2019机器学习原理与应用入门 机器学习算法原理解析

作者: admin 分类: 机器学习和人工智能教程合集 发布时间: 2019-10-28 03:18

┣━━机器学习原理与应用入门 [33.2M]
┃ ┣━━PCA.pdf [1.3M]
┃ ┣━━SVM(新).pdf [4.4M]
┃ ┣━━分类问题引入.pdf [9.5M]
┃ ┣━━机器学习的数学理论2.pdf [6M]
┃ ┣━━机器学习引入 – 线性回归.pdf [2M]
┃ ┣━━集群模型2.pdf [3.2M]
┃ ┣━━逻辑斯蒂回归.pdf [4.8M]
┃ ┗━━神经网络(new).pdf [2M]
┣━━第10讲 升维大法之神经网络 [136.4M]
┃ ┣━━10.1 传统机器学习方法的问题1.mp4 [16M]
┃ ┣━━10.2 传统机器学习方法的问题2.mp4 [22.9M]
┃ ┣━━10.3 神经网络的历史发展.mp4 [14M]
┃ ┣━━10.4 神经网络三要素之一:权重矩阵.mp4 [21.9M]
┃ ┣━━10.5 神经网络三要素之激活函数、决策层.mp4 [28.9M]
┃ ┗━━10.6 网页展示.mp4 [32.8M]
┣━━第8讲 集群模型 [107.5M]
┃ ┣━━8.1 复习决策树.mp4 [12.5M]
┃ ┣━━8.2 Bagging方法.mp4 [12.2M]
┃ ┣━━8.3 Boosting方法1.mp4 [18.7M]
┃ ┣━━8.4 Boosting方法2.mp4 [22.9M]
┃ ┣━━8.5 Boosting方法3.mp4 [17.7M]
┃ ┗━━8.6 Boosting方法5.mp4 [23.5M]
┣━━第7讲 模拟人类理性的决策树 [262.7M]
┃ ┣━━7.1 决策树是什么.mp4 [23.7M]
┃ ┣━━7.2 信息熵,如何衡量哪些特征重要.mp4 [26.2M]
┃ ┣━━7.3 如何利用信息增益在决策树中选择特征1.mp4 [37.6M]
┃ ┣━━7.4 如何利用信息增益在决策树中选择特征2.mp4 [17.1M]
┃ ┣━━7.5 决策树的构建何时停下来.mp4 [40.4M]
┃ ┣━━7.6 决策树如何应对连续特征.mp4 [50M]
┃ ┣━━7.7 决策树如何应对过拟合.mp4 [27.7M]
┃ ┗━━7.8 随机森林在回归问题上的代码演示.mp4 [39.9M]
┣━━第6讲 加入概率更健康之逻辑斯蒂回归 [272.5M]
┃ ┣━━6.1 逻辑斯蒂模型的架构.mp4 [20.9M]
┃ ┣━━6.2 交叉熵KL散度.mp4 [25.4M]
┃ ┣━━6.3 如何度量模型的目标1.mp4 [29.9M]
┃ ┣━━6.4 如何度量模型的目标2.mp4 [30.3M]
┃ ┣━━6.5 如何求解逻辑斯蒂回归模型的优化问题1.mp4 [27M]
┃ ┣━━6.6 如何求解逻辑斯蒂回归模型的优化问题2.mp4 [17.1M]
┃ ┣━━6.7 代码展示1.mp4 [39.3M]
┃ ┣━━6.8 代码展示2.mp4 [54M]
┃ ┗━━6.9 代码展示3.mp4 [28.4M]
┣━━第5讲 机器学习背后的数学(下) [236.2M]
┃ ┣━━5.1 如何选择好的特征值1.mp4 [26.8M]
┃ ┣━━5.2 如何选择好的特征值2.mp4 [24.5M]
┃ ┣━━5.3 如何选择好的特征值3.mp4 [20M]
┃ ┣━━5.4 正则化1.mp4 [28.1M]
┃ ┣━━5.5 正则化2.mp4 [31.6M]
┃ ┣━━5.6 代码展示1.mp4 [45.4M]
