- 课程目录
- 课件下载
- 第一章:回归算法原理推导
- 系列课程概述 (PPT和代码在右侧有个下载箭头->) 5:34 免费
- 系列课程Python环境配置 10:44 免费
- 机器学习概述 10:39 免费
- 回归算法原理推导 11:48 免费
- 回归算法误差项分析 9:32
- 回归算法目标函数求解 13:02
- 数学推导能做什么 7:05
- 科学计算库Numpy简介 7:56
- 答疑与讨论 22:32
- 第二章:决策树与随机森林
- 决策树概述 8:29 免费
- 熵原理 10:59 免费
- 决策树构造实例 10:28
- 信息增益率 6:51
- 决策树剪枝策略 10:07
- 随机森林模型 8:25
- 决策树剪枝参数 7:30
- 逻辑回归原理 12:15
- 答疑与讨论 12:40
- 第三章:实战样本不均衡数据解决方法(上)
- Numpy基础操作(代码下载->) 7:21 免费
- Numpy数组运算 12:13
- Numpy常用函数 10:33
- Pandas基础 17:02
- Pandas常用函数 9:49 免费
- Pandas预处理实例 9:29
- 透视表与自定义函数 14:02
- 答疑与讨论 22:01
- 第四章:实战样本不均衡数据解决方法(下)
- 欺诈检测数据背景(数据代码下载->) 11:41 免费
- 下采样策略 8:17
- 交叉验证 9:17 免费
- 梯度下降原理 9:30
- 梯度下降实例 4:58
- 模型评估方法 13:43
- 正则化惩罚项 7:44
- 使用scikit-learn进行建模 7:38
- 混淆矩阵 12:37
- 第五章:支持向量机
- 下采样策略复习 8:01
- 阈值对模型结果的影响 8:40
- SMOTE算法完成过采样 10:07
- 支持向量机算法优化目标 13:34
- 拉格朗日乘子法求解 7:53
- 目标函数求解 9:22
- 支持向量机求解实例 13:34
- 软间隔支持向量机 5:27
- 第六章:Xgboost集成算法
- 支持向量机核变换问题 12:28
- 支持向量机参数 5:00 免费
- Xgboost基本思想 11:45
- Xgboost原理推导 11:47
- Xgboost求解 10:00
- Xgboost库安装 6:44
- Xgboost使用实例 12:10
- 第七章:神经网络基础
- 深度学习概述(神经网络PPT下载-->) 15:02
- 计算机视觉挑战与常规套路 11:32 免费
- 线性分类 11:49
- Softmax分类器 8:06
- 最优化问题 9:51
- 反向传播与参数更新 14:45
- 神经网络概述 4:49
- 第八章:神经网络整体架构
- 神经网络整体架构 10:03
- 神经网络DEMO演示 11:44
- 正则化与激活函数 11:50 免费
- dropOut 10:28
- 特征工程 6:02
- BenchMark 19:31
- 卷积神经网络应用 5:59
- 第九章:卷积神经网络
- 卷积神经网络概述 11:14
- 卷积特征提取 7:37
- 卷积计算流程 12:24
- 边缘填充 9:06
- 卷积参数共享 7:12
- 池化层操作 13:22
- 经典网络架构 13:52
- 第一十章:深度学习框架-Tensorflow实战
- Tensorflow安装(数据代码-->下载) 10:05
- Tensorflow变量 10:45
- 基本使用方法 9:27
- 线性回归实例 12:14
- 神经网络结构与参数定义 10:30
- 神经网络迭代训练 9:26 免费
- 卷积神经网络实战Mnist数据集 9:52
- 第一十一章:案例实战-验证码识别
- 卷积参数设置 11:11 免费
- 完成网络模型设计 10:30
- 网络迭代训练 10:37
- 验证码识别任务概述 8:15
- 训练验证码识别网络模型 15:17
- Kmeans聚类算法 8:02
- 聚类综述 13:04
- 第一十二章:案例实战-人脸检测
- Caffe数据层配置文件 16:47
- Caffe计算层配置 7:17
- 超参数配置 14:33
- Caffe数据源制作 12:14
- 网络模型训练 15:38
- 代码概述与答疑讨论 24:00
【课时介绍】
购买课程后,可扫码进入学习群,获取唐宇迪老师答疑
数学原理推导与案例实战紧密结合,由机器学习经典算法过度到深度学习的世界,结合深度学习两大主流框架Caffe与Tensorflow,选择经典项目实战人脸检测与验证码识别。原理推导,形象解读,案例实战缺一不可!具体课程内容涉及回归算法原理推导、决策树与随机森林、实战样本不均衡数据解决方案、支持向量机、Xgboost集成算法、神经网络基础、神经网络整体架构、卷积神经网络、深度学习框架--Tensorflow实战、案例实战--验证码识别、案例实战--人脸检测。专属会员卡优惠链接:http://edu.csdn.net/lecturer/1079
