包含课程

• 

  
  1075人 学习人数

  4.4分 课程评分
  机器学习之集成学习理论与代码实践

  详细讲解了集成学习的主要方法：Voting、Bagging、Boosting和Stacking。每一种集成方法都配有详细的代码讲解。能够使用集成模型完成分类或回归任务。

  机器学习

  集成学习

  Voting

  Bagging

  Boosting

  免费试学 查看详情
• 

  
  983人 学习人数

  4.7分 课程评分
  机器学习之聚类、主成分分析理论与代码实践

  机器学习

  聚类

  主成分分析

  PCA

  Cluster

  免费试学 查看详情
• 

  
  2126人 学习人数

  4.7分 课程评分
  机器学习之支持向量机理论与代码实践

  该课程是目前讲解SVM的最详细的课程，详细的讲解了SVM的数学推导过程，SMO算法的数学推导过程，并根据最终推导的公式使用python原生代码进行了实现，公式与代码一一对应。把最难理解的SVM讲解的非常透彻。

  svm

  支持向量机

  SMO

  机器学习

  人工智能

  免费试学 查看详情
• 

  
  2099人 学习人数

  4.5分 课程评分
  机器学习之决策树理论与代码实践

  详细讲解决策树(ID3，C4.5，CART)的数学推导过程，能够使用原生代码完成决策树代码的编写。能够调用sklearn库完成决策树代码的编写。能够可视化生成的决策树。能够使用决策树完成鸢尾花数据分类任务。

  机器学习

  人工智能

  c语言

  可视化

  数学

  免费试学 查看详情
• 

  
  2437人 学习人数

  4.6分 课程评分
  机器学习之朴素贝叶斯理论与代码实践

  深入理解条件概率。详细讲解朴素贝叶斯的数学推导过程，能够使用原生代码完成朴素贝叶斯代码的编写。能够调用sklearn库完成朴素贝叶斯代码的编写。能够理解垃圾邮件分类原理并使用朴素贝叶斯完成垃圾邮件的分类。

  机器学习

  垃圾邮件

  朴素贝叶斯

  人工智能

  免费试学 查看详情
• 

  
  1811人 学习人数

  4.4分 课程评分
  机器学习之逻辑回归、KNN理论与代码实践

  详细讲解逻辑回归的数学推导过程，能够使用原生代码完成逻辑回归代码的编写。详细讲解K近邻算法的原理及原生代码的实现过程。能够调用sklearn库完成逻辑回归与KNN代码的编写。能够完成对鸢尾花数据集分类，能够完成手写数字识别案例。

  机器学习

  逻辑回归

  KNN

  K近邻

  人工智能

  免费试学 查看详情
• 

  
  1888人 学习人数

  4.6分 课程评分
  机器学习之线性回归理论与代码实践

  深入理解线性回归的数学推导过程 能够使用原生代码实现线性回归模型（包括Ridge，LASSO，EasticNet） 能够使用skLearn实现线性回归模型 能够使用线性回归分析实际数据

  机器学习

  人工智能

  数学

  线性回归

  数据

  免费试学 查看详情