1. 人工智能入門
01 何為機器學習
02 人工智能與機器學習關系
03 人工智能應用與價值
04 有監(jiān)督機器學習訓練流程
05 有監(jiān)督機器學習訓練流程
06Python機器學習庫Scikit-Learn介紹
07 理解線性與回歸
2. 線性回歸和代碼實現(xiàn)
01 機器學習是什么(new)
02 怎么做線性回歸(new)
03理解回歸最大似然函數(shù)(new)
04應用正太分布概率密度函數(shù)對數(shù)總似然(new)
05推導出損失函數(shù)推導出解析解(new)
06代碼實現(xiàn)解析解的方式求解梯度下降法的開始
3. 梯度下降和過擬合和歸一化
01 梯度下降法思路導函數(shù)有什么用
02 推導線性回歸損失函數(shù)導函數(shù)以及代碼實現(xiàn)批量梯度下降
03 隨機梯度下降及代碼實現(xiàn)mini-batchGD調整學習率
04 梯度下降做歸一化的必要性
05 最大值最小值歸一化sklearn官網介紹防止過擬合W越少越小
06 過擬合的總結
07 嶺回歸以及代碼調用
4. 邏輯回歸詳解和應用
01 LassoElasticNetPolynomialFeatures
02 多項式回歸代碼保險案例數(shù)據(jù)說明
03 相關系數(shù)邏輯回歸介紹
04 邏輯回歸的損失函數(shù)交叉熵邏輯回歸對比多元線性回歸
05 邏輯回歸sklearn處理鳶尾花數(shù)據(jù)集
06 邏輯回歸多分類轉成多個二分類詳解
5. 分類器項目案例和神經網絡算法
01 理解維度音樂分類器數(shù)據(jù)介紹
02 傅里葉變化原理傅里葉代碼應用傅里葉優(yōu)缺點
03 邏輯回歸訓練音樂分類器代碼測試代碼
04 人工神經網絡開始
05 神經網絡隱藏層的必要性
06 神經網絡案例sklearnconcrete
6. 多分類、決策樹、隨機森林分類
01機器學習有監(jiān)督無監(jiān)督
02 邏輯回歸多分類圖示理解邏輯回歸和Softmax區(qū)別
03Softmax圖示詳解梯度下降法整體調參
04 評估指標K折交叉驗證
05 決策樹介紹
06 隨機森林優(yōu)缺點對比邏輯回歸剪枝
07 決策樹隨機森林sklearn代碼調用
7. 分類評估、聚類
01機器學習有監(jiān)督無監(jiān)督
02邏輯回歸多分類圖示理解邏輯回歸和Softmax區(qū)別
03Softmax圖示詳解梯度下降法整體調參
04評估指標K折交叉驗證
04 決策樹介紹
05 隨機森林優(yōu)缺點對比邏輯回歸剪枝
06 決策樹隨機森林sklearn代碼調用
8. 密度聚類、譜聚類
01 聚類的評估m(xù)etrics代碼
02 密度聚類代碼實現(xiàn)
03 譜聚類
9. 深度學習TensorFlow安裝和實現(xiàn)線性回歸
01pip安裝源設置
02TensorFlow介紹與安裝
03TensorFlow CUDA GPU安裝說明TF使用介紹
04TensorFlow代碼初始解析解多元線性回歸實現(xiàn)
05tensorflow來代碼實現(xiàn)線性回歸梯度下降優(yōu)化
10. TensorFlow深入
01 placeholder代碼詳解TF構建Softmax回歸計算圖
02 TF對Softmax回歸訓練評估代碼實現(xiàn)
03 TF的模型持久化重新加載
04 模塊化
11. DNN深度神經網絡手寫圖片識別
01 深度學習DNN是什么
02 TF訓練2層DNN來進行手寫數(shù)字識別
12. TensorBoard可視化
01 TensorBoard代碼
02 TensorBoard啟動以及頁面
13. 卷積神經網絡-CNN識別圖片
01 卷積1個通道的計算垂直水平fiter圖片
02 圖釋對比原始圖片和卷積FeatureMap
03 三通道卷積池化層的意思
04 CNN架構圖LeNet5架構
04 決策樹介紹05TF使用CNN來做Cifar10數(shù)據(jù)集分類任務
14. 卷積神經網絡深入-AlexNet模型實現(xiàn)
01解決梯度消失的三個思路
02反向傳播計算W對應的梯度
03AlexNet五層卷積benchmark代碼實現(xiàn)
15. Keras深度學習框架
01Keras開篇
02Keras構建模型Keras使用MNIST數(shù)據(jù)集訓練CNN
03Keras調用VGG16來訓練
04深度學習更種優(yōu)化算法
