgboost目标函数推导  12:18
    , H8 l& r- B  i! ~8 \, W        课时78xgboost求解实例  11:292 v! ]1 _. S  G
            课时79xgboost安装  03:32
    - c' k) W* G) c3 D' d        课时80xgboost实战演示  14:44
    ) l6 J- q; [) N8 t        课时81Adaboost算法概述  13:013 d/ _) I2 L, V% G* D
    & E6 W9 u: m6 z) j6 }% J! w
    章节11: 自然语言处理词向量模型-Word2Vec
    % c2 `+ @6 w# \% G8 s        课时82自然语言处理与深度学习  11:58
    " P: ]9 J  u! Q# w$ H        课时83语言模型  06:16
    9 F0 `. X% s( M: a0 X4 o: b4 S8 y        课时84-N-gram模型  08:32
    / B2 A6 n  H6 P& D: n2 g        课时85词向量  09:28
    4 {  _- A! m0 q        课时86神经网络模型  10:03
    0 P( T5 V" g% Y6 d! P        课时87Hierarchical Softmax  10:01
    6 I# R  \1 G+ h        课时88CBOW模型实例  11:212 S5 v6 t; E, a4 y+ v0 p
            课时89CBOW求解目标  05:39
    3 g% u9 [. X+ v6 [9 L4 D        课时90梯度上升求解  10:11  I# t9 H$ {. n' f5 Y8 h
            课时91负采样模型  07:15
    # F. r8 ]( Z- y. S/ C! ^, _
    4 U, x, W7 C2 a5 _/ t. N# B章节12: K近邻与聚类8 s  [1 S$ m! l; I  ^* H" l
            课时92无监督聚类问题  16:04
    ( E; h1 `6 L" q( m6 L; p        课时93聚类结果与离群点分析  12:55
    & W0 r3 I3 M& n" y3 R; E; [( e        课时94K-means聚类案例对NBA球员进行评估  14:23
    . H) c6 m0 P+ R; X( C        课时95使用Kmeans进行图像压缩  07:58
    . Z' [: Z6 `( f" I        课时96K近邻算法原理  12:34
    ! p- {( X, F% {8 e- T. g        课时97K近邻算法代码实现  18:44% a4 s  ], m- t- C! \, J! Y

    4 K/ k. I, U9 ~' b章节13: PCA降维与SVD矩阵分解! k5 {! n" V8 X7 ]# I( c
            课时98PCA基本原理  10:488 h% v2 ]" m9 j, `1 ~* O
            课时99PCA实例  08:34+ _4 Y( |3 n5 ^/ k
            课时100SVD奇异值分解原理  10:08
    / r, m4 d) a7 W: }+ \0 X8 G1 W& M        课时101SVD推荐系统应用实例  13:317 B* x0 I* `2 _5 H4 b

    9 n8 E$ n5 R4 T章节14: scikit-learn模型建立与评估
    - N9 D: p/ @! t# ?# k1 D        课时102使用python库分析汽车油耗效率  15:09
    4 ]/ }3 j' H5 ^1 d4 B, D        课时103使用scikit-learn库建立回归模型  14:02  A) i. b# y) n; E9 X& `& ~
            课时104使用逻辑回归改进模型效果  13:122 C  d, ?$ @0 _7 [' a& M" [! i
            课时105 模型效果衡量标准  20:091 j- Q! z$ s9 }* s  N
            课时106ROC指标与测试集的价值  14:31
    % L" g+ y5 q( R$ W# i        课时107交叉验证  15:15
    8 [" S0 D% V/ c0 m7 H( m        课时108多类别问题  15:52  A; _6 W& T( k6 s6 T- K9 f$ r2 m2 ?

