   人工智能/機器學習培訓

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數據集準備 
4 單變量線性回歸-03損失函數 
5 單變量線性回歸-04梯度下降函數 
6 單變量線性回歸-05可視化損失函數 
7 單變量線性回歸-06可視化擬合函數 
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構造數據集 
11 多變量線性回歸-04迭代效果比較 
12 正規方程 
第2章 邏輯回歸 
13 線性可分-01知識點回顧 
14 線性可分-02數據可視化 
15 線性可分-03損失函數 
16 線性可分-04梯度下降、預測 
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 
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、神經網絡前向傳播 
22 邏輯回歸-01圖片讀取 
23 邏輯回歸-02損失函數、梯度 
24 邏輯回歸-03多分類設計、優化 
25 邏輯回歸-04預測 
26 神經網絡前向傳播-01知識點 
27 神經網絡前向傳播-01前向傳播 
第4章 神經網絡反向傳播 
28 01-onehotencoder 
29 02-序列化權重參數 
30 03-解序列化權重參數 
31 04-前向傳播 
32 05-損失函數 
33 06-梯度 
34 07-優化 
35 08-隱藏層可視化 
第5章 偏差、方差 
36 01-數據導入、可視化、損失函數 
37 02-梯度、優化 
38 03-樣本個數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-尋找優參數 
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算法實現步 
53 pca-02二維數據降維處理 
54 pca-03圖像降維 
第8章 異常檢測、推薦系統 
55 異常檢測-01步驟 
56 異常檢測-02密度函數計算 
57 異常檢測-03閾值選取、預測 
58 異常檢測-04高維數據的異常檢測 
59 推薦系統-01知識點回顧、代價函數 
60 推薦系統-02梯度、歸一化、訓練 
61 推薦系統-03預測