首页

投稿

【整整500集】微积分、概率论、泰勒公式、拉格朗日、贝叶斯分析、聚类分析等难懂的数学基础一套课程一网打尽！—人工智能/机器学习/高等数学

1688

15

2025-04-08 09:10:30

本教程将引导你从入门到精通掌握八大常用机器学习算法。通过简单易懂的解释和实践示例，你将学到如何应用决策树算法、线性回归算法、逻辑回归算法等多种常用机器学习算法。本教程重要性在于，机器学习是当前热门的领域之一，掌握这些基础算法将为你打下坚实的学习基础，让你能够更深入地理解和应用机器学习技术。

计算机视觉

哆啦铜锣烧H 发消息

分享人工智能前沿技术，学习人工智能的小伙伴可以关注我，不定期分享高质量视频

1. 1. 1. 0-课程简介

06:05

2. 2. 2. 1-回归问题概述

07:12

3. 3. 3. 2-误差项定义

09:42

4. 4. 4. 3-独立同分布的意义

07:33

5. 5. 5. 4-似然函数的作用

10:51

6. 6. 6. 5-参数求解

11:12

7. 7. 7. 6-梯度下降通俗解释

08:35

8. 8. 8. 7参数更新方法

08:18

9. 9. 9. 8-优化参数设置

08:52

10. 10. 10. 1-线性回归整体模块概述

05:17

11. 11. 11. 2-初始化步骤

07:12

12. 12. 12. 3-实现梯度下降优化模块

10:11

13. 13. 13. 4-损失与预测模块

11:42

14. 14. 14. 5-数据与标签定义

10:01

15. 15. 15. 6-训练线性回归模型

10:44

16. 16. 16. 7-得到线性回归方程

06:59

17. 17. 17. 8-整体流程debug解读

08:17

18. 18. 18. 9-多特征回归模型

09:47

19. 19. 19. 10-非线性回归

11:23

20. 20. 20. 1-Sklearn工具包简介

04:57

21. 21. 21. 2-数据集切分

07:16

22. 22. 22. 3-交叉验证的作用

11:04

23. 23. 23. 4-交叉验证实验分析

14:52

24. 24. 24. 5-混淆矩阵

07:53

25. 25. 25. 6-评估指标对比分析

12:14

26. 26. 26. 7-阈值对结果的影响

08:28

27. 27. 27. 8-ROC曲线

08:59

28. 28. 28. 1-实验目标分析

08:10

29. 29. 29. 2-参数直接求解方法

08:49

30. 30. 30. 3-预处理对结果的影响

12:40

31. 31. 31. 4-梯度下降模块

06:37

32. 32. 32. 5-学习率对结果的影响

10:36

33. 33. 33. 6-随机梯度下降得到的效果

13:16

34. 34. 34. 7-MiniBatch方法

08:43

35. 35. 35. 8-不同策略效果对比

08:37

36. 36. 36. 9-多项式回归

11:17

37. 37. 37. 10-模型复杂度

16:03

38. 38. 38. 11-样本数量对结果的影响

15:57

39. 39. 40. 13-岭回归与lasso

19:30

40. 40. 39. 12-正则化的作用

09:33

41. 41. 41. 14-实验总结

12:21

42. 43. 43. 2-化简与求解

09:10

43. 42. 42. 1-逻辑回归算法原理

08:25

44. 44. 44. 1-多分类逻辑回归整体思路

07:36

45. 45. 45. 2-训练模块功能

09:57

46. 46. 46. 3-完成预测模块

06:49

47. 47. 47. 4-优化目标定义

09:32

48. 48. 48. 5-迭代优化参数

07:49

49. 49. 49. 6-梯度计算

09:54

50. 50. 50. 7-得出最终结果

10:41

51. 51. 51. 8-鸢尾花数据集多分类任务

06:56

52. 52. 52. 9-训练多分类模型

10:08

53. 53. 53. 10-准备测试数据

09:03

54. 54. 54. 11-决策边界绘制

09:22

55. 55. 55. 12-非线性决策边界

05:40

56. 56. 56. 1-逻辑回归实验概述

09:18

57. 57. 57. 2-概率结果随特征数值的变化

07:58

58. 58. 58. 3-可视化展示

10:21

59. 59. 59. 4-坐标棋盘制作

10:36

60. 60. 60. 5-分类决策边界展示分析

13:37

61. 61. 61. 6-多分类-softmax

13:09

62. 62. 62. 1-KMEANS算法概述

11:34

63. 63. 63. 2-KMEANS工作流程

09:43

64. 64. 64. 3-KMEANS迭代可视化展示

08:21

65. 65. 65. 4-DBSCAN聚类算法

11:04

66. 66. 66. 5-DBSCAN工作流程

15:04

67. 67. 67. 6-DBSCAN可视化展示

08:53

68. 68. 68. Kmeans算法模块概述

03:50

69. 69. 69. 2-计算得到簇中心点

08:24

70. 70. 70. 3-样本点归属划分

07:22

71. 71. 71. 4-算法迭代更新

07:20

72. 73. 73. 6-聚类效果展示

11:31

73. 72. 72. 5-鸢尾花数据集聚类任务

08:59

74. 74. 74. 1-Kmenas算法常用操作

09:22

顶部