机器学习

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

课件

浏览 140 扫码 分享 2022-07-22 22:40:56
  • 第四章
  • 第三章
  • 第二章
  • 第一章

若有收获，就点个赞吧

0 人点赞

上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 机器学习动画
    • 机器学习动画讲解
  • 模型调参
    • 五大常用算法之一：贪心算法
  • 机器学习笔记-周志华
    • 周志华《Machine Learning》学习笔记(17)--强化学习
    • 周志华《Machine Learning》学习笔记(16)--概率图模型
    • 周志华《Machine Learning》学习笔记(15)--半监督学习
    • 周志华《Machine Learning》学习笔记(14)--计算学习理论
    • 周志华《Machine Learning》学习笔记(13)--特征选择与稀疏学习
    • 周志华《Machine Learning》学习笔记(12)--降维与度量学习
    • 周志华《Machine Learning》学习笔记(11)--聚类
    • 周志华《Machine Learning》学习笔记(10)--集成学习
    • 周志华《Machine Learning》学习笔记(9)--EM算法
    • 周志华《Machine Learning》学习笔记(8)--贝叶斯分类器
    • 周志华《Machine Learning》学习笔记(7)--支持向量机
    • 周志华《Machine Learning》学习笔记(6)--神经网络
    • 周志华《Machine Learning》学习笔记(5)--决策树
    • 周志华《Machine Learning》学习笔记(4)--线性模型
    • 周志华《Machine Learning》学习笔记(3)--假设检验&方差&偏差
    • 周志华《Machine Learning》学习笔记(2)--性能度量
    • 周志华《Machine Learning》学习笔记(1)--绪论
    • 附录-机器学习周志华pdf
  • 机器学习实战教程
    • 基于缺失值与异常值的分析对Lending Club数据进行预处理
    • 二手车预测-知识点思维导图
  • 降维
    • 支持向量机详解
    • PCA和LDA详解
    • 降维-线性判别分析（LDA）
    • PCA的数学原理
  • 机器学习中常见的损失函数
  • 机器学习需要的数学基础
  • XGBOOST
    • XGBOOST02
    • XGBOOST01
  • 机器学习笔记
    • 第六章 支持向量机
    • 第五章 贝叶斯算法
    • 第四章 举类算法
    • 第三章 决策树与集成算法
    • 第二章 回归算法
    • 第一章
    • 6.支持向量机
    • 5.贝叶斯
    • 4.可视化1
    • 3.可视化库
    • 2 数据库处理分析库
    • 1.科学计算库
  • 零散知识点整理
    • numpy.random.randint用法
    • pandas中iloc、loc的用法和区别
    • 如何使用drop_duplicates进行简单去重（入门篇）
    • pd.set_option
    • np.linspace用法介绍
    • Pandas：透视表(pivotTab)和交叉表(crossTab)
    • 卡方值计算方法
    • numpy中的zeros(),ones()函数
    • Numpy知识点补充：np.vstack()&np.hstack()
    • TensorFlow模型构建之tf.keras.Sequential()
    • Liner Regression-线性回归
    • 机器学习算法之Catboost
    • k-交叉验证KFold
    • Sklearn中交叉验证 KFold简要讲解
    • 超详细Seaborn绘图 ——（三）violinplot
    • 数据平滑处理——log1p()和exmp1()
    • python-Numpy学习之(一)ndim、shape、dtype、astype的用法
    • pandas 统计函数[corr，scatter_matrix]
    • python进行数据处理——pandas的drop函数
    • 详解pandas库的pd.merge函数
    • Python解释数学系列——分位数Quantile
    • 数据结构 pd.Series
    • pandas.get_dummies 的用法
    • sklearn中Preprocessing的MinMaxScaler使用demo
    • sklearn.preprocessing.LabelEncoder
    • df.transform
    • pd.cut()
    • python pandas中.isnull().any()含义
    • Seaborn5分钟入门(三)——boxplot和violinplot
    • seaborn系列 (14) | 条形图barplot()
    • Pandas DataFrame的基本属性详解
    • plt.xticks()
    • pd.concat() Pandas 数据的拼接
    • seaborn库之countplot
    • Seaborn-05-Pairplot多变量图
    • Facetgrid使用方法
    • Python数据处理篇之Matplotlib系列(六)---plt.hist()与plt.hist2d()直方图
    • numpy.log
    • distplot
    • pandas_profiling ：教你一行代码生成数据分析报告
    • Pandas-排序函数sort_values()
    • sns.heatmap的用法简介
    • Pandas 的melt的使用
    • plt.subplots()的使用
    • 数据的偏度和峰度——df.skew()、df.kurt()
    • sklearn中使用r2_score评价回归模型
    • 机器学习评价指标 ROC与AUC 的理解和python实现
    • sklearn评估指标precision_score/recall_score/f1_score原理分析及应用
  • 机器学习-西瓜书
    • 课件
      • 第四章
      • 第三章
      • 第二章
      • 第一章
    • 机器学习笔记截图
  • 机器学习
    • 机器学习所需要的数学知识
      • kkt条件
      • 凸优化-梯度下降
      • 概理论
      • 偏导数
      • 行列式
      • 导数
      • 总知识
    • 数据分析与挖掘
      • 数据分析与挖掘-笔记
        • 第5章 挖掘建模
        • 第4章 数据预处理
        • 第3章 数据探索
        • 第2章 python数据分析简介
        • 第1章 数据挖掘基础
      • 数据分析与挖掘-书
    • 机器学习算法十讲
    • kaggle竞赛之路
    • 第一章 推荐系统简介
    • 第二章 数学基础
    • 第三章 机器学习基础
    • 第四章 机器学习模型
    • 第五章 推荐系统算法详解
    • 第六章 电影推荐系统设计
    • 电影推荐系统
    • 代码
      • data
      • LFM梯度下降代码实现
      • tfidf代码实现
      • Kmeans
      • KNN算法
      • 线性回归代码03-线性回归sklearn
      • 线性回归代码02-梯度下降法
      • 线性回归代码01-最小二乘法
    • 原理讲解
      • 决策树-基础知识与总结
      • Knn算法原理-机器学习
      • 梯度下降算法原理讲解——机器学习
    • 附件1-Python简单教程
    • 附件2-jupyter notebook安装使用
  • 特征工程
    • 数据预处理和特征工程
      • 数据预处理与特征工程02
      • 数据预处理和特征工程01
    • 特征工程基础知识
  • 深度学习TensorFlow框架进行图片识别
暂无相关搜索结果！

    让时间为你证明

    展开/收起文章目录

    分享，让知识传承更久远

    文章二维码

    手机扫一扫，轻松掌上读

    文档下载

    请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
    PDF文档 EPUB文档 MOBI文档

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度
        思维导图备注