无印资料库-A10000~A15999-A11000~A11999/A11800~A11899/A11826机器学习训练营

如果未搜索到所需课程，请更换目录再次搜索，例如：刚刚搜素的“A10000~A15599”没搜到需要的课程，那么请点击下面“A15600~A16500”更换目录，继续搜索，如所有目录均未搜到，即是目录里面没有，联系上家人工搜索即可。

主页/A11000~A11999/A11800~A11899/A11826机器学习训练营/

001.欢迎来到动画讲编程，机器学习训练营.mp4
002.学好机器学习的关键方法，五步学习法.mp4
003.机器学习的基本概念和入门.mp4
004.1.线性回归的基本概念.mp4
005.2.数据集的数学表示.mp4
006.3.一元线性模型的数学表示.mp4
007.4.模型的预测误差.mp4
008.5.代价函数.mp4
009.6.导数、多元函数、偏导数和梯度.mp4
010.7.多元函数求极值解一元线性回归.mp4
011.8.梯度下降的算法原理.mp4
012.9.梯度下降的设计与实现.mp4
013.10.模型迭代与学习速率.mp4
014.11.一元线性回归的算法设计.mp4
015.12.一元线性回归的代码实现.mp4
016.13.线性回归的可视化调试.mp4
017.1.线性回归的基本概念.mp4
018.2.数据集的数学表示.mp4
019.3.一元线性模型的数学表示.mp4
020.4.线性回归模型的预测误差.mp4
021.5.一元线性回归的代价函数.mp4
022.6.多元函数求极值解一元线性回归.mp4
023.7.一元线性回归的可视化调试.mp4
024.第1周，一元线性回归和梯度下降(上).mp4
025.1.上一节课的问题回顾.mp4
026.2.梯度下降的算法原理.mp4
027.3.梯度下降的设计与实现.mp4
028.4.课上解答学员的问题.mp4
029.5.梯度下降的进一步讨论.mp4
030.6.一元线性回归的算法设计.mp4
031.7.一元线性回归的代码实现.mp4
032.8.sklearn和Kaggle数据实验.mp4
033.第1周，一元线性回归和梯度下降(下).mp4
034.1.多元线性回归问题概述.mp4
035.2.梯度下降解决多元线性回归.mp4
036.3.特征缩放的算法设计.mp4
037.4.多元线性回归的代码实现.mp4
038.5.特征缩放的代码实现.mp4
039.6.sklearn和kaggle数据集实验线性回归.mp4
040.7.sklearn的线性回归模型.mp4
041.8.矩阵的基本概念和运算.mp4
042.9.单位矩阵与求解逆矩阵.mp4
043.10.标准方程方法的数学表示.mp4
044.11.标准方程解的计算与推导.mp4
045.12.标准方程算法的设计与实现.mp4
046.1.矩阵的基本概念和运算.mp4
047.2.多元线性回归的问题概述.mp4
048.3.梯度下降解决多元线性回归.mp4
049.4.多元线性回归的代码实现.mp4
050.5.网格点、等高线与三维图形绘制.mp4
051.6.特征缩放的算法设计.mp4
052.7.特征缩放的代码实现.mp4
053.第2周，矩阵和多元线性回归(上).mp4
054.1.单位矩阵与求解逆矩阵.mp4
055.2.标准方程方法的数学表示.mp4
056.3.标准方程解的计算与推导.mp4
057.4.标准方程算法的设计与实现.mp4
058.5.梯度下降与标准方程算法总结.mp4
059.6.《机器学习》(周志华)第1章-绪论-1.1引言.mp4
060.7.《机器学习》(周志华)第1章-绪论-1.2基本术语.mp4
061.8.《机器学习》(周志华)第3章-线性模型(3.1、3.2).mp4
062.第2周，矩阵和多元线性回归(下).mp4
063.1.决策树的基本概述.mp4
064.2.决策树的手动构建.mp4
