传智播客 python 高级编程(day26机器学习入门篇~day33 深度学习必备原理与实战4)

5272
7
2020-01-23 22:31:01
19
7
268
8
http://www.itheima.com 视频来自网络,如有侵权,私信删除 传智播客 python 高级编程 day26机器学习入门篇 day27机器学习入门篇2 day28 机器学习提升篇 day29 数据挖掘篇 day30 深度学习必备原理与实战 day31 深度学习必备原理与实战2 day32 深度学习必备原理与实战3 day33 深度学习必备原理与实战4
不提供资料,请勿私信
视频选集
(1/253)
自动连播
1-线性回归算法概述
14:24
2-误差项分析
11:34
3-似然函数求解
09:36
4-目标函数推导
09:22
5-线性回归求解
10:58
1-逻辑回归算法原理推导
10:53
2-逻辑回归求解
14:59
1-案例实战:Python实现逻辑回归任务概述
07:35
2-案例实战:完成梯度下降模块
12:52
3-案例实战:停止策略与梯度下降案例
10:56
4-案例实战:实验对比效果
10:26
1-案例背景和目标
08:32
2-样本不均衡解决方案
10:18
3-下采样策略
06:36
4-交叉验证
13:03
5-模型评估方法
13:06
6-正则化惩罚
08:10
7-逻辑回归模型
07:38
8-混淆矩阵
08:53
9-逻辑回归阈值对结果的影响
10:02
10-SMOTE样本生成策略
15:51
1-决策树原理概述
12:26
2-衡量标准-熵
11:04
3-决策树构造实例
10:09
4-信息增益率
05:49
5-决策树剪枝策略
15:32
1-案例:决策树复习
08:56
2-案例:决策树涉及参数
11:09
3-案例:树可视化与sklearn库简介
18:15
4-案例:sklearn参数选择
11:47
1-集成算法-随机森林
12:03
2-特征重要性衡量
13:52
3-提升模型
11:15
4-堆叠模型
07:10
1-集成算法实例概述
09:03
2-ROC与AUC指标
08:24
3-基础模型
07:58
4-集成实例
15:45
5-Stacking模型
11:54
6-效果改进
09:18
1-贝叶斯算法概述
06:59
2-贝叶斯推导实例
07:39
3-贝叶斯拼写纠错实例
11:47
4-垃圾邮件过滤实例
14:10
5-贝叶斯实现拼写检查器
12:21
1-文本分析与关键词提取
12:12
2-相似度计算
11:44
3-新闻数据与任务简介
10:20
4-TF-IDF关键词提取
13:29
5-LDA建模
09:11
6-基于贝叶斯算法进行新闻分类
14:54
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
1-DBSCAN聚类算法
11:04
2-DBSCAN工作流程
15:04
3-DBSCAN可视化展示
08:53
1-多种聚类算法概述
04:35
2-聚类案例实战
17:20
1-实现线性判别分析进行降维任务
10:20
2-求解得出降维结果
08:56
1-PCA降维概述
08:40
2-PCA要优化的目标
12:22
3-PCA求解
10:18
1-PCA降维实例
19:18
1-EM算法要解决的问题
10:39
2-隐变量问题
06:17
3-EM算法求解实例
14:32
4-Jensen不等式
10:47
5-GMM模型
09:20
1-GMM实例
11:51
2-GMM聚类
09:45
3-相似度计算
10:47
4-基于用户的协同过滤
10:03
5-基于物品的协同过滤
14:46
6-隐语义模型
07:32
7-隐语义模型求解
09:46
8-模型评估标准
07:44
1-Surprise库与数据简介
06:41
2-Surprise库使用方法
09:47
3-得出推荐商品结果
09:07
1-支持向量机要解决的问题
10:06
2-距离与数据的定义
10:34
3-目标函数
09:42
4-目标函数求解
11:28
5-SVM求解实例
13:45
6-支持向量的作用
11:54
1-sklearn求解支持向量机
11:25
2-SVM参数选择
14:01
1-数据平稳性与差分法
11:10
2-ARIMA模型
10:34
3-相关函数评估方法
10:47
4-建立ARIMA模型
07:49
5-参数选择
12:41
1-Pandas生成时间序列
11:28
2-Pandas数据重采样
09:23
3-Pandas滑动窗口
07:48
4-股票预测案例
09:58
5-使用tsfresh库进行分类任务
12:04
6-维基百科词条EDA
14:30
1-Xgboost 算法概述
11:36
2-Xgboost模型构造
12:11
3-Xgboost建模衡量标准
10:07
1-Xgboost安装
06:27
2-保险赔偿任务概述
13:07
3-Xgboost参数定义
09:55
4-基础模型定义
08:17
5-树结构对结果的影响
12:38
6-学习率与采样对结果的影响
13:02
农业-1数据背景简介
11:06
农业-2数据切片分析
17:27
农业-3单变量分析
15:22
农业-4峰度与偏度
11:38
农业-5数据对数变换
09:44
农业-6数据分析维度
06:56
农业-7变量关系可视化展示
12:23
1-HTTP检测任务与数据挖掘的核心
11:14
2-论文的重要程度
10:01
3-BenchMark概述
06:24
4-BenchMark的作用
13:32
