人工智能

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

拓展阅读

浏览 100 扫码 分享 2022-07-09 07:50:30
  • 完整机器学习项目的流程（拓展阅读）
  • 独立同分布IID(independent and identically distributed)

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
  • 数据分析
    • 黑马教育
      • 数据分析课程
      • Day01
        • page15
        • page21
        • page29
        • page30
      • Day02
        • page38
        • page41
        • page43
        • page46
        • page48
        • page58
      • Day03
        • page74
      • Day04
      • Day05
        • page124
        • page125
        • page130
        • page140
        • page141
      • Day06
        • page142
        • page148
        • page149
  • 深度学习
    • Pytorch深度学习
      • PyTorch 深度学习实践 第1讲
      • PyTorch 深度学习实践 第2讲
      • PyTorch 深度学习实践 第3讲
        • 批大小、batch、mini-batch、epoch的区别
        • Mini-batch 和batch的区别
    • 吴恩达
      • 课件
      • C1W1——深度学习概论
      • C1W1——深度学习概论——练习题
      • C1W2——神经网络基础-1
      • C1W2——神经网络基础-2
      • C1W2——神经网络基础-3
      • C1W2——神经网络基础——练习题
      • C1W3——浅层神经网络-1
      • C1W3——浅层神经网络-2
      • C1W3——浅层神经网络——练习题
      • C1W4——深层神经网络-1
      • C1W4——深层神经网络-2
      • C1W4——深层神经网络——练习题
      • C2W1——神经网络优化基础及正则化-1
      • C2W1——神经网络优化基础及正则化-2
      • C2W1——神经网络优化基础及正则化-3
      • C2W1——神经网络优化基础及正则化——练习题
      • C2W2——算法优化-1
      • C2W2——算法优化-2
      • C2W2——算法优化——练习题
      • C2W3——超参数调试、Batch正则化和程序框架-1
      • C2W3——超参数调试、Batch正则化和程序框架-2
      • C2W3——超参数调试、Batch 正则化和程序框架——练习题
      • C3W1——机器学习策略1-1
      • C3W1——机器学习策略1-2
      • C3W1——机器学习策略1-3
      • C3W1——机器学习策略1——练习题
      • C3W2——机器学习策略2-1
      • C3W2——机器学习策略2-2
      • C3W2——机器学习策略2——练习题
      • C4W1——卷积神经网络-1
      • C4W1——卷积神经网络-2
      • C4W1——卷积神经网络-3
      • C4W1——卷积神经网络——练习题
      • C4W2——深度卷积网络实例探究-1
      • C4W2——深度卷积网络实例探究-2
      • C4W2——深度卷积网络实例探究——练习题
      • C4W3——目标检测-1
      • C4W3——目标检测-2
      • C4W3——目标检测——练习题
      • C4W4——特殊应用：人脸识别和神经风格转换-1
      • C4W4——特殊应用：人脸识别和神经风格转换-2
      • C4W4——特殊应用：人脸识别和神经风格转换-3
      • C4W4——特殊应用：人脸识别和神经风格转换——练习题
      • C5W1——循环序列模型（RNN）-1
      • C5W1——循环序列模型（RNN）-2
      • C5W1——循环序列模型（RNN）-3
      • C5W1——循环序列模型（RNN）——练习题
      • C5W2——自然语言处理与词嵌入-1
      • C5W2——自然语言处理与词嵌入-2
      • C5W2——自然语言处理与词嵌入-3
      • C5W2——自然语言处理与词嵌入——练习题
      • C5W3——序列模型和注意力机制-1
      • C5W3——序列模型和注意力机制-2
      • C5W3——序列模型和注意力机制-3
      • C5W3——序列模型和注意力机制——练习题
  • 机器学习
    • 阿里云算法
      • LR-LeastSquareMethod
      • LR-GradientDescent
      • KNN-Regression
      • KNN-Classification
      • LogisticRegression