065.3.信息熵的概念与计算.mp4
066.4.训练集合中的信息熵.mp4
067.5.信息增益和ID3算法.mp4
068.6.使用pandas处理训练数据.mp4
069.7.寻找最大信息增益的特征.mp4
070.8.决策树模型的设计与实现.mp4
071.9.信息增益率和C4.5算法.mp4
072.10.Gini系数和CART算法.mp4
073.11.CART决策树构建与连续特征处理.mp4
074.12.sklearn决策树模型实验.mp4
075.1.决策树的基本概述.mp4
076.2.决策树的手动构建.mp4
077.3.信息熵的概念与计算.mp4
078.4.训练集合中的信息熵.mp4
079.5.信息增益和ID3算法.mp4
080.6.使用pandas处理训练数据.mp4
081.7.寻找最大信息增益的特征.mp4
082.8.决策树模型的设计与实现.mp4
083.第3周，信息熵和决策树(上).mp4
084.1.信息增益率和C4.5算法.mp4
085.2.Gini系数和CART算法.mp4
086.3.CART决策树构建与连续特征处理.mp4
087.4.sklearn决策树模型实验.mp4
088.5.《机器学习》(周志华)第4章-决策树-4.1基本流程.mp4
089.6.《机器学习》(周志华)第4章-决策树-4.2划分选择.mp4
090.7.《机器学习》(周志华)第4章-决策树-4.3 剪枝处理.mp4
091.第3周，信息熵和决策树(下).mp4
092.1.概率的基础知识.mp4
093.2.贝叶斯定理.mp4
094.3.分类与概率.mp4
095.4.似然和极大似然估计.mp4
096.5.朴素贝叶斯分类.mp4
097.6.垃圾邮件识别.mp4
098.7.贝叶斯分类的模型设计.mp4
099.8.拉普拉斯平滑.mp4
100.9.贝叶斯分类的算法实现.mp4
101.10.贝叶斯分类的样本预测.mp4
102.11.sklearn的朴素贝叶斯分类模型.mp4
103.12.连续特征与高斯朴素贝叶斯.mp4
104.1.概率的基础知识.mp4
105.2.贝叶斯定理.mp4
106.3.分类与概率.mp4
107.4.似然和极大似然估计.mp4
108.5.朴素贝叶斯分类.mp4
109.6.垃圾邮件识别.mp4
110.7.sklearn的朴素贝叶斯分类模型.mp4
111.第4周，概率和朴素贝叶斯(上).mp4
112.1.贝叶斯分类的模型设计.mp4
113.2.拉普拉斯平滑.mp4
114.3.贝叶斯分类的算法实现.mp4
115.4.贝叶斯分类的样本预测.mp4
116.5.sklearn的朴素贝叶斯分类模型.mp4
117.6.连续特征与高斯朴素贝叶斯.mp4
118.7.《机器学习》(周志华)第7章-贝叶斯分类器.mp4
119.第4周，概率和朴素贝叶斯(下).mp4
120.1.逻辑回归的基本概念.mp4
121.2.分类问题的决策边界.mp4
122.3.逻辑回归的代价函数.mp4
123.4.梯度下降求解逻辑回归.mp4
124.5.逻辑回归的实现与可视化.mp4
125.6.网格点、等高线与三维图形绘制.mp4
126.7.多项式特征与非线性逻辑回归.mp4
127.9.L1和L2正则化优化.mp4
128.10.sklearn的逻辑回归实验.mp4
129.11.lasso回归与岭回归的数学原理.mp4
130.12.伯努利、指数族分布和逻辑回归.mp4
131.13.极大似然估计与逻辑回归.mp4
132.1.逻辑回归的基本概念.mp4
133.2.分类问题的决策边界.mp4
134.3.逻辑回归的代价函数.mp4
135.4.梯度下降求解逻辑回归.mp4
136.5.逻辑回归的实现与可视化.mp4
137.6.网格点、等高线与三维图形绘制.mp4
138.7.多项式特征与非线性逻辑回归.mp4
139.8.模型的过拟合与解决方法.mp4
