强推！不愧是公认的最好的12个经典的机器学习算法精讲大合集 带我一天搞定机器学习算法！！---人工智能/神经网络/支持向量机
正在缓冲...
关注威x公众号【咕泡AI 暗号123】白嫖
配套资料+小编整理了500G人工智能学习资源，欢迎留言领取~
本课程课件和源码、人工智能学习必读的电子数据深度学习神经网络+CV计算机视觉学习资料一份，内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等视频、代码、PPT以及深度学习书籍等
视频选集
（1/194）
自动连播
1. 0-课程简介
06:05
2. 1-回归问题概述
07:12
3. 2-误差项定义
09:42
4. 3-独立同分布的意义
07:33
5. 4-似然函数的作用
10:51
6. 5-参数求解
11:12
7. 6-梯度下降通俗解释
08:35
8. 7参数更新方法
08:18
9. 8-优化参数设置
08:52
10. 1-线性回归整体模块概述
05:17
11. 2-初始化步骤
07:12
12. 3-实现梯度下降优化模块
10:11
13. 4-损失与预测模块
11:42
14. 5-数据与标签定义
10:01
15. 6-训练线性回归模型
10:44
16. 7-得到线性回归方程
06:59
17. 8-整体流程debug解读
08:17
18. 9-多特征回归模型
09:47
19. 10-非线性回归
11:23
20. 1-Sklearn工具包简介
04:58
21. 2-数据集切分
07:16
22. 3-交叉验证的作用
11:04
23. 4-交叉验证实验分析
14:52
24. 5-混淆矩阵
07:53
25. 6-评估指标对比分析
12:14
26. 7-阈值对结果的影响
08:28
27. 8-ROC曲线
08:59
28. 1-实验目标分析
08:10
29. 2-参数直接求解方法
08:49
30. 3-预处理对结果的影响
12:40
31. 4-梯度下降模块
06:37
32. 5-学习率对结果的影响
10:36
33. 6-随机梯度下降得到的效果
13:16
34. 7-MiniBatch方法
08:43
35. 8-不同策略效果对比
08:37
36. 9-多项式回归
11:17
37. 10-模型复杂度
16:03
38. 11-样本数量对结果的影响
15:57
39. 12-正则化的作用
09:33
40. 13-岭回归与lasso
19:30
41. 14-实验总结
12:21
42. 1-逻辑回归算法原理
08:25
43. 2-化简与求解
09:10
44. 1-多分类逻辑回归整体思路
07:36
45. 2-训练模块功能
09:57
46. 3-完成预测模块
06:49
47. 4-优化目标定义
09:32
48. 5-迭代优化参数
07:49
49. 6-梯度计算
09:54
50. 7-得出最终结果
10:41
51. 8-鸢尾花数据集多分类任务
06:56
52. 9-训练多分类模型
10:08
53. 10-准备测试数据
09:03
54. 11-决策边界绘制
09:22
55. 12-非线性决策边界
05:40
56. 1-逻辑回归实验概述
09:18
57. 2-概率结果随特征数值的变化
07:58
58. 3-可视化展示
10:21
59. 4-坐标棋盘制作
10:36
60. 5-分类决策边界展示分析
13:37
61. 6-多分类-softmax
13:09
62. 1-KMEANS算法概述
11:34
63. 2-KMEANS工作流程
09:43
64. 3-KMEANS迭代可视化展示
08:21
65. 4-DBSCAN聚类算法
11:04
66. 5-DBSCAN工作流程
15:04
67. 6-DBSCAN可视化展示
08:53
68. Kmeans算法模块概述
03:50
69. 2-计算得到簇中心点
08:24
70. 3-样本点归属划分
07:22
71. 4-算法迭代更新
07:20
72. 5-鸢尾花数据集聚类任务
08:59
73. 6-聚类效果展示
11:31
74. 1-Kmenas算法常用操作
09:22
75. 2-聚类结果展示
04:46
76. 3-建模流程解读
10:46
77. 4-不稳定结果
04:15
78. 5-评估指标-Inertia
07:25
79. 6-如何找到合适的K值
06:56
80. 7-轮廓系数的作用
09:16
81. 8-Kmenas算法存在的问题
07:20
82. 9-应用实例-图像分割
13:46
83. 10-半监督学习
12:24
84. 11-DBSCAN算法
08:12
85. 1-决策树算法概述
08:30
86. 2-熵的作用
06:40
87. 3-信息增益原理
08:43
88. 4-决策树构造实例
07:41
89. 5-信息增益率与gini系数
06:08
90. 6-预剪枝方法
08:03
91. 7-后剪枝方法
06:55
92. 8-回归问题解决
05:55
93. 1-整体模块概述
03:41
94. 2-递归生成树节点
