課程大綱： 人工智能/機(jī)器學(xué)習(xí)培訓(xùn)
第1章 線性回歸
1 線性回歸知識(shí)點(diǎn)回顧
2 單變量線性回歸-01讀取文件
3 單變量線性回歸-02數(shù)據(jù)集準(zhǔn)備
4 單變量線性回歸-03損失函數(shù)
5 單變量線性回歸-04梯度下降函數(shù)
6 單變量線性回歸-05可視化損失函數(shù)
7 單變量線性回歸-06可視化擬合函數(shù)
8 多變量線性回歸-01讀取文件
9 多變量線性回歸-02特征歸一化
10 多變量線性回歸-03構(gòu)造數(shù)據(jù)集
11 多變量線性回歸-04迭代效果比較
12 正規(guī)方程
第2章 邏輯回歸
13 線性可分-01知識(shí)點(diǎn)回顧
14 線性可分-02數(shù)據(jù)可視化
15 線性可分-03損失函數(shù)
16 線性可分-04梯度下降、預(yù)測(cè)
17 線性可分-05決策邊界
18 線性不可分-01特征映射
19 線性可分-02損失函數(shù)
20 線性可分-03梯度下降、準(zhǔn)確率
21 線性可分-04決策邊界
第3章 多分類(lèi)、神經(jīng)網(wǎng)絡(luò)前向傳播
22 邏輯回歸-01圖片讀取
23 邏輯回歸-02損失函數(shù)、梯度
24 邏輯回歸-03多分類(lèi)設(shè)計(jì)、優(yōu)化
25 邏輯回歸-04預(yù)測(cè)
26 神經(jīng)網(wǎng)絡(luò)前向傳播-01知識(shí)點(diǎn)
27 神經(jīng)網(wǎng)絡(luò)前向傳播-01前向傳播
第4章 神經(jīng)網(wǎng)絡(luò)反向傳播
28 01-onehotencoder
29 02-序列化權(quán)重參數(shù)
30 03-解序列化權(quán)重參數(shù)
31 04-前向傳播
32 05-損失函數(shù)
33 06-梯度
34 07-優(yōu)化
35 08-隱藏層可視化
第5章 偏差、方差
36 01-數(shù)據(jù)導(dǎo)入、可視化、損失函數(shù)
37 02-梯度、優(yōu)化
38 03-樣本個(gè)數(shù)vs誤差
39 04-多項(xiàng)式特征、歸一化
40 05-正則化影響
41 06-正則化參數(shù)的選取
第6章 支持向量機(jī)
42 01-線性可分SVM(1)
43 02-線性可分SVM(2)
44 03-線性不可分SVM
45 04-尋找優(yōu)參數(shù)
46 05-垃圾郵件分類(lèi)
第7章 kmeans and PCA
47 kmeans-01計(jì)算樣本所屬類(lèi)別
48 kmeans-02計(jì)算聚類(lèi)中心點(diǎn)
49 kmeans-03迭代過(guò)程
50 kmeans-04初始聚類(lèi)中心選取的影響
51 kmeans-05圖像聚類(lèi)
52 pca-01算法實(shí)現(xiàn)步
53 pca-02二維數(shù)據(jù)降維處理
54 pca-03圖像降維
第8章 異常檢測(cè)、推薦系統(tǒng)
55 異常檢測(cè)-01步驟
56 異常檢測(cè)-02密度函數(shù)計(jì)算
57 異常檢測(cè)-03閾值選取、預(yù)測(cè)
58 異常檢測(cè)-04高維數(shù)據(jù)的異常檢測(cè)
59 推薦系統(tǒng)-01知識(shí)點(diǎn)回顧、代價(jià)函數(shù)
60 推薦系統(tǒng)-02梯度、歸一化、訓(xùn)練
61 推薦系統(tǒng)-03預(yù)測(cè)
加入高級(jí)會(huì)員獲得助教答疑