1-数据挖掘任务流程
12:37
2-数据介绍
08:37
3-Python兵器库介绍
09:20
4-sklearn库介绍
11:34
5-数据读取与统计分析-converted
09:44
6-性别特征分析
10:49
7-船舱等级特征分析
08:36
8-缺失值问题
11:03
9-年龄特征缺失值填充与分析
14:33
10-登船地点特征分析
11:55
1-用户画像概述
13:27
2-如何建立用户画像
13:48
3-用户搜索数据介绍
05:15
4-任务概述与方案
10:47
5-构造词向量特征
11:08
6-构造输入特征
13:24
7-建立预测模型
19:34
1-kaggle数据科学调查介绍
11:19
2-基本情况可视化展示
19:37
3-工资情况
11:34
4-技能使用情况
16:33
5-数据集与平台
14:22
6-python和r哪家强
15:59
7-调查总结
16:17
1-Xgboost算法概述-converted
11:36
2-Xgboost模型构造
12:11
3-Xgboost建模衡量标准
12:08
4-Xgboost安装
06:27
5-保险赔偿任务概述
13:07
6-Xgboost参数定义
09:55
7-基础模型定义
08:17
8-树结构对结果的影响
12:38
9-学习率与采样对结果的影响
13:02
1-项目与数据介绍
20:19
2-数据挖掘流程
19:18
3-数据检查
12:02
4-构建用户特征表单
18:34
5-构建商品特征表单
09:43
6-数据探索概述
09:24
7-购买因素分析
10:47
8-特征工程
15:39
9-基本特征构造
17:48
1-房价预测任务概述
12:22
2-离散形数据
09:26
3-数据对数变换
10:44
4-缺失值处理与box-cox变换
12:52
5-模型预测
10:59
1-神经网络案例-cifar分类任务
16:02
2-神经网络案例-分模块构造神经网络
13:34
3-神经网络案例-训练神经网络完成分类任务
13:27
4-神经网络架构-感受神经网络的强大
11:31
1-线性分类
09:35
2-损失函数
09:18
3-正则化惩罚项
07:20
4-softmax分类器
13:39
1-深度学习概述
11:28
2-挑战与常规套路
09:41
3-用K近邻来进行分类
10:02
4-超参数与交叉验证-converted
10:31
1-整体架构
10:12
2-实例演示
10:39
3-过拟合解决方案
15:54
1-最优化形象解读
06:47
2-最优化问题细节
11:49
3-反向传播
15:18
1-使用Gensim库构造词向量
06:22
2-维基百科中文数据处理
10:27
3-Gensim构造word2vec模型
08:53
4-测试模型相似度结果
07:43
1-卷积池化反向传播
14:44
2-卷积网络代码1
10:20
3-卷积网络代码2
12:01
1-影评情感分类
17:49
2-基于词袋模型训练分类器
11:09
3-准备word2vec输入数据
10:47
4-使用gensim构建word2vec词向量
16:36
1-pading与stride
13:14
2-卷积参数共享
08:10
3-池化层原理
08:25
1-卷积神经网络的应用
14:56
2-卷积层解释
12:54
3-卷积计算过程
12:31
0-开篇
04:37
1-自然语言处理与深度学习
11:59
2-语言模型
06:16
3-N-gram模型
08:33
4-词向量
09:28
5-神经网络模型
10:03
6-Hierarchical Softmax
10:02
7-CBOW模型实例
11:21
8-CBOW求解目标
05:40
9-锑度上升求解
10:11
10-负采样模型
07:16
1-卷积神经网络模型架构
10:57
2-卷积神经网络模型参数
17:15
3-模型的保存和读取
15:31
1-使用RNN处理Mnist数据集
11:51
2-RNN网络模型
10:43
3-训练RNN网络
10:05
1-加载训练好的VGG网络模型
10:57
2-使用VGG模型进行测试
10:48
1-构造线性回归模型
13:33
2-Mnist数据集简介
06:30
3-逻辑回归框架
12:25
4-迭代完成逻辑回归模型
13:49
1-神经网络模型架构
07:49
2-训练神经网络
11:24
1-Tensorflow简介
00:39
2-Tensorflow安装
07:10
3-基本计算单元-变量
08:33
4- 常用基本操作
14:41
1-经典网络架构
10:30
2-分类与回归任务
18:11
3-三代物体检测算法
20:39
1-数据增强策略
10:44
2-TransferLearning
08:10
3-巧妙设计神经网络
21:52
1-验证码数据生成
10:44
2-构造网络的输入数据和标签
11:58
3-卷积网络模型定义
13:25
4-迭代及测试网络效果-converted
10:57
1-生成网络配置文件
10:21
2-对训练的网络模型绘制LOSS曲线
11:59
3-对训练结果进行分类任务
19:34
1-使用命令行训练网络
12:58
2-使用python定义自己的层
19:56
3-绘制网络结构图
12:43
1-制作LMDB数据源
32:00
2-多label问题之HDF5数据源
21:33
1-CAFFE简介
11:15
2-网络配置文件-数据层
18:15
3-网络配置文件-计算层
25:36
4-超参数solver文件
19:55
客服
顶部
赛事库 课堂 2021拜年纪