08:50
95. 3-整体框架逻辑
05:48
96. 4-熵值计算
10:15
97. 5-数据集切分
07:04
98. 6-完成树模型构建
06:14
99. 7-测试算法效果
04:33
100. 1-树模型可视化展示
08:20
101. 2-决策边界展示分析
10:36
102. 3-树模型预剪枝参数作用
10:49
103. 4-回归树模型
11:16
104. 1-随机森林算法原理
10:19
105. 2-随机森林优势与特征重要性指标
10:22
106. 3-提升算法概述
08:52
107. 4-stacking堆叠模型
06:23
108. 1-构建实验数据集
06:28
109. 2-硬投票与软投票效果对比
11:06
110. 3-Bagging策略效果
07:35
111. 4-集成效果展示分析
10:43
112. 5-OOB袋外数据的作用
03:39
113. 6-特征重要性热度图展示
14:57
114. 7-Adaboost算法概述
04:46
115. 8-Adaboost决策边界效果
12:29
116. 9-GBDT提升算法流程
08:19
117. 10-集成参数对比分析
14:56
118. 11-模型提前停止策略
08:10
119. 12-停止方案实施
13:21
120. 13-堆叠模型
05:54
121. 1-支持向量机要解决的问题
07:31
122. 2-距离与数据定义
08:02
123. 3-目标函数推导
09:13
124. 4-拉格朗日乘子法求解
07:37
125. 5-化简最终目标函数
06:04
126. 6-求解决策方程
11:18
127. 7-软间隔优化
12:43
128. 8-核函数的作用
09:25
129. 9-知识点总结
07:37
130. 1-支持向量机所能带来的效果
08:56
131. 2-决策边界可视化展示
09:53
132. 3-软间隔的作用
10:33
133. 4-非线性SVM
06:53
134. 5-核函数的作用与效果
16:16
135. 1-深度学习要解决的问题
07:56
136. 2-深度学习应用领域
14:07
137. 3-计算机视觉任务
05:49
138. 4-视觉任务中遇到的问题
10:02
139. 5-得分函数
07:15
140. 6-损失函数的作用
10:43
141. 7-前向传播整体流程
13:46
142. 8-返向传播计算方法
09:34
143. 9-神经网络整体架构
10:53
144. 10-神经网络架构细节
10:55
145. 11-神经元个数对结果的影响
07:12
146. 12-正则化与激活函数
08:50
147. 13-神经网络过拟合解决方法
11:07
148. 1-神经网络整体框架概述
07:31
149. 2-参数初始化操作
12:45
150. 3-矩阵向量转换
09:11
151. 4-向量反变换
09:18
152. 5-完成前向传播模块
10:18
153. 6-损失函数定义
09:24
154. 7-准备反向传播迭代
08:02
155. 8-差异项计算
10:42
156. 9-逐层计算
10:11
157. 10-完成全部迭代更新模块
13:50
158. 11-手写字体识别数据集
10:32
159. 13-模型优化结果展示
10:52
160. 13-测试效果可视化展示
13:10
161. 1-贝叶斯要解决的问题
05:11
162. 2-贝叶斯公式推导
07:47
163. 3-拼写纠错实例
11:46
164. 4-垃圾邮件过滤实例
10:23
165. 1-朴素贝叶斯算法整体框架
06:05
166. 2-邮件数据读取
05:39
167. 3-预料表与特征向量构建
09:50
168. 4-分类别统计词频
09:01
169. 5-贝叶斯公式对数变换
08:08
170. 6-完成预测模块
08:41
171. 1-关联规则概述
06:58
172. 2-支持度与置信度
08:59
173. 3-提升度的作用
08:46
174. 4-Python实战关联规则
09:05
175. 5-数据集制作
07:52
176. 6-电影数据集题材关联分析
07:54
177. 1-Apripri算法整体流程
11:58
178. 2-数据集demo
04:12
179. 3-扫描模块
07:27
180. 4-拼接模块
06:18
181. 5-挖掘频繁项集
07:12
182. 6-规则生成模块
07:38
183. 7-完成全部算法流程
07:37
184. 8-规则结果展示
07:11
185. 1-词向量模型通俗解释
08:15
186. 2-模型整体框架
10:11
187. 3-训练数据构建
05:11
188. 4-CBOW与Skip-gram模型
08:21
189. 5-负采样方案
07:41
190. 1-数据与任务流程
10:37
192. 3-batch数据制作
12:25
191. 2-数据清洗
06:35
193. 4-网络训练
12:37
194. 5-可视化展示
06:20
顶部