包含课程
- 2755人 学习人数4.7分 课程评分大白话GBDT算法-通俗理解GBDT原理本课程分为4个模块。 第一个模块通过预测年龄的直观案例理解GBDT算法流程。 第二个模块通过GBDT的三要素:GB(梯度提升),DT(回归树)和Shrinkage(缩减)理解GBDT的算法核心。 第三个模块通过剖析分类和回归损失函数来讲解GBDT在分类和回归方面的应用。 第四个模块通过手动方式一步步拆解讲解GBDT回归,二分类,多分类的过程,还原真实迭代流程。 第五个模块通过真实案例讲解GBDT的工作中所用API。 资料: 视频:算法人工智能机器学习GBDT回归树
- 2198人 学习人数4.5分 课程评分大白话XGBoost算法--彻底了解XGBoost本文通过XGBoost的算法思想到XGBoost的目标函数转换,通过泰勒公式和叶节点的角度对XGBoost目标函数进行转换,然后通过树结构的生成策略去生成每一颗模型树,最后讲解于GBDT的算法区别以及相关参数。 目录如下: 1.1XGBoost算法思想 1.2XGBoost目标函数 1.3XGBoost目标函数转化-结合泰勒公式 1.4XGBoost目标函数转换-以叶节点角度 1.5XGBoost目标函数求解和案例理解 1.6XGBoost学习策略-树结构的生成 1.7XGBoost特性-区别于GBDT 1.8XGBoost代码实战-相关参数 资料如下: 视频文件:算法机器学习XGBoost泰勒公式树结构生成
- 1589人 学习人数4.5分 课程评分大白话贝叶斯定理--让你爱上贝叶斯本系列通过通俗的形式讲解贝叶斯算法的所有知识点 让你对贝叶斯有个清晰的认识过程。 1.1贝叶斯定理 1.2贝叶斯定理的应用--单个特征举例 1.3贝叶斯定理的应用--多个特征到朴素贝叶斯 1.4多项式朴素贝叶斯算法案例--离散特征 1.5多项式朴素贝叶斯算法案例--平滑下的计算 1.6高斯和伯努利朴素贝叶斯--连续特征 1.7朴素贝叶斯算法应用场景--文本分类原因 1.8基于高斯朴素贝叶斯算法的鸢尾花数据分类 1.9不同分类器下新闻数据分类效果的比较人工智能机器学习算法应用数据
- 2185人 学习人数4.5分 课程评分大白话tensorflow--从此爱上tensorflow本系列介绍tensorflow从初始到应用,以及工作中常用知识如模型存储和持久化等,让tensorflow从此走进工作中 1.1tensorflow介绍 1.2tensorflow基本概念 1.3tensorflow常量示意和神经网络开发流程 1.4tensorflow会话流程 1.5tensorflow会话session的config设置 1.6tensorflow中Variable变量和Placeholder示意 1.7tensorflow中变量命名作用域 1.8tensorflow变量更新和控制依赖 1.9tensorflow中可视化 1.10tensorflow实现线性回归算法 1.11tensorflow模型持久化操作 1.12tensorflow模型参数解释 1.13tensorflow模型断点续传解决方式 1.14tensorflow模型存储和恢复不一致问题解决 1.15tensorflow模型根据图结构恢复方式 1.16tensorflow中softmax函数实现 1.17tensorflow中argmax和reduce_sum及手写体数字集 1.18tensorflow基于手写体数字集实现分类 1.19tensorflow分类MBGD和SGD实现过程 代码:神经网络可视化算法存储结构
- 4246人 学习人数4.5分 课程评分大白话神经网络和BP算法--从此爱上神经网络本系列中为大家生动形象得讲解神经网络的来源和相关知识点,此外通过案例清楚的了解BP算法的来龙去脉。1.1神经网络来源1.2了解感知器认知过程1.3感知器代码实现逻辑或和与1.4感知器网络和S型神经元及激活函数1.5神经网络之结构详解1.6.1神经网络BP算法前置知识1.6.2神经网络BP算法W7过程演练1.6.3神经网络BP算法W1过程和总结1.6.4神经网络BP算法python执行过程资料:视频:神经网络人工智能深度学习python函数
