Content
10 Lessons • 0 Quizzes • 0 Challenges
课程概述
- 1
课程介绍
- 2
机器学习的核心要点
监督学习
- 1
输入、特征与目标
- 2
分类器与阈值
- 3
参数
- 4
回归
- 5
过拟合与欠拟合
- 6
奥卡姆剃刀
- 7
正则化
- 8
岭回归与Lasso回归
- 9
验证
- 10
使用 Sklearn 进行监督学习
聚类
- 1
聚类简介
- 2
K-均值聚类
- 3
K-Means 示例详解
- 4
DBSCAN
- 5
DBSCAN 示例详解
- 6
凝聚聚类
- 7
凝聚聚类逐步示例
- 8
聚类算法比较
- 9
相似性与相异性度量
广义线性回归
- 1
特征空间
- 2
广义线性模型
- 3
广义线性回归
- 4
多目标广义线性回归
- 5
核函数
- 6
核线性回归
- 7
核线性判别分析
- 8
核技巧可能带来风险
支持向量机
- 1
支持向量机简介
- 2
硬间隔支持向量机
- 3
识别支持向量
- 4
线性可分性
- 5
软间隔支持向量机
- 6
对偶形式
- 7
核支持向量机与稀疏性
- 8
Sklearn中的SVM
逻辑回归
- 1
概率模型概述
- 2
逻辑回归简介
- 3
优化二元交叉熵损失（BCE Loss）
- 4
核逻辑回归
- 5
多分类公式化
- 6
从逻辑回归到神经网络
- 7
神经网络的实现
- 8
逻辑回归测验
集成学习
- 1
集成学习简介
- 2
集成学习的类型
- 3
装袋法
- 4
决策树
- 5
随机森林
- 6
梯度提升：从零开始实现
- 7
梯度提升：使用 Scikit-learn 的实现
- 8
AdaBoost
解码维度：主成分分析（PCA）与自编码器
- 1
主成分分析
- 2
自编码器
- 3
自编码器的实际应用
- 4
变分自编码器
- 5
变分自编码器的实际应用
附录
- 1
CVXPY 简介
- 2
数学优化
- 3
凸优化
- 4
凸优化问题
- 5
拉格朗日对偶性
- 6
梯度下降
总结
- 1
结论
Certificate of Completion
Showcase your accomplishment by sharing your certificate of completion.
Course Author:Anonymous User