没有合适的资源?快使用搜索试试~ 我知道了~
DeepLearning深度学习教程_第二章_机器学习基础.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 21 浏览量
2023-08-23
21:13:15
上传
评论
收藏 16.68MB PDF 举报
温馨提示
试读
70页
DeepLearning 深度学习 经验总结
资源推荐
资源详情
资源评论
DeepLearning
第⼆章第⼆章 机器学习基础机器学习基础
DeepLearning
DeepLearning
3
3
3
3
4
5
6
6
7
7
7
7
7
7
8
8
9
11
11
12
12
12
12
12
13
13
13
15
15
17
17
17
17
19
19
20
20
20
21
21
⽬录
第⼆章第⼆章 机器学习基础机器学习基础
2.1 基本概念
2.1.1 ⼤话理解机器学习本质
2.1.2 什么是神经⽹络
2.1.3 各种常见算法图⽰
2.1.4 计算图的导数计算
2.1.5 理解局部最优与全局最优
2.1.5 ⼤数据与深度学习之间的关系
2.2 机器学习学习⽅式
2.2.1 监督学习
2.2.2 ⾮监督式学习
2.2.3 半监督式学习
2.2.4 弱监督学习
2.2.5 监督学习有哪些步骤
2.8 分类算法
2.8.1 常⽤分类算法的优缺点?
2.8.2 分类算法的评估⽅法
2.8.3 正确率能很好的评估分类算法吗
2.8.4 什么样的分类器是最好的
2.9 逻辑回归
2.9.1 回归划分
2.9.2 逻辑回归适⽤性
2.9.3 逻辑回归与朴素贝叶斯有什么区别
2.9.4 线性回归与逻辑回归的区别
2.10 代价函数
2.10.1 为什么需要代价函数
2.10.2 代价函数作⽤原理
2.10.3 为什么代价函数要⾮负
2.10.4 常见代价函数
2.10.5 为什么⽤交叉熵代替⼆次代价函数
2.11 损失函数
2.11.1 什么是损失函数
2.11.2 常见的损失函数
2.11.3 逻辑回归为什么使⽤对数损失函数
2.11.4 对数损失函数是如何度量损失的
2.12 梯度下降
2.12.1 机器学习中为什么需要梯度下降
2.12.2 梯度下降法缺点
2.12.3 梯度下降法直观理解
2.12.4 梯度下降法算法描述
DeepLearning
22
23
24
24
24
24
25
26
26
26
27
27
27
28
29
29
29
29
30
30
30
32
32
34
34
35
35
35
35
36
36
37
38
39
39
40
42
42
43
43
44
44
44
2.12.5 如何对梯度下降法进⾏调优
2.12.6 随机梯度和批量梯度区别
2.12.7 各种梯度下降法性能⽐较
2.14 线性判别分析(LDA)
2.14.1 LDA思想总结
2.14.2 图解LDA核⼼思想
2.14.3 ⼆类LDA算法原理
2.14.4 LDA算法流程总结
2.14.5 LDA和PCA区别
2.14.6 LDA优缺点
2.15 主成分分析(PCA)
2.15.1 主成分分析(PCA)思想总结
2.15.2 图解PCA核⼼思想
2.15.3 PCA算法推理
2.15.4 PCA算法流程总结
2.15.5 PCA算法主要优缺点
2.15.6 降维的必要性及⽬的
2.15.7 KPCA与PCA的区别
2.16 模型评估
2.16.1 模型评估常⽤⽅法?
2.16.2 误差、偏差和⽅差有什么区别和联系
2.16.3 经验误差与泛化误差
2.16.4 图解⽋拟合、过拟合
2.16.5 如何解决过拟合与⽋拟合
2.16.6 交叉验证的主要作⽤
2.16.7 理解k折交叉验证
2.16.8 混淆矩阵
2.16.9 错误率及精度
2.16.10 查准率与查全率
2.16.11 ROC与AUC
2.16.12 如何画ROC曲线
2.16.13 如何计算TPR,FPR
2.16.14 如何计算AUC
2.16.15 为什么使⽤Roc和Auc评价分类器
2.16.16 直观理解AUC
2.16.17 代价敏感错误率与代价曲线
2.16.18 模型有哪些⽐较检验⽅法
2.16.19 为什么使⽤标准差
2.16.20 类别不平衡产⽣原因
2.16.21 常见的类别不平衡问题解决⽅法
2.17 决策树
2.17.1 决策树的基本原理
2.17.2 决策树的三要素?