- 5136人 学习人数4.5分 课程评分大白话SVM算法课程以通俗简介的方式,从浅入深介绍SVM原理和代码流程 让你从此不再惧怕SVM 视频部分: 01_SVM之回顾梯度下降原理 02_SVM之回顾有约束的最优化问题 03_SVM之回顾有约束的最优化问题-KKT几何解释 04_SVM之回顾有约束的最优化问题-KKT数学解释 05_SVM之回顾距离公式和感知器模型 06_SVM之感知器到SVM的引入 07_SVM之线性可分时损失函数的表示 08_SVM之线性可分时损失函数的求解-对w,b变量求偏导 09_SVM之线性可分时损失函数的求解-对β变量求解. 10_SVM之线性可分时算法整体流程 11_SVM之线性可分时案例 12_SVM之线性不可分时软间隔介绍 13_SVM之线性不可分时软间隔优化目标 14_SVM之线性不可分时软间隔算法整体流程 15_SVM之线性不可分时数据映射高维解决不可分问题 16_SVM之线性不可分时核函数引入 17_SVM之线性不可分时核函数讲解 18_SVM代码之线性可分时和Logistic回归比较 19_SVM代码之基于鸢尾花数据多分类参数解释 20_SVM代码之基于鸢尾花数据网格搜索选择参数 21_SVM代码之不同分类器,核函数,C值的可视化比较 22_SVM之回归方式SVR 23_SVM代码之SVR解决回归问题 24_SVM之SMO思想引入 25_SVM之SMO案列讲解 代码部分: 资料部分:人工智能算法svm机器学习
- 2058人 学习人数4.5分 课程评分大白话EM算法--从此爱上EM迭代本系列讲解EM及GMM相关知识点,让你对EM整理流程有清晰的认识,从而应用到工作和面试中。 目录如下: 1.1EM算法之回顾最大似然估计 1.2EM算法之回顾贝叶斯估计 1.3EM算法之回顾K-means算法 1.4EM算法之算法目标引入 1.5EM算法之目标函数转换--利用Jensen不等式 1.6EM算法之目标函数求解--关于Q(z, θ)的表达 1.7EM算法流程 1.8EM算法案例 1.9EM算法应用之GMM(高斯混合模型)的目标函数表示 1.10EM算法应用之GMM(高斯混合模型)的迭代过程 1.11EM算法代码之手动实现GMM迭代过程 1.12EM算法代码之基于sklearn身高性别数据GMM高斯混合聚类实现网络大学课程人工智能机器学习结构
- 559人 学习人数4.5分 课程评分大白话HMM全套系列课程--从此爱上HMM本系列课程由浅如深讲解HMM的全套知识,让你从此不再惧怕HMM,爱上HMM 1.1HMM算法之马尔可夫性质 1.2HMM算法概念1.3HMM算法参数解释--三元素1.4HMM的两个基本性质1.5HMM的三个问题案例概述1.6HMM的概率问题之暴力求解方式1.7HMM的概率问题之前向概率和后向概率概念1.8HMM中的概率问题之前向算法流程1.9HMM中的概率问题之前向算法案例 1.10HMM中的概率问题之前向算法案例代码 1.11HMM中的概率问题之后向概率流程 1.12HMM中的概率问题之后向算法案例代码1.13HMM中的单个状态概率1.14HMM中的单个状态概率案例代码1.15HMM中的两个状态概率1.16HMM中的两个状态概率案例代码1.17HMM中的学习问题之监督学习案例1.18HMM中的学习问题之非监督学习之优化目标1.19HMM中的学习问题之非监督学习之优化目标求解1.20HMM中的学习问题之非监督学习代码示例1.21HMM中的学习问题之预测问题求解思想1.22HMM中的预测问题之Viterbi案例1.23HMM中的预测问题之Viterbi案例代码1.24HMM中的基于HMM的中文分词案例代码实现讲解1.25HMM的API应用代码_结合Viterbi思想1.26HMM的API应用代码_结合EM和Viterbi思想算法HMM分词大白话人工智能
- 2041人 学习人数4.5分 课程评分大白话循环神经网络RNN-从此爱上RNN本系列讲解循环神经网络RNN和LSTM的所有知识点,学完本系列课程将对RNN和LSTM的理论知识有清晰的认识,同时能够将理论结合实践应用到工作中。网络人工智能机器学习神经网络深度学习
- 513人 学习人数4.5分 课程评分
- 4635人 学习人数4.5分 课程评分
- 3672人 学习人数4.5分 课程评分大白话Transformer结构-从此爱上Transformer以通俗的语言讲解Transformer的整体流程和思想,让你了解Transformer的来龙去脉。 资料:大学课程人工智能深度学习TransformerEncoder
- 761人 学习人数4.5分 课程评分
- 580人 学习人数4.2分 课程评分大白话Word2Vec算法-彻底理解词向量过程通过讲解Word2Vec的神经网络架构,两种训练方式CBOW和Skip-Gram,两种优化方式层次SoftMax和负采样算法,让你彻底了解Word2Vec词向量的所有过程。资料: 视频:人工智能深度学习神经网络词向量Word2Vec
- 1343人 学习人数4.5分 课程评分
套餐介绍
本套餐包含:1、机器学习算法的XGBoost算法,GBDT算法,SVM算法。2、概率模型的贝叶斯算法,贝叶斯网络,EM算法,HMM算法。3、自然语言处理的CRF模型,Word2Vec算法,Bert。4、深度学习的BP神经网络,Tensorflow,RNN,Transformer结构,LSTM,Seq2Seq,注意力机制Attention。以通俗的形式了解算法的来龙去脉,由浅入深,并结合丰富案例,对实际生产工作有指导性的作用。
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