注意：只展示部分的文件和文件夹 实际有78个文件
Python3入门机器学习经典算法与应用
Python3入门机器学习 经典算法与应用 7.0GB
project1.zip 6KB
project0.zip 4.7MB
第9章 逻辑回归 940.6MB
9-8 OvR与OvO.mp4 124.9MB
9-7 scikit-learn中的逻辑回归.mp4 167.1MB
9-6 在逻辑回归中使用多项式特征.mp4 137.4MB
9-5 决策边界.mp4 193.5MB
9-4 实现逻辑回归算法.mp4 123.4MB
9-3 逻辑回归损失函数的梯度.mp4 80.3MB
9-2 逻辑回归的损失函数.mp4 55.9MB
9-1 什么是逻辑回归.mp4 58.0MB
第8章 多项式回归与模型泛化 1.2GB
8-9 LASSO.mp4 115.1MB
8-8 模型泛化与岭回归.mp4 180.3MB
8-7 偏差方差平衡.mp4 57.8MB
8-6 验证数据集与交叉验证.mp4 222.6MB
8-5 学习曲线.mp4 134.3MB
8-4 为什么要训练数据集与测试数据集.mp4 144.4MB
8-3 过拟合与前拟合.mp4 131.7MB
8-2 scikit-learn中的多项式回归于pipeline.mp4 146.5MB
8-10 L1,L2和弹性网络.mp4 34.2MB
8-1 什么是多项式回归.mp4 75.1MB
第7章 PCA与梯度上升法 1.0GB
7-9 人脸识别与特征脸.mp4 131.9MB
7-8 使用PCA对数据进行降噪.mp4 99.2MB
7-7 试手MNIST数据集.mp4 112.9MB
7-6 scikit-learn中的PCA.mp4 172.4MB
7-5 高维数据映射为低维数据.mp4 168.6MB
7-4 求数据的前n个主成分.mp4 125.3MB
7-3 求数据的主成分PCA.mp4 178.6MB
7-2 使用梯度上升法求解PCA问题.mp4 27.4MB
7-1 什么是PCA.mp4 51.1MB
第6章 梯度下降法 1.0GB
6-9 有关梯度下降法的更多深入讨论.mp4 24.8MB
6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4 113.1MB
6-7 scikit-learn中的随机梯度下降法.mp4 132.4MB
6-6 随机梯度下降法.mp4 160.2MB
6-5 梯度下降的向量化和数据标准化.mp4 203.3MB
6-4 实现线性回归中的梯度下降法.mp4 136.9MB
6-3 线性回归中的梯度下降法.mp4 70.4MB
6-2 模拟实现梯度下降法.mp4 185.4MB
6-1 什么是梯度下降法.mp4 44.2MB
第5章 线性回归法 953.4MB
5-9 使用scikit-learn解决回归问题.mp4 118.2MB
5-8 实现多元线性回归.mp4 118.7MB
5-7 多元线性回归和正规方程解.mp4 44.0MB
5-6 最好的衡量线性回归法的指标 R Squared.mp4 109.9MB
5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4 183.3MB
5-4 向量化.mp4 105.4MB
5-3 简单线性回归的实现.mp4 130.4MB
5-2 最小二乘法.mp4 33.5MB
5-10 线性回归的可解性和更多思考.mp4 86.8MB
5-1 简单线性回归.mp4 23.3MB
第4章 最基础的分类算法-k近邻算法 kNN 1.4GB
4-9 更多有关k近邻算法的思考.mp4 33.0MB
4-8 scikit-learn中的Scaler.mp4 185.3MB
4-7 数据归一化.mp4 105.9MB
4-6 网格搜索与k近邻算法中更多超参数.mp4 168.1MB
4-5 超参数.mp4 207.2MB
4-4 分类准确度.mp4 174.8MB
4-3 训练数据集，测试数据集.mp4 213.3MB
4-2 scikit-learn中的机器学习算法封装.mp4 206.3MB
4-1 k近邻算法基础.mp4 136.8MB
第3章 Jupyter Notebook, numpy和m 409.3MB
3-9 Numpy中的arg运算.mp4 95.4MB
3-8 Numpy中的聚合运算.mp4 107.9MB
3-7 Numpy中的矩阵运算.mp4 206.0MB