140.第5周，逻辑回归和正则化(上).mp4
141.1.L1和L2正则化优化.mp4
142.2.sklearn的逻辑回归实验.mp4
143.3.lasso回归与岭回归的数学原理.mp4
144.4.伯努利、指数族分布和逻辑回归.mp4
145.5.极大似然估计与逻辑回归.mp4
146.6.《机器学习》(周志华)第3章-3.3对数几率回归.mp4
147.第5周，逻辑回归和正则化(下).mp4
148.1.最大间隔分类器.mp4
149.2.向量和向量的运算.mp4
150.3.空间中点到平面的距离.mp4
151.4.SVM的目标函数.mp4
152.5.SVM和凸二次规划.mp4
153.6.拉格朗日乘子法求极值.mp4
154.7.KKT条件与SVM的拉格朗日表示.mp4
155.8.SVM的等价问题和对偶问题.mp4
156.9.对偶SVM的化简和计算.mp4
157.10.SVM问题的求解与总结.mp4
158.11.可容忍错误的软间隔SVM.mp4
159.12.从低维到高维核函数SVM.mp4
160.13.sklearn的SVM模型实验.mp4
161.1.机器学习训练营开场介绍.mp4
162.2.为什么要使用机器学习.mp4
163.3.最大间隔分类器SVM.mp4
164.4.向量和向量的运算.mp4
165.5.空间中点到平面的距离.mp4
166.6.SVM的目标函数.mp4
167.1.SVM的快速回顾.mp4
168.2.SVM和凸二次规划.mp4
169.3.拉格朗日乘子法求极值.mp4
170.4.KKT条件与SVM的拉格朗日表示.mp4
171.5.SVM的等价问题和对偶问题.mp4
172.6.对偶SVM的化简和计算.mp4
173.7.SVM问题的求解与总结.mp4
174.第6周，支持向量机(上).mp4
175.1.可容忍错误的软间隔SVM.mp4
176.2.从低维到高维核函数SVM.mp4
177.3.sklearn的SVM模型实验.mp4
178.4.《机器学习》第6章-支持向量机-6.1间隔与支持向量.mp4
179.5.《机器学习》第6章-支持向量机-6.2对偶问题.mp4
180.6.《机器学习》第6章-支持向量机-6.3核函数.mp4
181.7.《机器学习》第6章-支持向量机-6.4软间隔与正则化.mp4
182.第6周，支持向量机(下).mp4
183.1.无监督学习的概念与算法.mp4
184.2.KNN分类算法的设计与实现.mp4
185.3.K值的确定与sklearn中的KNN.mp4
186.4.K-means聚类算法的执行过程.mp4
187.5.聚簇计算和质心更新.mp4
188.6.目标函数、初始化和K值选择.mp4
189.7.K-means的代码实现与可视化.mp4
190.8.聚类总结和sklearn聚类实验.mp4
191.9.极大似然估计和EM最大期望.mp4
192.10.EM最大期望的原理和举例.mp4
193.11.三硬币问题的分析和理解.mp4
194.12.EM算法的设计和代码实现.mp4
195.1.无监督学习的概念与算法.mp4
196.2.KNN分类算法的设计与实现.mp4
197.3.K值的确定与sklearn中的KNN.mp4
198.4.K-means聚类算法的执行过程.mp4
199.5.聚簇计算和质心更新.mp4
200.6.目标函数、初始化和K值选择.mp4
201.7.K-means的代码实现与可视化.mp4
202.第7周，KMeans聚类和EM算法(上).mp4
203.1.聚类总结和sklearn聚类实验.mp4
204.3.EM最大期望的原理和举例.mp4
205.2.极大似然估计和EM最大期望.mp4
206.4.三硬币问题的分析和理解.mp4
207.5.EM算法的设计和代码实现.mp4
208.第7周，KMeans聚类和EM算法(下).mp4
209.1.神经网络的背景和概念.mp4
