机器学习理论与实战 机器学习 EM算法八GMM高斯混合聚类算法原理构建过程二
机器学习理论与实战
课程目录
讨论留言
数学课程
- 数学课程一函数
- 数学课程一基本初等函数
- 数学课程二极限之数列思想
- 数学课程二极限之函数极限
- 数学课程二极限准则
- 数学课程三函数连续性和求导
- 数学课程三函数连续性
- 数学课程三导数入门
- 数学课程四函数导数求导
- 数学课程四曲线凹凸性
- 数学课程四函数导数极值和最值
- 数学课程四泰勒公式
- 数学课程四麦克劳林公式
- 数学课程五多元函数之二元函数
- 数学课程五多元函数之偏导数
- 数学课程五多元函数之极值和最值
- 数学课程五多元函数定理
- 数学课程六拉格朗日乘数法
- 数学课程六方向导数一
- 数学课程六方向导数二
- 数学课程七梯度
- 数学课程八不定积分
- 数学课程八定积分
- 数学课程八二重积分
- 数学课程八二重积分计算
- 数学课程八积分及课程总结
- 数学课程九线性代数
- 数学课程九矩阵
- 数学课程十矩阵运算
- 数学课程十矩阵转置及行列式
- 数学课程十矩阵的计算方式
- 数学课程十一矩阵的计算方式和伴随矩阵
- 数学课程十一逆矩阵
- 数学课程十一矩阵的初等变换
- 数学课程十二矩阵初等变换运算
- 数学课程十二矩阵的性质
- 数学课程十二向量求导
- 数学课程十二最小二乘法
- 数学课程十三矩阵的秩
- 数学课程十三矩阵秩的求法和定理
- 数学课程十三向量组
- 数学课程十三向量相关性
- 数学课程十三向量线性相关
- 数学课程十四线性方程组求解
- 数学课程十四齐次线性方程组解的结构定理
- 数学课程十四非齐次线性方程组解的结构定理
- 数学课程十五特征值和特征向量
- 数学课程十五特征值和特征向量的求法
- 数学课程十五矩阵对角化
- 数学课程十六二次型
- 数学课程十六非退化线性替换
- 数学课程十六二次型的标准形
- 数学课程十六合同变换法一
- 数学课程十六合同变换法二
- 数学课程十七正定二次型
- 数学课程十七主子式与顺序主子式
- 数学课程十七实二次型的分类
- 数学课程十八矩阵分解
- 数学课程十八QR分解
- 数学课程十九实对称矩阵的谱分解
- 数学课程二十奇异值分解
- 数学课程二十奇异值分解定理及方法
- 数学课程二十一概率论
- 数学课程二十一全概率公式
- 数学课程二十一贝叶斯公式
- 数学课程二十一事件独立性
- 数学课程二十二随机变量
- 数学课程二十二离散型随机变量及其分布律
- 数学课程二十二Bernoulli分布
- 数学课程二十二二项分布
- 数学课程二十三Poisson分布
- 数学课程二十四几何分布
- 数学课程二十四连续型随机变量及其概率密度
- 数学课程二十四均匀分布
- 数学课程二十四指数分布
- 数学课程二十四正态分布
- 数学课程二十四标准正态分布
- 数学课程二十四伽马分布和贝塔分布
- 数学课程二十四二维随机变量及其分布函数
- 数学课程二十四二维离散型随机变量
- 数学课程二十四二维连续型随机变量
- 数学课程二十五边缘分布函数
- 数学课程二十五离散型随机变量的条件分布
- 数学课程二十五连续型随机变量的条件分布
- 数学课程二十六数学期望
- 数学课程二十六方差
- 数学课程二十六标准差
- 数学课程二十六协方差
- 数学课程二十六Pearson相关系数、中心矩和圆点矩
- 数学课程二十六峰度和偏度
- 数学课程二十六变异系数、分位数和中位数
- 数学课程二十七数理统计基本概念
- 数学课程二十七大数定律
- 数学课程二十七中心极限定理
- 数学课程二十八参数估计
- 数学课程二十八极大似然估计
- 数学课程二十八极大似然估计量的求法
- 数学课程二十九置信区间
- 数学课程二十九置信区间的求法
- 数学课程二十九单个总体样本的置信区间
- 数学课程三十假设检验
- 数学课程三十假设检验的相关概念
- 数学课程三十假设检验的一般步骤
机器学习
