589689.xyz

Python3入门机器学习经典算法与应用

  • 收录时间:2021-04-30 16:19:08
  • 文件大小:11GB
  • 下载次数:1
  • 最近下载:2021-04-30 16:19:08
  • 磁力链接:
立即下载 复制链接

文件列表

  1. 第8章 多项式回归与模型泛化/8-6 验证数据集与交叉验证.mp4 223MB
  2. 第4章 最基础的分类算法-k近邻算法 kNN/4-3 训练数据集，测试数据集.mp4 213MB
  3. 第4章 最基础的分类算法-k近邻算法 kNN/4-5 超参数.mp4 207MB
  4. 第4章 最基础的分类算法-k近邻算法 kNN/4-2 scikit-learn中的机器学习算法封装.mp4 206MB
  5. 第3章 Jupyter Notebook, numpy和m/3-7 Numpy中的矩阵运算.mp4 206MB
  6. 第6章 梯度下降法/6-5 梯度下降的向量化和数据标准化.mp4 203MB
  7. 第9章 逻辑回归/9-5 决策边界.mp4 194MB
  8. 第3章 Jupyter Notebook, numpy和m/3-10 Numpy中的比较和FancyIndexing.mp4 191MB
  9. 第3章 Jupyter Notebook, numpy和m/3-2 jupyter notebook中的魔法命令.mp4 189MB
  10. 第3章 Jupyter Notebook, numpy和m/3-4 创建numpy数组和矩阵.mp4 188MB
  11. 第6章 梯度下降法/6-2 模拟实现梯度下降法.mp4 185MB
  12. 第4章 最基础的分类算法-k近邻算法 kNN/4-8 scikit-learn中的Scaler.mp4 185MB
  13. 第5章 线性回归法/5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4 183MB
  14. 第8章 多项式回归与模型泛化/8-8 模型泛化与岭回归.mp4 180MB
  15. 第7章 PCA与梯度上升法/7-3 求数据的主成分PCA.mp4 179MB
  16. 第4章 最基础的分类算法-k近邻算法 kNN/4-4 分类准确度.mp4 175MB
  17. 第7章 PCA与梯度上升法/7-6 scikit-learn中的PCA.mp4 172MB
  18. 第3章 Jupyter Notebook, numpy和m/3-1 jupyter notebook基础.mp4 169MB
  19. 第7章 PCA与梯度上升法/7-5 高维数据映射为低维数据.mp4 169MB
  20. 第4章 最基础的分类算法-k近邻算法 kNN/4-6 网格搜索与k近邻算法中更多超参数.mp4 168MB
  21. 第9章 逻辑回归/9-7 scikit-learn中的逻辑回归.mp4 167MB
  22. 第6章 梯度下降法/6-6 随机梯度下降法.mp4 160MB
  23. 第3章 Jupyter Notebook, numpy和m/3-6 Numpy数组的合并与分割.mp4 157MB
  24. 第3章 Jupyter Notebook, numpy和m/3-11 Matplotlib数据可视化基础.mp4 153MB
  25. 第8章 多项式回归与模型泛化/8-2 scikit-learn中的多项式回归于pipeline.mp4 146MB
  26. 第8章 多项式回归与模型泛化/8-4 为什么要训练数据集与测试数据集.mp4 144MB
  27. 第9章 逻辑回归/9-6 在逻辑回归中使用多项式特征.mp4 137MB
  28. 第12章 决策树/12-3 使用信息熵寻找最优划分.mp4 137MB
  29. 第6章 梯度下降法/6-4 实现线性回归中的梯度下降法.mp4 137MB
  30. 第4章 最基础的分类算法-k近邻算法 kNN/4-1 k近邻算法基础.mp4 137MB
  31. 第8章 多项式回归与模型泛化/8-5 学习曲线.mp4 134MB
  32. 第6章 梯度下降法/6-7 scikit-learn中的随机梯度下降法.mp4 132MB
  33. 第7章 PCA与梯度上升法/7-9 人脸识别与特征脸.mp4 132MB
  34. 第8章 多项式回归与模型泛化/8-3 过拟合与前拟合.mp4 132MB
  35. 第5章 线性回归法/5-3 简单线性回归的实现.mp4 130MB
  36. 第2章 机器学习基础/2-2 机器学习的主要任务.mp4 127MB
  37. 第7章 PCA与梯度上升法/7-4 求数据的前n个主成分.mp4 125MB
  38. 第9章 逻辑回归/9-8 OvR与OvO.mp4 125MB
  39. 第9章 逻辑回归/9-4 实现逻辑回归算法.mp4 123MB
  40. 第3章 Jupyter Notebook, numpy和m/3-5 Numpy数组的基本操作.mp4 119MB
  41. 第5章 线性回归法/5-8 实现多元线性回归.mp4 119MB
  42. 第5章 线性回归法/5-9 使用scikit-learn解决回归问题.mp4 118MB
  43. 第11章 支撑向量机 SVM/11-4.mp4 118MB
  44. 第8章 多项式回归与模型泛化/8-9 LASSO.mp4 115MB
  45. 第6章 梯度下降法/6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4 113MB
  46. 第7章 PCA与梯度上升法/7-7 试手MNIST数据集.mp4 113MB
  47. 第3章 Jupyter Notebook, numpy和m/3-12 数据加载和简单的数据探索.mp4 113MB
  48. 第5章 线性回归法/5-6 最好的衡量线性回归法的指标 R Squared.mp4 110MB
  49. 第3章 Jupyter Notebook, numpy和m/3-8 Numpy中的聚合运算.mp4 108MB
  50. 第4章 最基础的分类算法-k近邻算法 kNN/4-7 数据归一化.mp4 106MB