210.2.激活函数的作用和原理.mp4
211.3.神经网络的表示和计算.mp4
212.4.非线性可分的异或问题.mp4
213.5.前向传播的设计与实现.mp4
214.6.均方误差和交叉熵误差.mp4
215.7.神经网络的分类代价函数.mp4
216.8.计算图和求导的链式法则.mp4
217.9.反向传播的计算图和链式法则(上).mp4
218.10.反向传播的计算图和链式法则(下).mp4
219.11.误差反向传播的通用公式推导.mp4
220.12.通用神经网络的设计和实现.mp4
221.13.反向传播算法的设计和实现.mp4
222.1.神经网络的背景和概念.mp4
223.2.激活函数的作用和原理.mp4
224.3.神经网络的表示和计算.mp4
225.4.非线性可分的异或问题.mp4
226.5.前向传播的设计与实现.mp4
227.1.神经网络的背景和概念.mp4
228.2.pytorch的安装和快速入门.mp4
229.3.神经网络的表示和计算.mp4
230.4.前向传播的设计与实现.mp4
231.5.pytorch的使用和训练.mp4
232.第8周，神经网络(上).mp4
233.1.均方误差和交叉熵误差.mp4
234.2.神经网络的分类代价函数.mp4
235.3.计算图和求导的链式法则.mp4
236.4.反向传播的计算图和链式法则(上).mp4
237.5.反向传播的计算图和链式法则(下).mp4
238.6.误差反向传播的通用公式推导.mp4
239.7.通用神经网络的设计和实现.mp4
240.8.反向传播算法的设计和实现.mp4
241.第8周，神经网络(下).mp4
242.1.数据的维度和降维算法.mp4
243.2.PCA优化目标的分析和理解.mp4
244.3.PCA主成分分析的降维过程.mp4
245.4.方差、协方差和协方差矩阵.mp4
246.5.PCA目标函数的推导和化简.mp4
247.6.目标函数求解和矩阵特征分解.mp4
248.7.PCA降维算法的流程和设计.mp4
249.8.PCA降维的代码实现和实验.mp4
250.9.高斯分布和异常检测算法.mp4
251.10.高斯混合模型的基本概念.mp4
252.11.EM算法求解高斯混合模型.mp4
253.12.高斯混合模型的可视化实验.mp4
254.1.数据的维度和降维算法.mp4
255.2.PCA优化目标的分析和理解.mp4
256.3.PCA主成分分析的降维过程.mp4
257.4.方差、协方差和协方差矩阵.mp4
258.5.PCA目标函数的推导和化简.mp4
259.6.目标函数求解和矩阵特征分解.mp4
260.第9周，PCA降维和高斯混合模型(上).mp4
261.1.PCA降维算法的流程和设计.mp4
262.2.PCA降温的代码实现和实验.mp4
263.3.高斯分布和异常检测算法.mp4
264.4.高斯混合模型的基本概念.mp4
265.5.EM算法求解高斯混合模型.mp4
266.6.高斯混合模型的可视化实验.mp4
267.第9周，PCA降维和高斯混合模型(下).mp4
268.1.概率图模型的基本概念.mp4
269.2.生成式模型与判别式模型.mp4
270.3.隐马尔可夫模型的基本概念.mp4
271.4.观测序列生成和三个基本问题.mp4
272.5.概率计算问题的前向算法.mp4
273.6.参数学习和状态预测算法.mp4
274.8.概率无向图模型的使用举例.mp4
275.7.状态预测，维特比算法.mp4
276.9.马尔可夫随机场的概念和性质.mp4
277.10.条件随机场的应用和定义.mp4
278.11.词性标注的条件随机场原理.mp4
279.12.中文分词的隐马尔可夫原理.mp4
280.1.概率图模型的基本概念.mp4
281.2.生成式模型与判别式模型.mp4
282.3.隐马尔可夫模型的基本概念.mp4
