人工智能基础 | 机器学习入门：Python机器学习算法基础（B站最全完整版）AI|机器学习实战|经典算法|深度学习|数学基础|计算机视觉|决策树算法
正在缓冲...
本套视频教程所有配套资料索取方式如下：
《关注微信公众号：【咕泡AI】，回复关键词：857》免费领取学习资料
并且UP重新整理了一份200G的【AI资料包】
①人工智能课程及项目【含课件源码】
②超详解人工智能学习路线图
③人工智能必看优质书籍电子书汇总
④国内外知名精华资源
⑤优质人工智能资源网站整理（找前辈、找代码、找论文都有）
⑥人工智能行业报告
⑦人工智能论文
在网盘里排列的非常整齐干净！希望对大家的学习有所帮助，非常感谢大家的支持！
视频选集
（1/195）
自动连播
0-课程简介
06:05
1-回归问题概述
07:12
2-误差项定义
09:42
3-独立同分布的意义
07:33
4-似然函数的作用
10:51
5-参数求解
11:12
6-梯度下降通俗解释
08:35
7参数更新方法
08:18
8-优化参数设置
08:52
1-线性回归整体模块概述
05:17
2-初始化步骤
07:12
3-实现梯度下降优化模块
10:11
4-损失与预测模块
11:42
5-数据与标签定义
10:01
6-训练线性回归模型
10:44
7-得到线性回归方程
06:59
8-整体流程debug解读
08:17
9-多特征回归模型
09:47
10-非线性回归
11:23
1-Sklearn工具包简介
04:57
2-数据集切分
07:16
3-交叉验证的作用
11:04
4-交叉验证实验分析
14:52
5-混淆矩阵
07:53
6-评估指标对比分析
12:14
7-阈值对结果的影响
08:27
8-ROC曲线
08:59
1-实验目标分析
08:10
2-参数直接求解方法
08:49
3-预处理对结果的影响
12:40
4-梯度下降模块
06:37
5-学习率对结果的影响
10:36
6-随机梯度下降得到的效果
13:16
7-MiniBatch方法
08:43
8-不同策略效果对比
08:37
9-多项式回归
11:17
10-模型复杂度
16:03
11-样本数量对结果的影响
15:57
12-正则化的作用
09:33
13-岭回归与lasso
19:30
14-实验总结
12:20
1-逻辑回归算法原理
08:25
2-化简与求解
09:10
1-多分类逻辑回归整体思路
07:36
2-训练模块功能
09:57
3-完成预测模块
06:49
4-优化目标定义
09:32
5-迭代优化参数
07:49
6-梯度计算
09:54
7-得出最终结果
10:41
8-鸢尾花数据集多分类任务
06:56
9-训练多分类模型
10:08
10-准备测试数据
09:03
11-决策边界绘制
09:22
12-非线性决策边界
05:40
1-逻辑回归实验概述
09:18
2-概率结果随特征数值的变化
07:58
3-可视化展示
10:21
4-坐标棋盘制作
10:36
5-分类决策边界展示分析
13:37
6-多分类-softmax
13:09
1-KMEANS算法概述
11:34
2-KMEANS工作流程
09:43
3-KMEANS迭代可视化展示
08:21
4-DBSCAN聚类算法
11:04
5-DBSCAN工作流程
15:04
6-DBSCAN可视化展示
08:53
1-Kmeans算法模块概述
03:50
2-计算得到簇中心点
08:24
3-样本点归属划分
07:22
4-算法迭代更新
07:20
5-鸢尾花数据集聚类任务
08:58
6-聚类效果展示
11:31
1-Kmenas算法常用操作
09:22
2-聚类结果展示
04:46
3-建模流程解读
10:46
4-不稳定结果
04:15
5-评估指标-Inertia
07:25
6-如何找到合适的K值
06:56
7-轮廓系数的作用
09:16
8-Kmenas算法存在的问题
07:20
9-应用实例-图像分割
13:46
10-半监督学习
12:24
11-DBSCAN算法
08:11
1-决策树算法概述
08:30
2-熵的作用
06:40
3-信息增益原理
08:43
4-决策树构造实例
07:41