- 机器学习的定义和认识
- 机器学习的概念详述
- 机器学习基本分类
- 机器学习详细分类
- 机器学习流程
- 数据收集与存储
- 线性回归一线性回归算法讲解
- 线性回归二算法具体求解过程
- 线性回归三似然函数
- 线性回归四最小二乘求解过程
- 线性回归五python实现最小二乘一
- 线性回归五python实现最小二乘二
- 线性回归六使用sklearn实现最小二乘线性回归
- 线性回归七过拟合和欠拟合
- 线性回归八机器学习多项式扩展一
- 线性回归八机器学习多项式扩展二
- 线性回归九正则化一
- 线性回归九正则化二
- 线性回归九正则化三
- 线性回归十模型效果判断
- 线性回归十一机器学习调参
- 线性回归十二交叉验证
- 线性回归十三模型评估
- 线性回归十四AUC和ROC
- 线性回归十五梯度下降案例
- 线性回归十六批量梯度下降算法
- 线性回归十七SGD、BGD和MBGD
- 线性回归十八python实现SGD
- 线性回归十九葡萄酒质量预测代码演示和讲解
- 线性回归二十Logistic回归
- 线性回归三十一Logistic回归及其似然函数
- 线性回归三十二Logistic回归乳腺癌案例分析一
- 线性回归三十二Logistic回归乳腺癌案例分析二
- 线性回归三十三Softmax回归
- 线性回归三十四Softmax回归案例一
- 线性回归三十五Softmax回归案例二
- 线性回归三十六Softmax回归案例三
- KNN算法一KNN算法原理一
- KNN算法一KNN算法原理二
- KNN算法三KDTree构建原理
- 决策树算法一决策树的直观理解
- 决策树算法二比特化
- 决策树算法三信息熵
- 决策树算法四信息熵和条件熵
- 决策树算法五决策树原理一
- 决策树算法五决策树原理二
- 决策树算法六决策树构建流程一
- 决策树算法六决策树构建流程二
- 决策树算法七决策树生成算法
- 决策树算法八决策树剪枝
- 决策树算法八分类树和回归树
- 决策树算法九决策树可视化一
- 决策树算法九决策树可视化二
- 决策树算法十决策树实现鸢尾花数据分类案例代码一
- 决策树算法十决策树实现鸢尾花数据分类案例代码二
- 决策树算法十决策树实现鸢尾花数据分类案例代码三
- 集成学习一集成学习思想
- 集成学习一集成学习方法
- 集成算法二随机森林
- 集成算法三随机森林的变种算法ExtraTree
- 集成算法三随机森林的变种算法TRTE
- 集成算法三随机森林的变种算法IForest
- 集成算法四随机森林代码示例一
- 集成算法四随机森林代码示例二
- 集成算法五随机森林乳腺癌案例
- 集成学习六boosting算法
- 集成学习七AdaBoost算法原理一
- 集成学习七AdaBoost算法原理二
- 集成学习七AdaBoost算法原理三
- 集成学习七AdaBoost算法原理四
- 集成学习八Adboost案例代码讲解
- 集成学习九GBDT算法原理
- 集成学习十集成算法boosting和bagging比较一
- 集成学习十集成算法boosting和bagging比较二
- 集成学习十一stacking集成算法
- 集成算法十二XGBoost概述
- 集成算法十三XGBoost原理一
- 集成算法十三XGBoost原理二
- 集成算法十三XGBoost原理三
- 集成算法十四XGBoost公式推导一
- 集成算法十四XGBoost公式推导二
- 集成算法十五xgboost相关代码讲解
- SVM一梯度下降优化算法原理回顾
- SVM二拉格朗日函数
- SVM三KKT
- SVM四感知器模型
- SVM五SVM初识
- SVM六SVM算法构建原理回顾
- SVM七线性可分SVM算法原理讲解一
- SVM七线性可分SVM算法原理讲解二
- SVM七线性可分SVM算法原理讲解三
- SVM八软间隔线性可分SVM算法原理一
- SVM八软间隔线性可分SVM算法原理二