283.4.观测序列生成和三个基本问题.mp4
284.5.概率计算问题的前向算法.mp4
285.6.参数学习，BaumWelch算法.mp4
286.第10周，概率图模型(上).mp4
287.1.概率无向图模型的使用举例.mp4
288.2.马尔可夫随机场的概念和性质.mp4
289.3.条件随机场的应用和定义.mp4
290.4.词性标注的条件随机场原理.mp4
291.5.状态预测，维特比算法.mp4
292.6.中文分词的隐马尔可夫原理.mp4
293.第10周，概率图模型(下).mp4
294.1.集成学习算法的基本概念.mp4
295.2.不同集成学习的特点和区别.mp4
296.3.bagging算法的设计与实现.mp4
297.4.提升方法，AdaBoost的基本思想.mp4
298.5.AdaBoost的算法设计原理.mp4
299.6.AdaBoost算法流程的详细举例.mp4
300.7.AdaBoost算法的代码实现.mp4
301.8.随机森林算法的设计原理.mp4
302.9.随机森林算法的代码实现.mp4
303.10.提升树的算法原理和举例.mp4
304.11.GBDT梯度提升树的算法原理.mp4
305.12.GBDT梯度提升树的代码实现.mp4
306.1.集成学习算法的基本概念.mp4
307.2.不同集成学习的特点和区别.mp4
308.3.bagging算法的设计与实现.mp4
309.4.提升方法，AdaBoost的基本思想.mp4
310.5.AdaBoost的算法设计原理.mp4
311.6.AdaBoost算法流程的详细举例.mp4
312.7.AdaBoost算法的代码实现.mp4
313.第11周，集成学习算法(上).mp4
314.1.随机森林算法的设计原理.mp4
315.2.随机森林算法的代码实现.mp4
316.3.提升树的算法原理和举例.mp4
317.4.GBDT梯度提升树的算法原理.mp4
318.5.GBDT梯度提升树的代码实现.mp4
319.第11周，集成学习算法(下).mp4
320.1.文本分类概述与数据收集.mp4
321.2.中文分词与jieba分词器.mp4
322.3.停用词与停用词过滤.mp4
323.4.词袋模型的设计与实现.mp4
324.5.tf-idf模型的设计与实现.mp4
325.6.基于jieba的关键词特征提取.mp4
326.7.文本分类的整体框架.mp4
327.8.文本分类的模型评估.mp4
328.9.训练与测试数据集的构造.mp4
329.10.文本特征向量提取.mp4
330.11.多项式朴素贝叶斯模型.mp4
331.12.文本分类的模型训练与持久化.mp4
332.13.文本分类预测模块的设计与实现.mp4
333.1.NLP文本分类系统简介.mp4
334.2.文本分类概述与数据收集.mp4
335.3.文本分类的整体框架.mp4
336.4.文本分类的模型评估.mp4
337.5.词袋模型的设计与实现.mp4
338.6.训练与测试数据集的构造.mp4
339.7.文本特征向量提取.mp4
340.8.文本分类的模型训练与持久化.mp4
341.9.文本分类预测模块的设计与实现.mp4
342.1.One-Hot编码对文本向量化.mp4
343.2.词嵌入和Word2Vec算法.mp4
344.3.基于gensim的词向量使用.mp4
345.4.中文分词与jieba分词器.mp4
346.5.停用词、训练词向量、tf-idf模型.mp4
347.第12周，文本分类系统的设计与实现(上).mp4
348.1.卷积和卷积运算.mp4
349.2.卷积神经网络.mp4
350.3.LeNet-5，卷积神经网络.mp4
351.4.使用卷积神经网络进行图片分类.mp4
352.第12周，文本分类系统的设计与实现(下).mp4

Copyright © All rights reserved.

信息加载中,请等待...