  51. 第5章 线性回归法/5-4 向量化.mp4 105MB
  52. 第10章 评价分类结果/10-3.mp4 104MB
  53. 第7章 PCA与梯度上升法/7-8 使用PCA对数据进行降噪.mp4 99MB
  54. 第3章 Jupyter Notebook, numpy和m/3-9 Numpy中的arg运算.mp4 95MB
  55. 第10章 评价分类结果/10-8.mp4 95MB
  56. 第2章 机器学习基础/2-3 监督学习，非监督学习，半监督学习和增强学习.mp4 94MB
  57. 第2章 机器学习基础/2-6 课程使用环境搭建.mp4 92MB
  58. 第10章 评价分类结果/10-5.mp4 92MB
  59. 第11章 支撑向量机 SVM/11-9.mp4 92MB
  60. 第1章 欢迎来到 Python3 玩转机器学习/1-2 课程涵盖的内容和理念.mp4 90MB
  61. 第5章 线性回归法/5-10 线性回归的可解性和更多思考.mp4 87MB
  62. 第10章 评价分类结果/10-6.mp4 85MB
  63. 第11章 支撑向量机 SVM/11-5.mp4 85MB
  64. 第2章 机器学习基础/2-1 机器学习世界的数据.mp4 84MB
  65. 第9章 逻辑回归/9-3 逻辑回归损失函数的梯度.mp4 80MB
  66. 第11章 支撑向量机 SVM/11-8.mp4 76MB
  67. 第8章 多项式回归与模型泛化/8-1 什么是多项式回归.mp4 75MB
  68. 第6章 梯度下降法/6-3 线性回归中的梯度下降法.mp4 70MB
  69. 第1章 欢迎来到 Python3 玩转机器学习/1-1导学.mp4 69MB
  70. 第10章 评价分类结果/10-4.mp4 69MB
  71. 第3章 Jupyter Notebook, numpy和m/3-3 Numpy数据基础.mp4 68MB
  72. 第12章 决策树/12-4 基尼系数.mp4 67MB
  73. 第14章 更多机器学习算法/14-1 学习scikit-learn文档.mp4 66MB
  74. 第10章 评价分类结果/10-7.mp4 66MB
  75. 第5章 线性回归法/5-1 简单线性回归.mp4 64MB
  76. 第12章 决策树/12-5 CART与决策树中的超参数.mp4 61MB
  77. 第1章 欢迎来到 Python3 玩转机器学习/1-3 课程所使用的主要技术栈.mp4 60MB
  78. 第9章 逻辑回归/9-1 什么是逻辑回归.mp4 58MB
  79. 第8章 多项式回归与模型泛化/8-7 偏差方差平衡.mp4 58MB
  80. 第12章 决策树/12-1.mp4 57MB
  81. 第9章 逻辑回归/9-2 逻辑回归的损失函数.mp4 56MB
  82. 第13章 集成学习和随机森林/13-1什么是集成学习.mp4 53MB
  83. 第11章 支撑向量机 SVM/11-7.mp4 52MB
  84. 第7章 PCA与梯度上升法/7-1 什么是PCA.mp4 51MB
  85. 第11章 支撑向量机 SVM/11-2.mp4 51MB
  86. 第12章 决策树/12-2 信息熵.mp4 49MB
  87. 第6章 梯度下降法/6-1 什么是梯度下降法.mp4 44MB
  88. 第5章 线性回归法/5-7 多元线性回归和正规方程解.mp4 44MB
  89. 第11章 支撑向量机 SVM/11-6.mp4 40MB
  90. 第11章 支撑向量机 SVM/11-3.mp4 40MB
  91. 第10章 评价分类结果/10-1 准确度的陷阱和混淆矩阵.mp4 38MB
  92. 第11章 支撑向量机 SVM/11-1.mp4 38MB
  93. 第12章 决策树/12-6.mp4 38MB
  94. 第2章 机器学习基础/2-5 和机器学习相关的哲学思考.mp4 37MB
  95. 第8章 多项式回归与模型泛化/8-10 L1,L2和弹性网络.mp4 34MB
  96. 第5章 线性回归法/5-2 最小二乘法.mp4 33MB
  97. 第13章 集成学习和随机森林/13-3 Bagging和Pasting.mp4 33MB
  98. 第2章 机器学习基础/2-4 批量学习，在线学习，参数学习和非参数学习.mp4 33MB
  99. 第4章 最基础的分类算法-k近邻算法 kNN/4-9 更多有关k近邻算法的思考.mp4 33MB
  100. 第12章 决策树/12-7.mp4 33MB
  101. 第13章 集成学习和随机森林/13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp4 32MB
  102. 第10章 评价分类结果/10-2 精准率和召回率.mp4 30MB
  103. 第13章 集成学习和随机森林/13-6 Ada Boosting和Gradient Boosting.mp4 29MB
  104. 第13章 集成学习和随机森林/13-2 SoftVoting Classifier.mp4 28MB
  105. 第7章 PCA与梯度上升法/7-2 使用梯度上升法求解PCA问题.mp4 27MB
  106. 第13章 集成学习和随机森林/13-5 随机森林和Extra-Trees.mp4 26MB
  107. 第6章 梯度下降法/6-9 有关梯度下降法的更多深入讨论.mp4 25MB
  108. 第13章 集成学习和随机森林/13-7 Stacking.mp4 12MB
  109. project/LinearRegression.py 4KB
  110. project/PCA.py 2KB
  111. project/kNN.py 2KB
  112. project/SimpleLinearRegression.py 2KB
  113. project/metrics.py 1KB
  114. project/preprocessing.py 1KB
  115. project/model_selection.py 734B