投稿

机器学习技法【林轩田】

3660

6

2020-01-29 02:57:15

未经作者授权，禁止转载

机器学习技法【林轩田】

林子木001 发消息

1、1.线性支持向量机（SVM）课程介绍@机器学习

04:15

2、2.线性支持向量机-大间距分离超平面@机器学习技法

14:27

3、3.线性支持向量机-标准大裕度问题@机器学习技法

19:21

4、4.线性支持向量机@机器学习技法

15:43

5、5.线性支持向量机-大边缘超平面背后的原因

13:35

6、6.双支持向量机-双支持向量机的动机

16:06

7、7.双支持向量机-使用双支持向量机

19:00

8、8.双支持向量机-求解双支持向量机

14:31

9、9.双支持向量机-双支持向量机背后的信息

11:22

10、10.内核支持向量机-内核技巧

20:35

11、11.核支持向量机-多项式核

12:19

12、12.内核支持向量机-高斯核

14:47

13、13.核支持向量机-核的比较

13:48

14、14.软边际支持向量机-动机与原始

14:37

15、15.软边界支持向量机-对偶问题

07:47

16、16.软边界支持向量机-信息

13:52

17、17.软边界支持向量机-模型选择

10:23

18、18.核心逻辑回归-以软边界支持向量机为正规化

13:49

19、19.核心逻辑回归-支持向量机与逻辑回归

10:22

20、20.内核逻辑回归—软二进制的支持向量机

09:47

21、21.内核逻辑回归—内核逻辑回归

16:29

22、22.支持向量回归-核脊回归

17:30

23、23.支持向量回归—支持向量回归原始

18:51

24、24.支持向量回归—支持向量回归对偶

13:18

25、25.支持向量回归—内核模型总结

09:12

26、26.混合和装袋—聚合动机

19:11

27、27.混合和装袋—均匀混合

20:41

28、28.混合和装袋—线性和任何混合

17:02

29、29.混合和装袋—装袋（引导聚合）

12:07

30、30.自适应增强—提升的动力

12:50

31、31.自适应增强—重加权分集

14:35

32、32.自适应增强-自适应增强算法

13:46

33、33.自适应增强—操作中的自适应增强

11:08

34、34.决策树-决策树的假设

17:35

35、35.决策树—决策树算法

15:31

36、36.决策树—C&RT中的决策树启发式算法

13:24

37、37.决策树—操作中的决策树

07:44

38、38.随机森林—随机森林算法

13:12

39、39.随机森林—袋外估计

12:36

40,40.随机森林—特征选择

19:50

41、41.随机森林—操作中的随机森林

13:46

42、42.梯度提升决策树—演算法决策树

15:16

43、43.梯度提升决策树—优化演算法

27:30

44、44.梯度促进决策树—梯度增强

18:38

45、45.梯度提升决策树—聚合总结

11:28

46、46.神经网络—动机

20:58

47、47.神经网络—神经网络假说

18:19

48、48.神经网络—神经网络学习

22:43

49、49.神经网络—优化和规范化

17:35

50，50.深度学习—深度神经网络

23:31

51、51.深度学习—自动编码器码器

15:27

52、52.深度学习—去噪自动编码器

08:38

53、53.深度学习—主成分分析

31:23

54、54.径向基函数网络—RBF网络假说

12:59

55、55径向基函数网络—RBF网络学习

21:18

56、56.径向基函数网络—k-均值算法

36:46

57、57.径向基函数网络—k-均值和RBFNet

09:59

58、58.矩阵分解—线性网络假说

20:44

59、59.矩阵分解—基本矩阵分解

16:51

60、60.矩阵分解—随机梯度下降法

12:39

61、61.矩阵分解—提取模型的总结

09:29

62、62.最后—仍然62分布式操作技术

16:34

63、63.大结局—误差优化技巧

09:00

64、64.大结局—超拟淘汰技术

07:05

65、65.大结局—机器学习在实践中

13:10

顶部