    5 n' B* H/ T1 U2 p$ m4 h章节15: Python库分析科比生涯数据( [8 y7 P3 h" k  N$ h( k* E
            课时109Kobe Bryan生涯数据读取与简介  07:45
    7 v5 T7 j; Y( m) e" v' t        课时110特征数据可视化展示  11:41, ]+ F2 L( Z1 N
            课时111数据预处理  12:32% J; Q. B0 z% z0 f$ W2 y
            课时112使用Scikit-learn建立模型  10:12
    ! c* x' V6 w& r) ~# ~" M$ D3 M  m5 i; o1 s: A( X& ^
    章节16: 机器学习项目实战-泰坦尼克获救预测
    - L; |- ]7 I4 x1 N        课时113船员数据分析  11:024 k( D0 Y9 h' y- |
            课时114数据预处理  11:39
    & p% d: r7 R9 p4 h2 F8 v        课时115使用回归算法进行预测  12:13
    7 M5 e' z' S6 W. P$ ~, H9 S! P6 v        课时116使用随机森林改进模型  13:25
    6 a' N/ Q! B$ e7 l4 Z. P; n        课时117随机森林特征重要性分析  15:55& Y# z% x1 u5 u9 L$ ^6 u! x
    ( I9 U0 T  p+ w- E# w
    章节17: 机器学习项目实战-交易数据异常检测$ W/ E4 U8 ]) R$ U
            课时118案例背景和目标  08:32
    . `1 i& c3 C! W( k8 L        课时119样本不均衡解决方案  10:18
    ) c$ @& A7 @) Q6 q5 `        课时120下采样策略  06:36
    & a0 S# p3 V: U# g9 k        课时121交叉验证  13:03
    ) D3 W' l0 ~! C        课时122模型评估方法  13:06# L$ S& L! |- G) a+ `
            课时123正则化惩罚  08:09
    ' j7 [: H% r* d        课时124逻辑回归模型  07:37- `8 b# @" }. l4 @/ j
            课时125混淆矩阵  08:53
    0 U2 m% `- l7 `/ ~% J1 f3 t! {        课时126逻辑回归阈值对结果的影响  10:01
    8 I$ n6 n+ k5 \        课时127SMOTE样本生成策略  15:51
    6 H  J9 Q7 ~$ w' \2 j. U
    / T. X3 Q% `6 j* u8 K# p% C章节18: Python文本数据分析:新闻分类任务# V# a! n( o' m6 i1 ]* B0 n, U( G+ S% d
            课时128文本分析与关键词提取  12:11: d3 y4 F2 u9 A5 C# m! S
            课时129相似度计算  11:44
    6 E3 y9 R; S/ {2 k, F. I/ ~$ s        课时130新闻数据与任务简介  10:207 f) M5 X9 ~0 Q% |; }- e  g2 D! U4 a
            课时131TF-IDF关键词提取  13:28
    , A4 B7 j; I, b" ~        课时132LDA建模  09:10
    2 ~# y1 i4 A. [1 F6 ^9 `- U: d        课时133基于贝叶斯算法进行新闻分类  14:537 H8 Y1 @8 `1 ~( Q, B$ [
    & @2 B0 _2 K0 }* ^2 `! G& G, X2 |
    章节19: Python时间序列分析5 E5 E' H9 |; \" b' X" [
            课时134章节简介  01:034 p, x& |& L/ W( j0 p
            课时135Pandas生成时间序列  11:28
    7 |" Z- O+ `4 P& o* y1 g        课时136Pandas数据重采样  09:22: l3 z# s7 y* X& M
            课时137Pandas滑动窗口  07:47( }6 d4 q; K, ~3 r
            课时138数据平稳性与差分法  11:10
    : D6 g- w* @' R& {; a. T        课时139ARIMA模型  10:34
    7 \4 R/ T' H- W0 N2 {, q        课时140相关函数评估方法  10:46- |: H6 T% {  D; u$ Z
            课时141建立ARIMA模型  07:48# K4 B( U. ]/ ]5 ^- M
            课时142参数选择  12:40* C! ]& O" R2 v0 i/ t# Z9 N8 ?% y9 z
            课时143股票预测案例  09:57! Y0 M, ]6 u! S  X3 e, N
            课时144使用tsfresh库进行分类任务  12:04
    : L+ [; P6 c7 r! e  q, O        课时145维基百科词条EDA  14:305 e1 `; X& a5 F& E" q, x
    : q: M( O6 R! C9 ]' ~
    章节20: 使用Gensim库构造中文维基百度数据词向量模型
    1 E3 N/ J- T' C        课时146使用Gensim库构造词向量  06:22; ?0 C& b$ N* B! h/ A
            课时147维基百科中文数据处理  10:27* W+ D4 x6 z8 B9 r5 f, k
            课时148Gensim构造word2vec模型  08:52
    ! C. \# u8 w# K8 t; @' t7 h        课时149测试模型相似度结果  07:42
    3 i) D1 |8 X. ?2 z# U+ ~* x7 Z& M# e: h
    章节21: 机器学习项目实战-贷款申请最大化利润
    . F2 P' E& r8 E% }# C) T        课时150数据清洗过滤无用特征  12:08' x" w+ Z; ~# V0 z  z6 _3 T
            课时151数据预处理  10:12# k" Y4 I! i7 L4 c" @9 H( P
            课时152获得最大利润的条件与做法  13:26* Z5 @: B! R" j
            课时153预测结果并解决样本不均衡问题  12:479 o- d& H0 R9 F# h* K- A

