2.3.5 番外篇之-常用聚类算法之DBSCAN密度聚类算法
正在缓冲...
多年AI项目实战经验的小团体亲自分享，带大家一起实战，实现一套完整的【推荐系统】一步步的由传统算法到机器学习到最终掌握深度学习。
（非职业老师授课，语速较慢，请自行倍速观看）
这节讲解 DBSCAN密度聚类算法
深度学习入门篇-推荐系统
（29/29）
自动连播
5.2万播放
简介
订阅合集
1.1-相似度算法原理
19:35
1.2-相似度算法编码实现
21:21
1.3.1-特征挖掘与处理
13:49
1.3.2-独热编码原理
21:24
1.4.1-特征处理（独热编码）编码部分-1
04:51
1.4.2-特征处理（独热编码）编码部分-2
04:57
1.4.3-特征处理（独热编码）编码部分-3
18:26
1.4.4-特征处理（独热编码）编码部分-4
10:24
1.5.1-K均值算法(K-Means)-协同过滤推荐
10:49
1.5.2-秒懂 K均值算法(K-Means)-协同过滤推荐
23:42
1.5.3-K均值算法(K-Means)-协同过滤推荐
13:21
1.6.1-协同过滤-编码实现-数据准备
12:06
1.6.2-协同过滤-K均值(K-Means)-用户分组-编码实现
16:36
1.6.3-协同过滤-编码实现-构建推荐数据合集
21:29
1.6.4-协同过滤-编码实现-推荐排序
13:04
2.1.1 番外篇之- 向量的定义 特性与应用领域
05:53
2.1.2 番外篇之- 向量的加法运算及应用案例
13:46
2.1.3 番外篇之- 向量的四则运算之减法及应用案例
05:39
2.1.4 番外篇之- 向量四则运算之点积（数量积、内积）及应用案例
10:09
2.1.5 番外篇之- 向量四则运算之叉积（外积、向量积）及应用案例
08:19
2.2.1 番外篇之-余弦相似度详解-定义与应用
21:51
2.2.2 番外篇之-余弦相似度详解-公式推导
25:05
2.2.3 番外篇之-余弦相似度详解-手写代码实现
09:11
2.3.1 番外篇之-聚类算法-常用算法
05:29
2.3.2 番外篇之-常用聚类算法之k-means
09:53
2.3.3 番外篇之-常用聚类算法之k-means++
16:04
2.3.4 番外篇之-常用聚类算法之Bi-Kmeans
21:41
2.3.6 番外篇之-常用聚类算法之AGNES层次聚类
14:54
2.3.5 番外篇之-常用聚类算法之DBSCAN密度聚类算法
18:49
顶部