5-信息增益率与gini系数
06:08
6-预剪枝方法
08:03
7-后剪枝方法
06:55
8-回归问题解决
05:55
1-整体模块概述
03:41
2-递归生成树节点
08:50
3-整体框架逻辑
05:48
4-熵值计算
10:15
5-数据集切分
07:04
6-完成树模型构建
06:14
7-测试算法效果
04:33
1-树模型可视化展示
08:20
2-决策边界展示分析
10:35
3-树模型预剪枝参数作用
10:49
4-回归树模型
11:16
1-随机森林算法原理
10:19
2-随机森林优势与特征重要性指标
10:22
3-提升算法概述
08:52
4-stacking堆叠模型
06:23
1-构建实验数据集
06:28
2-硬投票与软投票效果对比
11:05
3-Bagging策略效果
07:35
4-集成效果展示分析
10:43
5-OOB袋外数据的作用
03:39
6-特征重要性热度图展示
14:57
7-Adaboost算法概述
04:46
8-Adaboost决策边界效果
12:29
9-GBDT提升算法流程
08:19
10-集成参数对比分析
14:56
11-模型提前停止策略
08:10
12-停止方案实施
13:21
13-堆叠模型
05:54
1-支持向量机要解决的问题
07:31
2-距离与数据定义
08:01
3-目标函数推导
09:13
4-拉格朗日乘子法求解
07:37
5-化简最终目标函数
06:04
6-求解决策方程
11:18
7-软间隔优化
12:43
8-核函数的作用
09:25
9-知识点总结
07:37
1-支持向量机所能带来的效果
08:56
2-决策边界可视化展示
09:53
3-软间隔的作用
10:33
4-非线性SVM
06:53
5-核函数的作用与效果
16:16
1-深度学习要解决的问题
07:56
2-深度学习应用领域
14:07
3-计算机视觉任务
05:49
4-视觉任务中遇到的问题
10:02
5-得分函数
07:15
6-损失函数的作用
10:43
7-前向传播整体流程
13:46
8-返向传播计算方法
09:34
9-神经网络整体架构
10:53
10-神经网络架构细节
10:55
11-神经元个数对结果的影响
07:12
12-正则化与激活函数
08:50
13-神经网络过拟合解决方法
11:07
1-神经网络整体框架概述
07:31
2-参数初始化操作
12:45
3-矩阵向量转换
09:11
4-向量反变换
09:18
5-完成前向传播模块
10:18
6-损失函数定义
09:24
7-准备反向传播迭代
08:02
8-差异项计算
10:42
9-逐层计算
10:11
10-完成全部迭代更新模块
13:50
11-手写字体识别数据集
10:32
12-算法代码错误修正
10:38
13-测试效果可视化展示
13:10
13-模型优化结果展示
10:52
1-贝叶斯要解决的问题
05:11
2-贝叶斯公式推导
07:47
3-拼写纠错实例
11:46
4-垃圾邮件过滤实例
10:23
1-朴素贝叶斯算法整体框架
06:05
2-邮件数据读取
05:39
3-预料表与特征向量构建
09:50
4-分类别统计词频
09:01
5-贝叶斯公式对数变换
08:08
6-完成预测模块
08:41
1-关联规则概述
06:58
2-支持度与置信度
08:59
3-提升度的作用
08:46
4-Python实战关联规则
09:05
5-数据集制作
07:52
6-电影数据集题材关联分析
07:54
1-Apripri算法整体流程
11:58
2-数据集demo
04:12
3-扫描模块
07:27
4-拼接模块
06:18
5-挖掘频繁项集
07:12
6-规则生成模块
07:38
7-完成全部算法流程
07:37
8-规则结果展示
07:11
1-词向量模型通俗解释
08:15
2-模型整体框架
10:10
3-训练数据构建
05:11
4-CBOW与Skip-gram模型
08:21
5-负采样方案
07:41
1-数据与任务流程
10:37
2-数据清洗
06:35
3-batch数据制作
12:25
4-网络训练
12:37
5-可视化展示
06:20
顶部