- SVM九非线性可分SVM算法原理
- SVM十核函数
- SVM十一高斯核函数公式证明
- SVM十二SKlearn中SVM算法库API讲解
- SVM十三SVM实现手写数字识别案例一
- SVM十三SVM实现手写数字识别案例二
- SVM十四SVM鸢尾花数据分类案例代码
- SVM十五OneClassVM异常点检测
- SVM十六SMO算法求解一
- SVM十六SMO算法求解二
- SVM十六SMO算法求解三
- SVM十六SMO算法求解四
- SVM十六SMO算法求解五
- SVM十七SVR算法原理
- SVM十八单标签二分类和单标签多分类算法
- SVM十九单标签多分类解决方案OVO算法原理
- SVM十九单标签多分类解决方案OVR算法原理
- SVM二十单标签多分类解决方案错误码机制算法原理
- SVM二十一多标签分类算法解决方案一之Classifier Chains
- SVM二十一多标签分类算法解决方案二之Calibrated Label Ranking
- SVM二十一多标签分类算法解决方案三之Algorithm Adaptation
- SVM二十二优化问题
- SVM二十二优化方法之牛顿法详细讲解
- SVM二十二拟牛顿法
- 聚类算法一聚类算法概述
- 聚类算法二相似度度量方法一
- 聚类算法二相似度度量方法二
- 聚类算法三KMeans算法原理一
- 聚类算法三KMeans算法原理二
- 聚类算法四二分KMeans算法
- 聚类算法四二分KMeans++和KMeans||
- 聚类算法五Canopy算法
- 聚类算法六Mini Batch KMeans算法
- 聚类算法六Mini Batch KMeans算法代码案例
- 聚类算法七聚类算法的衡量指标
- 聚类算法八层次聚类算法原理
- 聚类算法八层次聚类算法代码案例
- 聚类算法九层次聚类优化算法一
- 聚类算法九层次聚类优化算法二
- 聚类算法九层次聚类优化算法三
- 聚类算法十密度聚类算法一
- 聚类算法十密度聚类算法二
- 聚类算法十一密度聚类MDCA算法原理
- 聚类算法十二聚类算法应用效果比较
- EM算法一MLE最大似然估计
- EM算法二贝叶斯估计和最大后验概率估计
- EM算法三EM算法引入
- EM算法四EM算法原理一
- EM算法四EM算法原理二
- EM算法五EM算法思想直观案例理解
- EM算法六EM算法收敛性
- EM算法七EM算法应用
- EM算法八GMM高斯混合聚类算法原理构建过程一
- EM算法八GMM高斯混合聚类算法原理构建过程二
- EM算法八GMM案例代码实现一
- EM算法八GMM案例代码实现二
- 贝叶斯算法一朴素贝叶斯算法原理一
- 贝叶斯算法二朴素贝叶斯算法原理二
- 贝叶斯算法三朴素贝叶斯分类一
- 贝叶斯算法三朴素贝叶斯分类二
- 贝叶斯算法四鸢尾花数据分类贝叶斯算法代码案例
- 贝叶斯是算法五贝叶斯网络一
- 贝叶斯是算法五贝叶斯网络二
- 贝叶斯算法六马尔可夫模型
- 贝叶斯算法七隐马尔可夫模型原理
- 贝叶斯算法八隐马尔可夫模型案例
- 贝叶斯算法九HMM概率计算_暴力计算法及前向和后向概率
- 贝叶斯算法十前向算法
- 贝叶斯算法十一后向算法一
- 贝叶斯算法十一后向算法二
- 贝叶斯算法十二HMM基于有监督模型的模型参数
- 贝叶斯算法十三HMM基于无监督模型的模型参数一
- 贝叶斯算法十三HMM基于无监督模型的模型参数二
- 贝叶斯算法十四HMM隐状态预测viterbi算法
- 贝叶斯算法十五HMM算法python代码实现一
- 贝叶斯算法十五HMM算法python代码实现二
- 贝叶斯算法十五HMM算法python代码实现三
- 贝叶斯算法十五HMM算法python代码实现四
- 贝叶斯算法十五HMM算法python代码实现五
- 贝叶斯算法十五HMM算法python代码实现六
- 贝叶斯算法十五HMM算法python代码实现七
- 主题模型一主题模型算法概述
- 主题模型二LSA算法原理及构建过程一