┃ ┗━━5.7 代码展示2.mp4 [59.8M]
┣━━第9讲 PCA [120.2M]
┃ ┣━━9.1 主成分分析背后的直觉.mp4 [33.6M]
┃ ┣━━9.2 PCA怎么做.mp4 [17.4M]
┃ ┣━━9.3 代码展示1.mp4 [34M]
┃ ┗━━9.4 代码展示2.mp4 [35.1M]
┣━━第3讲 KNN算法 [115.6M]
┃ ┣━━3.1 KNN算法是什么.mp4 [19.1M]
┃ ┣━━3.2 如何选择KNN中的K.mp4 [33.6M]
┃ ┣━━3.3 过拟合和交叉验证.mp4 [28.3M]
┃ ┗━━3.4 代码展示及KNN算法的问题.mp4 [34.6M]
┣━━第2讲 分类问题 [170M]
┃ ┣━━2.1 机器学习的三大基本范式1.mp4 [16.9M]
┃ ┣━━2.2 机器学习的三大基本范式2.mp4 [15.8M]
┃ ┣━━2.3 监督学习中分类、回归及特征是什么.mp4 [24.2M]
┃ ┣━━2.4 感知机.mp4 [21.3M]
┃ ┣━━2.5 代价函数.mp4 [20.3M]
┃ ┣━━2.6 随机梯度下降、如何判断分类机好坏.mp4 [22M]
┃ ┣━━2.7 感知机的缺陷及课程总结.mp4 [15.6M]
┃ ┗━━2.8 代码展示.mp4 [33.8M]
┣━━第1讲 机器学习引入 [170.2M]
┃ ┣━━1.1 机器学习是什么.mp4 [12.7M]
┃ ┣━━1.2 什么是模型.mp4 [16.5M]
┃ ┣━━1.3 监督学习与损失函数.mp4 [14.1M]
┃ ┣━━1.4 梯度下降.mp4 [33M]
┃ ┣━━1.5 数据标注的价值.mp4 [8.8M]
┃ ┣━━1.6 代码展示1.mp4 [31.4M]
┃ ┣━━1.7 代码展示2.mp4 [29.9M]
┃ ┗━━1.8 代码展示3.mp4 [23.7M]
┣━━第11讲 升维大法之SVM [174.4M]
┃ ┣━━11.1 SVM的目标:如何将间隔最大化.mp4 [19.9M]
┃ ┣━━11.2 SVM要解决什么样的优化问题.mp4 [22.4M]
┃ ┣━━11.3 拉格朗日最优问题的解法1.mp4 [18.7M]
┃ ┣━━11.4拉格朗日最优问题的解法2 .mp4 [18.8M]
┃ ┣━━11.5 SVM中的软间隔.mp4 [19.7M]
┃ ┣━━11.6 SVM的核函数.mp4 [17.8M]
┃ ┣━━11.7 核函数为什么有用1.mp4 [12.2M]
┃ ┣━━11.8 核函数为什么有用2.mp4 [23.3M]
┃ ┗━━11.9 SVM与其他模型的对比.mp4 [21.6M]
┗━━第4讲 机器学习背后的数学(上) [259.3M]
┣━━4.1 机器学习什么时候会成功.mp4 [15.5M]
┣━━4.10 代码展示.mp4 [25.2M]
┣━━4.2 如何用概率论度模型的不确定性1.mp4 [17M]
┣━━4.3 如何有概率论度模型的不确定性2.mp4 [30.6M]
┣━━4.4 如何有概率论度模型的不确定性3.mp4 [27.9M]
┣━━4.5 如何有概率论度模型的不确定性4.mp4 [20.8M]
┣━━4.6 如何有概率论度模型的不确定性5.mp4 [18.9M]
┣━━4.7 模型误差的两种分类1.mp4 [37.6M]
┣━━4.8 模型误差的两种分类2.mp4 [33.4M]
┗━━4.9 模型误差的两种分类3.mp4 [32.4M]

如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!

更多阅读