- 第一章:回归算法原理推导
-
- 1. 系列课程概述 (PPT和代码在右侧有个下载箭头->) 5:34
- 2. 系列课程Python环境配置 10:44
- 3. 机器学习概述 10:39
- 4. 回归算法原理推导 11:48
- 5. 回归算法误差项分析 9:32
- 6. 回归算法目标函数求解 13:02
- 7. 数学推导能做什么 7:05
- 8. 科学计算库Numpy简介 7:56
- 9. 答疑与讨论 22:32
- 第二章:决策树与随机森林
-
- 1. 决策树概述 8:29
- 2. 熵原理 10:59
- 3. 决策树构造实例 10:28
- 4. 信息增益率 6:51
- 5. 决策树剪枝策略 10:07
- 6. 随机森林模型 8:25
- 7. 决策树剪枝参数 7:30
- 8. 逻辑回归原理 12:15
- 9. 答疑与讨论 12:40
- 第三章:实战样本不均衡数据解决方法(上)
-
- 1. Numpy基础操作(代码下载->) 7:21
- 2. Numpy数组运算 12:13
- 3. Numpy常用函数 10:33
- 4. Pandas基础 17:02
- 5. Pandas常用函数 9:49
- 6. Pandas预处理实例 9:29
- 7. 透视表与自定义函数 14:02
- 8. 答疑与讨论 22:01
- 第四章:实战样本不均衡数据解决方法(下)
-
- 1. 欺诈检测数据背景(数据代码下载->) 11:41
- 2. 下采样策略 8:17
- 3. 交叉验证 9:17
- 4. 梯度下降原理 9:30
- 5. 梯度下降实例 4:58
- 6. 模型评估方法 13:43
- 7. 正则化惩罚项 7:44
- 8. 使用scikit-learn进行建模 7:38
- 9. 混淆矩阵 12:37
- 第五章:支持向量机
-
- 1. 下采样策略复习 8:01
- 2. 阈值对模型结果的影响 8:40
- 3. SMOTE算法完成过采样 10:07
- 4. 支持向量机算法优化目标 13:34
- 5. 拉格朗日乘子法求解 7:53
- 6. 目标函数求解 9:22
- 7. 支持向量机求解实例 13:34
- 8. 软间隔支持向量机 5:27
- 第六章:Xgboost集成算法
-
- 1. 支持向量机核变换问题 12:28
- 2. 支持向量机参数 5:00
- 3. Xgboost基本思想 11:45
- 4. Xgboost原理推导 11:47
- 5. Xgboost求解 10:00
- 6. Xgboost库安装 6:44
- 7. Xgboost使用实例 12:10
- 第七章:神经网络基础
-
- 1. 深度学习概述(神经网络PPT下载-->) 15:02
- 2. 计算机视觉挑战与常规套路 11:32
- 3. 线性分类 11:49
- 4. Softmax分类器 8:06
- 5. 最优化问题 9:51
- 6. 反向传播与参数更新 14:45
- 7. 神经网络概述 4:49
- 第八章:神经网络整体架构
-
- 1. 神经网络整体架构 10:03
- 2. 神经网络DEMO演示 11:44
- 3. 正则化与激活函数 11:50
- 4. dropOut 10:28
- 5. 特征工程 6:02
- 6. BenchMark 19:31
- 7. 卷积神经网络应用 5:59
- 第九章:卷积神经网络
- 第一十章:深度学习框架-Tensorflow实战
-
- 1. Tensorflow安装(数据代码-->下载) 10:05
- 2. Tensorflow变量 10:45
- 3. 基本使用方法 9:27
- 4. 线性回归实例 12:14
- 5. 神经网络结构与参数定义 10:30
- 6. 神经网络迭代训练 9:26
- 7. 卷积神经网络实战Mnist数据集 9:52
- 第一十一章:案例实战-验证码识别
-
- 1. 卷积参数设置 11:11
- 2. 完成网络模型设计 10:30
- 3. 网络迭代训练 10:37
- 4. 验证码识别任务概述 8:15
- 5. 训练验证码识别网络模型 15:17
- 6. Kmeans聚类算法 8:02
- 7. 聚类综述 13:04
- 第一十二章:案例实战-人脸检测
-
- 1. Caffe数据层配置文件 16:47
- 2. Caffe计算层配置 7:17
- 3. 超参数配置 14:33
- 4. Caffe数据源制作 12:14
- 5. 网络模型训练 15:38
- 6. 代码概述与答疑讨论 24:00
阅读更多
发布回复
扫一扫,移动端观看视频