      • KMeansClustering
      • Perception
      • DecisionTreeID3
    • 吴恩达
      • 1.CS229-LinearAlgebra
      • 2.CS229-Prob
      • 3.CS229-Math
      • week1
      • week2
      • week3
      • week4
      • week5
      • week6
      • week7
      • week8
      • week9
      • week10
    • 黑马教育
      • 机器学习（常用科学计算库的使用）基础定位、目标
      • 机器学习概述
        • 1.1 人工智能概述
        • 1.2 人工智能发展历程
        • 1.3 人工智能主要分支
        • 1.4 机器学习工作流程
        • 1.5 机器学习算法分类
        • 1.6 模型评估
        • 1.7 Azure机器学习模型搭建实验
        • 1.8 深度学习简介
      • 机器学习基础环境安装与使用
        • 2.1 库的安装
        • 2.2 Jupyter Notebook使用
      • Matplotlib
        • 3.1 Matplotlib之HelloWorld
        • 3.2 基础绘图功能 — 以折线图为例
        • 3.3 常见图形绘制
      • Numpy
        • 4.1 Numpy优势
        • 4.2 N维数组-ndarray
        • 4.3 基本操作
        • 4.4 ndarray运算
        • 4.5 数组间运算
        • 4.6 数学：矩阵
      • Pandas
        • 5.1Pandas介绍
        • 5.2 Pandas数据结构
        • 5.3 基本数据操作
        • 5.4 DataFrame运算
        • 5.5 Pandas画图
        • 5.6 文件读取与存储
        • 5.7 高级处理-缺失值处理
        • 5.8 高级处理-数据离散化
        • 5.9 高级处理-合并
        • 5.10 高级处理-交叉表与透视表
        • 5.11 高级处理-分组与聚合
        • 5.12 案例
      • 拓展阅读
        • 完整机器学习项目的流程（拓展阅读）
        • 独立同分布IID(independent and identically distributed)
      • 机器学习算法课程定位、目标
      • K-近邻算法
        • 1.1 K-近邻算法简介
        • 1.2 k近邻算法api初步使用
        • 1.3 距离度量
        • 1.4 k值的选择
        • 1.5 kd树
        • 1.6 案例：鸢尾花种类预测--数据集介绍
        • 1.7 特征工程-特征预处理
        • 1.8 案例：鸢尾花种类预测—流程实现
        • 1.9 总结
        • 1.10 交叉验证，网格搜索
        • 1.11 案例2：预测facebook签到位置
      • 线性回归
        • 2.1 线性回归简介
        • 2.2 线性回归api初步使用
        • 2.3 数学:求导
        • 2.4 线性回归的损失和优化
        • 2.5 梯度下降法介绍
        • 2.6 线性回归api再介绍
        • 2.7 案例：波士顿房价预测
        • 2.8 欠拟合和过拟合
        • 2.9 正则化线性模型
        • 2.10 线性回归的改进-岭回归
        • 2.11 模型的保存和加载
      • 逻辑回归
        • 3.1 逻辑回归介绍
        • 3.2 逻辑回归api介绍
        • 3.3 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测
        • 3.4 分类评估方法
        • 3.5 ROC曲线的绘制
      • 决策树算法
        • 4.1 决策树算法简介
        • 4.2 决策树分类原理
        • 4.3 cart剪枝
        • 4.4 特征工程-特征提取
        • 4.5 决策树算法api
        • 4.6 案例：泰坦尼克号乘客生存预测
      • 集成学习
        • 5.1 集成学习算法简介
        • 5.2 Bagging和随机森林
        • 5.3 Boosting
      • 聚类算法
        • 6.1 聚类算法简介
        • 6.2 聚类算法api初步使用
        • 6.3 聚类算法实现流程
        • 6.4 模型评估
        • 6.5 算法优化
        • 6.6 特征降维
        • 6.7 案例：探究用户对物品类别的喜好细分降维
        • 6.8 算法选择指导
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