1. 人工智能入門(mén)

01 何為機(jī)器學(xué)習(xí)

02 人工智能與機(jī)器學(xué)習(xí)關(guān)系

03 人工智能應(yīng)用與價(jià)值

04 有監(jiān)督機(jī)器學(xué)習(xí)訓(xùn)練流程

05 有監(jiān)督機(jī)器學(xué)習(xí)訓(xùn)練流程

06Python機(jī)器學(xué)習(xí)庫(kù)Scikit-Learn介紹

07 理解線性與回歸

2. 線性回歸和代碼實(shí)現(xiàn)

01 機(jī)器學(xué)習(xí)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(yīng)用正太分布概率密度函數(shù)對(duì)數(shù)總似然(new)

05推導(dǎo)出損失函數(shù)推導(dǎo)出解析解(new)

06代碼實(shí)現(xiàn)解析解的方式求解梯度下降法的開(kāi)始

3. 梯度下降和過(guò)擬合和歸一化

01 梯度下降法思路導(dǎo)函數(shù)有什么用

02 推導(dǎo)線性回歸損失函數(shù)導(dǎo)函數(shù)以及代碼實(shí)現(xiàn)批量梯度下降

03 隨機(jī)梯度下降及代碼實(shí)現(xiàn)mini-batchGD調(diào)整學(xué)習(xí)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(wǎng)介紹防止過(guò)擬合W越少越小

06 過(guò)擬合的總結(jié)

07 嶺回歸以及代碼調(diào)用

4. 邏輯回歸詳解和應(yīng)用

01 LassoElasticNetPolynomialFeatures

02 多項(xiàng)式回歸代碼保險(xiǎn)案例數(shù)據(jù)說(shuō)明

03 相關(guān)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(duì)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(lèi)轉(zhuǎn)成多個(gè)二分類(lèi)詳解

5. 分類(lèi)器項(xiàng)目案例和神經(jīng)網(wǎng)絡(luò)算法

01 理解維度音樂(lè)分類(lèi)器數(shù)據(jù)介紹

02 傅里葉變化原理傅里葉代碼應(yīng)用傅里葉優(yōu)缺點(diǎn)

03 邏輯回歸訓(xùn)練音樂(lè)分類(lèi)器代碼測(cè)試代碼

04 人工神經(jīng)網(wǎng)絡(luò)開(kāi)始

05 神經(jīng)網(wǎng)絡(luò)隱藏層的必要性

06 神經(jīng)網(wǎng)絡(luò)案例sklearnconcrete

6. 多分類(lèi)、決策樹(shù)、隨機(jī)森林分類(lèi)

01機(jī)器學(xué)習(xí)有監(jiān)督無(wú)監(jiān)督

02 邏輯回歸多分類(lèi)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(diào)參

04 評(píng)估指標(biāo)K折交叉驗(yàn)證

05 決策樹(shù)介紹

06 隨機(jī)森林優(yōu)缺點(diǎn)對(duì)比邏輯回歸剪枝

07 決策樹(shù)隨機(jī)森林sklearn代碼調(diào)用

7. 分類(lèi)評(píng)估、聚類(lèi)

01機(jī)器學(xué)習(xí)有監(jiān)督無(wú)監(jiān)督

02邏輯回歸多分類(lèi)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(diào)參

04評(píng)估指標(biāo)K折交叉驗(yàn)證

04 決策樹(shù)介紹

05 隨機(jī)森林優(yōu)缺點(diǎn)對(duì)比邏輯回歸剪枝

06 決策樹(shù)隨機(jī)森林sklearn代碼調(diào)用

8. 密度聚類(lèi)、譜聚類(lèi)

01 聚類(lèi)的評(píng)估m(xù)etrics代碼

02 密度聚類(lèi)代碼實(shí)現(xiàn)

03 譜聚類(lèi)

9. 深度學(xué)習(xí)TensorFlow安裝和實(shí)現(xiàn)線性回歸

01pip安裝源設(shè)置

02TensorFlow介紹與安裝

03TensorFlow CUDA GPU安裝說(shuō)明TF使用介紹

04TensorFlow代碼初始解析解多元線性回歸實(shí)現(xiàn)

05tensorflow來(lái)代碼實(shí)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(gòu)建Softmax回歸計(jì)算圖

02 TF對(duì)Softmax回歸訓(xùn)練評(píng)估代碼實(shí)現(xiàn)

03 TF的模型持久化重新加載

04 模塊化

11. DNN深度神經(jīng)網(wǎng)絡(luò)手寫(xiě)圖片識(shí)別

01 深度學(xué)習(xí)DNN是什么

02 TF訓(xùn)練2層DNN來(lái)進(jìn)行手寫(xiě)數(shù)字識(shí)別

12. TensorBoard可視化

01 TensorBoard代碼

02 TensorBoard啟動(dòng)以及頁(yè)面

13. 卷積神經(jīng)網(wǎng)絡(luò)-CNN識(shí)別圖片

01 卷積1個(gè)通道的計(jì)算垂直水平fiter圖片

02 圖釋對(duì)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(gòu)圖LeNet5架構(gòu)

04 決策樹(shù)介紹05TF使用CNN來(lái)做Cifar10數(shù)據(jù)集分類(lèi)任務(wù)

14. 卷積神經(jīng)網(wǎng)絡(luò)深入-AlexNet模型實(shí)現(xiàn)

01解決梯度消失的三個(gè)思路

02反向傳播計(jì)算W對(duì)應(yīng)的梯度

03AlexNet五層卷積benchmark代碼實(shí)現(xiàn)

15. Keras深度學(xué)習(xí)框架

01Keras開(kāi)篇

02Keras構(gòu)建模型Keras使用MNIST數(shù)據(jù)集訓(xùn)練CNN

03Keras調(diào)用VGG16來(lái)訓(xùn)練

04深度學(xué)習(xí)更種優(yōu)化算法