- 主题模型二LSA算法原理及构建过程二
- 主题模型三NMF非负矩阵分解算法原理
- 主题模型四坐标轴下降法
- 主题模型五案例代码一
- 主题模型五案例代码二
- 特征工程一数据收集及数据存储方式
- 特征工程二数据清洗方式
- 特征工程三特征转换和分词
- 特征工程三jieba分词一
- 特征工程三jieba分词二
- 特征工程三jieba分词三
- 特征工程四词袋法和TF-IDF
- 特征工程四HashTF-IDF
- 特征工程四代码案例
- 特征工程五缺省值处理
- 特征工程五缺省值处理代码案例
- 特征工程六数据清洗和转换
- 特征工程六哑编码
- 特征工程六文本数据抽取
- 特征工程七哑编码应用方式及案例代码
- 特征工程八二值化
- 特征工程九标准化
- 特征工程九区间缩放法
- 特征工程九正则化
- 特征工程十特征选择
- 特征选择十一特征选择方式一
- 特征选择十一特征选择方式二
- 特征选择十二特征工程总结一
- 特征选择十二特征工程总结二
- 机器学习总结一
- 机器学习总结二
- 机器学习总结三
- 机器学习总结四
- 机器学习总结五
- 机器学习总结六
- 机器学习总结七
- 机器学习总结八
机器学习项目实战
- 垃圾邮件一项目概述
- 垃圾邮件二业务概述
- 垃圾邮件三项目开发流程及需求讲解一
- 垃圾邮件三项目开发流程及需求讲解二
- 垃圾邮件四数据清洗
- 垃圾邮件五特征工程一
- 垃圾邮件五特征工程二
- 垃圾邮件五特征工程三
- 垃圾邮件五特征工程四
- 垃圾邮件五特征工程五
- 垃圾邮件五特征工程六
- 垃圾邮件六垃圾邮件过滤算法一
- 垃圾邮件六垃圾邮件过滤算法二
- 垃圾邮件六垃圾邮件过滤算法三
- 垃圾邮件七多种算法比较
- 音乐文件分类一项目概述
- 音乐文件分类二项目核心技术概述
- 音乐文件分类三MFCC原理和代码案例
- 音乐文件分类四pydub原理和代码案例一
- 音乐文件分类四pydub原理和代码案例二
- 音乐文件分类五音频文件模型预测一
- 音乐文件分类五音频文件模型预测二
- 音乐文件分类六特征工程一
- 音乐文件分类六特征工程二
- 音乐文件分类六特征工程三
- 音乐文件分类六特征工程四
- 音乐文件分类七模型训练
- 音乐文件分类八模型调优及效果一
- 音乐文件分类八模型调优及效果二
机器学习
EM算法八GMM高斯混合聚类算法原理构建过程二
视频学习中有任何产品建议都可由此反
馈，我们将及时处理！
馈，我们将及时处理！
课时介绍
什么是GMM高斯混合聚类，GMM-EM算法对均值求偏导，对方差求偏导，对概率使用拉格朗日乘子法求解
课程介绍
本课程从机器学习需要的数学知识讲起，然后进入机器学习主要内容，包含分类算法、回归算法、集成算法、聚类算法、数据清洗和特征工程等机器学习全流程讲解，中间还穿插算法的具体应用和代码实现，逐步培养和锻炼学员独立的分析和解决实际问题的能力。案例实战包括垃圾邮件分类、音乐文件分类和推荐系统等等。
推荐课程
信息系统项目管理师自考笔记
李明 · 758人在学
python从0到1：期货量化交易系统（CTP实战，高频及合成K线数据
王先生 · 22206人在学
手把手搭建Java超市管理系统【附源码】（毕设）
汤小洋 · 4222人在学
Java毕设springboot外卖点餐系统 毕业设计毕设源码 使用教
黄菊华 · 794人在学
基于SSM酒店管理系统（毕设）
小尼老师 · 844人在学
java项目实战之购物商城（java毕业设计）
Long · 5161人在学
手把手搭建Java求职招聘系统【附源码】（毕设）
汤小洋 · 1511人在学
Python Django 深度学习 小程序
钟翔 · 2333人在学
城管局门前三包管理系统+微信小程序（vue+springboot）
赖国荣 · 605人在学
Vue+Uni-app(uniapp)入门与实战+赠送仿美团点餐小程序
李杰 · 4001人在学