    + s( s# H- C! }! ~+ c! [章节22: 机器学习项目实战-用户流失预警
    " }- I. i. i) m  z8 H0 X0 m" Y        课时154数据背景介绍  06:353 v. g1 X( C, z) s
            课时155数据预处理  10:05( D) J- J( E# J$ N# M8 b1 N. R
            课时156尝试多种分类器效果  08:32
    # [& R8 h) P. D6 y6 T0 @. D        课时157结果衡量指标的意义  19:50
      s$ [6 l6 t' O& ~9 q. y9 u6 K        课时158应用阈值得出结果  06:26
    9 Z+ K# E+ T; d2 m$ [+ Q+ L" G" z. B( z
    章节23: 探索性数据分析-足球赛事数据集) ^+ j. F: x+ r4 G% Z( g  r
            课时159内容简介  02:13
    # L& c7 ?4 x' y2 `' N! F        课时160数据背景介绍  10:30
    - q- ~+ O: K  c3 e+ [        课时161数据读取与预处理  13:09
    ; w) D7 w' d. X  ~% A        课时162数据切分模块  14:42
    $ N+ Q  d- L8 S0 b        课时163缺失值可视化分析  13:27
    - N' L' u: y& ^, E        课时164特征可视化展示  12:23
    6 W! _' O+ J1 ]$ r2 W) ~( R2 ]        课时165多特征之间关系分析  11:21
    0 i6 ~3 K8 |" v6 m        课时166报表可视化分析  10:38& w) l: R' N; v
            课时167红牌和肤色的关系  17:166 l0 f7 B& r% }& t7 s0 G. t3 }
    3 i. L) f/ e/ K" Q' R& s0 P3 R
    章节24: 探索性数据分析-农粮组织数据集  X! z9 q7 p% X5 a  u4 d
            课时168数据背景简介  11:051 L6 M# G/ ]8 p6 V/ J  Q+ ^! ]
            课时169数据切片分析  17:26! S6 c4 g3 |  R0 }3 l8 |& N; |
            课时170单变量分析  15:21
    0 H+ Q' b! L! M& {        课时171峰度与偏度  11:37! Z: K9 q  [( `6 p0 U5 i; o
            课时172数据对数变换  09:43
    + N& [2 P0 J4 Y) n2 _% ]/ V7 x        课时173数据分析维度  06:55; K" ?( t5 k; o2 h* v- V' L! x
            课时174变量关系可视化展示  12:22
    " U* q( w! F, _1 T, T9 [+ o
    ( b+ Q6 W  |1 R+ b( N章节25: 机器学习项目实战-HTTP日志聚类分析
    0 G, B9 f' W  n/ H. z( ?        课时175建立特征工程  17:25( i# }# H* j5 R, i0 r. z. A6 @! I
            课时176特征数据预处理  10:34
    0 d5 G5 c' m* u) ^0 ?        课时177应用聚类算法得出异常IP点  17:59
    # e3 w, p/ W8 [1 l* |1 ~
    未标题-1.png

    % @) ]( ?  `3 |' f* t
    M8]F(KWKB8}7C3%Q9F9L~$X.png

    / P. s7 U* X% X4 ?下载地址:itjc20" `: H2 T" c/ {- [$ L3 J
    游客,如果您要查看本帖隐藏内容请回复

    & Z5 P- U# m8 h. s) d
    ( t2 _& \1 v! W% v) H

    详细介绍.txt

    96 Bytes, 阅读权限: 10, 下载次数: 0

  • TA的每日心情

    2017-10-23 09:48
  • 签到天数: 3 天

    [LV.2]小吧熟人

    发表于 2017-10-10 13:23:41 | 显示全部楼层
    楼主好人,一生平安4 y- _  Y$ B8 f
  • TA的每日心情
    开心
    2018-3-8 00:06
  • 签到天数: 41 天

    [LV.5]初驻小吧

    发表于 2017-10-11 23:07:04 | 显示全部楼层
    看看   
  • TA的每日心情
    开心
    2024-2-5 17:02
  • 签到天数: 298 天

    [LV.8]狂热吧粉

    发表于 2017-10-13 12:03:28 | 显示全部楼层
    感谢分享!!!正在深度学习python,特地冲了vip。
  • TA的每日心情
    擦汗
    2023-11-3 19:55
  • 签到天数: 14 天

    [LV.3]偶尔看看

    发表于 2017-10-17 00:58:35 | 显示全部楼层
    感谢楼主分享~
  • TA的每日心情
    开心
    2017-10-24 08:10
  • 签到天数: 1 天

    [LV.1]小吧新人

    发表于 2017-10-24 08:11:32 | 显示全部楼层
    学习学习,谢谢分享
  • TA的每日心情
    开心
    2022-12-30 15:31
  • 签到天数: 189 天

    [LV.7]超级吧粉

    发表于 2017-10-30 10:58:59 | 显示全部楼层
    shishi;a
  • TA的每日心情

    2017-12-4 00:07
  • 签到天数: 3 天

    [LV.2]小吧熟人

    发表于 2017-10-31 09:54:56 | 显示全部楼层
    好像很牛逼的样子呢
  • TA的每日心情
    奋斗
    2023-6-24 15:51
  • 签到天数: 47 天

    [LV.5]初驻小吧

    发表于 2017-11-4 10:02:55 | 显示全部楼层
    谢谢楼主
  • TA的每日心情
    开心
    2018-3-26 08:47
  • 签到天数: 1 天

    [LV.1]小吧新人

    发表于 2018-3-26 08:53:14 | 显示全部楼层
    牛得很
    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则