   人工智能/機器學(xué)習(xí)培訓(xùn)

第1章 線性回歸 
1 線性回歸知識點回顧 
2 單變量線性回歸-01讀取文件 
3 單變量線性回歸-02數(shù)據(jù)集準備 
4 單變量線性回歸-03損失函數(shù) 
5 單變量線性回歸-04梯度下降函數(shù) 
6 單變量線性回歸-05可視化損失函數(shù) 
7 單變量線性回歸-06可視化擬合函數(shù) 
8 多變量線性回歸-01讀取文件 
9 多變量線性回歸-02特征歸一化 
10 多變量線性回歸-03構(gòu)造數(shù)據(jù)集 
11 多變量線性回歸-04迭代效果比較 
12 正規(guī)方程 
第2章 邏輯回歸 
13 線性可分-01知識點回顧 
14 線性可分-02數(shù)據(jù)可視化 
15 線性可分-03損失函數(shù) 
16 線性可分-04梯度下降、預(yù)測 
17 線性可分-05決策邊界 
18 線性不可分-01特征映射 
19 線性可分-02損失函數(shù) 
20 線性可分-03梯度下降、準確率 
21 線性可分-04決策邊界 
第3章 多分類、神經(jīng)網(wǎng)絡(luò)前向傳播 
22 邏輯回歸-01圖片讀取 
23 邏輯回歸-02損失函數(shù)、梯度 
24 邏輯回歸-03多分類設(shè)計、優(yōu)化 
25 邏輯回歸-04預(yù)測 
26 神經(jīng)網(wǎng)絡(luò)前向傳播-01知識點 
27 神經(jīng)網(wǎng)絡(luò)前向傳播-01前向傳播 
第4章 神經(jīng)網(wǎng)絡(luò)反向傳播 
28 01-onehotencoder 
29 02-序列化權(quán)重參數(shù) 
30 03-解序列化權(quán)重參數(shù) 
31 04-前向傳播 
32 05-損失函數(shù) 
33 06-梯度 
34 07-優(yōu)化 
35 08-隱藏層可視化 
第5章 偏差、方差 
36 01-數(shù)據(jù)導(dǎo)入、可視化、損失函數(shù) 
37 02-梯度、優(yōu)化 
38 03-樣本個數(shù)vs誤差 
39 04-多項式特征、歸一化 
40 05-正則化影響 
41 06-正則化參數(shù)的選取 
第6章 支持向量機 
42 01-線性可分SVM(1) 
43 02-線性可分SVM(2) 
44 03-線性不可分SVM 
45 04-尋找優(yōu)參數(shù) 
46 05-垃圾郵件分類 
第7章 kmeans and PCA 
47 kmeans-01計算樣本所屬類別 
48 kmeans-02計算聚類中心點 
49 kmeans-03迭代過程 
50 kmeans-04初始聚類中心選取的影響 
51 kmeans-05圖像聚類 
52 pca-01算法實現(xiàn)步 
53 pca-02二維數(shù)據(jù)降維處理 
54 pca-03圖像降維 
第8章 異常檢測、推薦系統(tǒng) 
55 異常檢測-01步驟 
56 異常檢測-02密度函數(shù)計算 
57 異常檢測-03閾值選取、預(yù)測 
58 異常檢測-04高維數(shù)據(jù)的異常檢測 
59 推薦系統(tǒng)-01知識點回顧、代價函數(shù) 
60 推薦系統(tǒng)-02梯度、歸一化、訓(xùn)練 
61 推薦系統(tǒng)-03預(yù)測