机器学习算法介绍
- 人工智能综述
- 本课程内容整体介绍
- 第一个算法：KNN算法与应用介绍
- 第一个算法：KNN算法代码示例
- 第二个算法：线性回归1---数学描述
- 第二个算法：线性回归2---梯度下降与代码示例
- 偏差、方差、欠拟合与过拟合-1
- 偏差、方差、欠拟合、过拟合-2
- 第三个算法：逻辑回归算法---1 LR Function的引入
- 第三个算法：逻辑回归--2 迭代函数推导
- 第三个算法：逻辑回归---3 批量梯度迭代程序示例
- 第三个算法：逻辑回归---4 随机/小批量梯度下降算法及示例
- 第三个算法：逻辑回归---5 训练与测试实现二分类
- 第三个算法：逻辑回归---6 多分类逻辑回归与极大似然估计
- 第四个算法：支持向量机SVM---1 最大间隔平面最优解推导
- 第四个算法：支持向量机SVM---2 软间隔与线性可分SVM代码示例
- 第四个算法：支持向量机SVM---3 核函数及高斯核变换程序示例
- 第四个算法：支持向量机SVM---4 高斯核函数证明/非线性分类程序示例
- 第四个算法：支持向量机SVM---5 非线性SVM超平面绘制与核函数效果比较
- 第五个算法：贝叶斯公式的引入与示例
- 第五个算法：朴素贝叶斯算法推导与计算示例
- 第五个算法：朴素贝叶斯应用示例
- 第五个算法：伯努利朴素贝叶斯模型与垃圾邮件分类
- 第五个算法：多项式朴素贝叶斯模型与垃圾邮件分类程序实例
- 第六个算法：决策树、信息增益、程序与树绘图示例
- 第六个算法：决策树ID3、C4.5、CART
- 第七、八个算法：决策树集成算法：随机森林与GBDT
- 第九个算法：UML之KMeans聚类、程序及迭代过程示例
- 第九个算法：UML之KMeans聚类进行图像压缩示例
- 第九个算法：KMeans++选K点、肘方法定K值及文本聚类示例
- 第十个算法：UML之 EM算法---1：算法求解推导
- 第十个算法：UML之 EM算法---2：伯努力实验与高斯混合分布实例讲解
- 第11个算法：特征工程之PCA：算法推导
- 第11个算法：特征工程之PCA：降维代码示例
- 第12个算法：特征工程之独立成分分析ICA、用法及混声分离示例
- 第13个算法：特征工程之SVD及特征工程算法小结
- 第14个算法：增强学习Markov动态规划MDP：伯尔曼方程
- 第14个算法：增强学习动态规划MDP：策略/值迭代与示例
- 机器学习分布式计算框架：MR、MPI、参数服务器
- 模型评估---1：混淆矩阵与F-Score
- 模型评估---2：ROC曲线与AUC
- 其它常用算法：推荐引擎与关联算法
深度学习技术介绍
机器学习综合应用示例
- 评分卡的计算方法与过程
- 评分卡程序实例---Part1：离散值分箱、WOE、IV计算
- 评分卡程序实例---Part2：连续值分箱、WOE、IV计算
- 评分卡程序实例---Part3：WOE值替换及逻辑回归训练求theta
- 评分卡程序实例---Part4 评分卡分值计算与过程总结
- 优质客户识别与评级---Part1：随机森林识别优质客户
- 优质客户识别与评级---Part2：逻辑回归评分卡分级客户
- 价格回归预测完整综合实例---Part1: 数据预处理之特征清洗转换
- 价格回归预测完整综合实例---Part2: 数据预处理之特征组合增维
- 价格回归预测完整综合实例---Part3: 多种模型训练及初步验证
- 价格回归预测完整综合实例---Part4: 多种模型的交叉验证
- 价格回归预测完整综合实例---Part5: 模型参数调节
- 价格回归预测完整综合实例---Part6: 确定生产模型---用测试集验证
- 深度学习示例之图像识别1---图片生成器
- 深度学习示例之图像识别2---模型建立、训练与识别
- 深度学习示例之图像识别3---模型迁移参数调整再训练
- 用MapReduce实现大规模并行机器学习-1：大数据ML与MR
- 用MapReduce进行大规模并行机器学习-2：MR程序示例
- 用MapReduce进行大规模并行机器学习-3：MR实现Kmeans算法流程
- 用MapReduce进行大规模并行机器学习-4：MR实现Kmeans例程
0/1024
暂无留言