DeepLearning
44
45
46
46
46
46
47
47
48
48
48
49
50
50
51
52
52
52
52
53
53
55
55
55
56
57
57
58
58
61
61
63
63
63
63
64
64
64
65
65
65
2.17.3 决策树学习基本算法
2.17.4 决策树算法优缺点
2.17.5 熵的概念以及理解
2.17.6 信息增益的理解
2.17.7 剪枝处理的作⽤及策略
2.18 ⽀持向量机
2.18.1 什么是⽀持向量机
2.18.2 ⽀持向量机能解决哪些问题
2.18.3 核函数特点及其作⽤
2.18.4 SVM为什么引⼊对偶问题
2.18.5 如何理解SVM中的对偶问题
2.18.7 常见的核函数有哪些
2.18.9 SVM主要特点
2.18.10 SVM主要缺点
2.18.11 逻辑回归与SVM的异同
2.19 贝叶斯分类器
2.19.1 图解极⼤似然估计
2.19.2 极⼤似然估计原理
2.19.3 贝叶斯分类器基本原理
2.19.4 朴素贝叶斯分类器
2.19.5 举例理解朴素贝叶斯分类器
2.19.6 半朴素贝叶斯分类器
2.20 EM算法
2.20.1 EM算法基本思想
2.20.2 EM算法推导
2.20.3 图解EM算法
2.20.4 EM算法流程
2.21 降维和聚类
2.21.1 图解为什么会产⽣维数灾难
2.21.2 怎样避免维数灾难
2.21.3 聚类和降维有什么区别与联系
2.21.4 有哪些聚类算法优劣衡量标准
2.21.5 聚类和分类有什么区别
2.21.6 不同聚类算法特点性能⽐较
2.21.7 四种常⽤聚类⽅法之⽐较
2.21.8 k- means聚类算法
2.21.9 层次聚类算法
2.21.10 SOM聚类算法
2.21.11 FCM聚类算法
2.21.12 四种聚类算法试验
参考⽂献
DeepLearning
第⼆章 机器学习基础
2.1 基本概念
2.1.1 ⼤话理解机器学习本质
2.1.2 什么是神经⽹络
2.1.3 各种常见算法图⽰
2.1.4 计算图的导数计算
2.1.5 理解局部最优与全局最优
2.1.5 ⼤数据与深度学习之间的关系
2.2 机器学习学习⽅式
2.2.1 监督学习
2.2.2 ⾮监督式学习
2.2.3 半监督式学习
2.2.4 弱监督学习
2.2.5 监督学习有哪些步骤
2.8 分类算法
2.8.1 常⽤分类算法的优缺点?
2.8.2 分类算法的评估⽅法
2.8.3 正确率能很好的评估分类算法吗
2.8.4 什么样的分类器是最好的
2.9 逻辑回归
2.9.1 回归划分
2.9.2 逻辑回归适⽤性
2.9.3 逻辑回归与朴素贝叶斯有什么区别
2.9.4 线性回归与逻辑回归的区别
2.10 代价函数
2.10.1 为什么需要代价函数
2.10.2 代价函数作⽤原理
2.10.3 为什么代价函数要⾮负
2.10.4 常见代价函数
2.10.5 为什么⽤交叉熵代替⼆次代价函数
2.11 损失函数
2.11.1 什么是损失函数
2.11.2 常见的损失函数
2.11.3 逻辑回归为什么使⽤对数损失函数
2.11.4 对数损失函数是如何度量损失的
2.12 梯度下降
2.12.1 机器学习中为什么需要梯度下降
2.12.2 梯度下降法缺点
2.12.3 梯度下降法直观理解
2.12.4 梯度下降法算法描述
2.12.5 如何对梯度下降法进⾏调优
2.12.6 随机梯度和批量梯度区别
2.12.7 各种梯度下降法性能⽐较
2.14 线性判别分析(LDA)
2.14.1 LDA思想总结
2.14.2 图解LDA核⼼思想
2.14.3 ⼆类LDA算法原理
2.14.4 LDA算法流程总结
2.14.5 LDA和PCA区别
2.14.6 LDA优缺点
2.15 主成分分析(PCA)
2.15.1 主成分分析(PCA)思想总结
2.15.2 图解PCA核⼼思想
2.15.3 PCA算法推理
2.15.4 PCA算法流程总结
2.15.5 PCA算法主要优缺点
2.15.6 降维的必要性及⽬的
2.15.7 KPCA与PCA的区别
2.16 模型评估
2.16.1 模型评估常⽤⽅法?
2.16.2 误差、偏差和⽅差有什么区别和联系
2.16.3 经验误差与泛化误差
2.16.4 图解⽋拟合、过拟合
1/66
剩余69页未读,继续阅读
资源评论
安全方案
- 粉丝: 1087
- 资源: 3999
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功