种子简介

种子名称： Python3入门机器学习经典算法与应用
文件类型： 视频
文件数目： 108个文件
文件大小： 10.82 GB
收录时间： 2020-9-13 00:31
已经下载： 3次
资源热度： 155
最近下载： 2024-7-1 12:45

下载BT种子文件

下载Torrent文件(.torrent) 立即下载

磁力链接下载

magnet:?xt=urn:btih:72098ab55975736ffe4d0222bcfb5607e7c694c0&dn=Python3入门机器学习经典算法与应用 复制链接到迅雷、QQ旋风进行下载，或者使用百度云离线下载。

喜欢这个种子的人也喜欢

种子包含的文件

Python3入门机器学习经典算法与应用.torrent

第10章 评价分类结果/10-1 准确度的陷阱和混淆矩阵.mp438.3MB

第10章 评价分类结果/10-2 精准率和召回率.mp429.54MB

第10章 评价分类结果/10-3.mp4103.77MB

第10章 评价分类结果/10-4.mp469.37MB

第10章 评价分类结果/10-5.mp491.68MB

第10章 评价分类结果/10-6.mp484.97MB

第10章 评价分类结果/10-7.mp465.7MB

第10章 评价分类结果/10-8.mp495.3MB

第11章 支撑向量机 SVM/11-1.mp438.28MB

第11章 支撑向量机 SVM/11-2.mp451.14MB

第11章 支撑向量机 SVM/11-3.mp439.69MB

第11章 支撑向量机 SVM/11-4.mp4117.94MB

第11章 支撑向量机 SVM/11-5.mp484.85MB

第11章 支撑向量机 SVM/11-6.mp440.05MB

第11章 支撑向量机 SVM/11-7.mp451.95MB

第11章 支撑向量机 SVM/11-8.mp476.38MB

第11章 支撑向量机 SVM/11-9.mp491.6MB

第12章 决策树/12-1.mp457.42MB

第12章 决策树/12-2 信息熵.mp448.5MB

第12章 决策树/12-3 使用信息熵寻找最优划分.mp4137.06MB

第12章 决策树/12-4 基尼系数.mp466.53MB

第12章 决策树/12-5 CART与决策树中的超参数.mp461.13MB

第12章 决策树/12-6.mp438.03MB

第12章 决策树/12-7.mp432.84MB

第13章 集成学习和随机森林/13-1什么是集成学习.mp453.46MB

第13章 集成学习和随机森林/13-2 SoftVoting Classifier.mp428.36MB

第13章 集成学习和随机森林/13-3 Bagging和Pasting.mp433.44MB

第13章 集成学习和随机森林/13-4 oob（Out-of-Bag）和关于Bagging的更多讨论.mp431.85MB

第13章 集成学习和随机森林/13-5 随机森林和Extra-Trees.mp425.99MB

第13章 集成学习和随机森林/13-6 Ada Boosting和Gradient Boosting.mp428.67MB

第13章 集成学习和随机森林/13-7 Stacking.mp411.5MB

第14章 更多机器学习算法/14-1 学习scikit-learn文档.mp466.49MB

第1章 欢迎来到 Python3 玩转机器学习/1-1导学.mp469.45MB

第1章 欢迎来到 Python3 玩转机器学习/1-2 课程涵盖的内容和理念.mp490.2MB

第1章 欢迎来到 Python3 玩转机器学习/1-3 课程所使用的主要技术栈.mp459.76MB

第2章 机器学习基础/2-1 机器学习世界的数据.mp484.28MB

第2章 机器学习基础/2-2 机器学习的主要任务.mp4126.54MB

第2章 机器学习基础/2-3 监督学习，非监督学习，半监督学习和增强学习.mp493.55MB

第2章 机器学习基础/2-4 批量学习，在线学习，参数学习和非参数学习.mp433.44MB

第2章 机器学习基础/2-5 和机器学习相关的哲学思考.mp436.78MB

第2章 机器学习基础/2-6 课程使用环境搭建.mp491.78MB

第3章 Jupyter Notebook, numpy和m/3-1 jupyter notebook基础.mp4169.23MB

第3章 Jupyter Notebook, numpy和m/3-10 Numpy中的比较和FancyIndexing.mp4190.65MB

第3章 Jupyter Notebook, numpy和m/3-11 Matplotlib数据可视化基础.mp4153.48MB

第3章 Jupyter Notebook, numpy和m/3-12 数据加载和简单的数据探索.mp4112.89MB

第3章 Jupyter Notebook, numpy和m/3-2 jupyter notebook中的魔法命令.mp4189.47MB

第3章 Jupyter Notebook, numpy和m/3-3 Numpy数据基础.mp468.2MB

第3章 Jupyter Notebook, numpy和m/3-4 创建numpy数组和矩阵.mp4188.08MB

第3章 Jupyter Notebook, numpy和m/3-5 Numpy数组的基本操作.mp4119.05MB

第3章 Jupyter Notebook, numpy和m/3-6 Numpy数组的合并与分割.mp4156.53MB

第3章 Jupyter Notebook, numpy和m/3-7 Numpy中的矩阵运算.mp4205.96MB

第3章 Jupyter Notebook, numpy和m/3-8 Numpy中的聚合运算.mp4107.92MB

第3章 Jupyter Notebook, numpy和m/3-9 Numpy中的arg运算.mp495.42MB

第4章 最基础的分类算法-k近邻算法 kNN/4-1 k近邻算法基础.mp4136.81MB

第4章 最基础的分类算法-k近邻算法 kNN/4-2 scikit-learn中的机器学习算法封装.mp4206.27MB

第4章 最基础的分类算法-k近邻算法 kNN/4-3 训练数据集，测试数据集.mp4213.34MB

第4章 最基础的分类算法-k近邻算法 kNN/4-4 分类准确度.mp4174.77MB

第4章 最基础的分类算法-k近邻算法 kNN/4-5 超参数.mp4207.2MB

第4章 最基础的分类算法-k近邻算法 kNN/4-6 网格搜索与k近邻算法中更多超参数.mp4168.06MB

第4章 最基础的分类算法-k近邻算法 kNN/4-7 数据归一化.mp4105.87MB

第4章 最基础的分类算法-k近邻算法 kNN/4-8 scikit-learn中的Scaler.mp4185.31MB

第4章 最基础的分类算法-k近邻算法 kNN/4-9 更多有关k近邻算法的思考.mp432.96MB

第5章 线性回归法/5-1 简单线性回归.mp463.86MB

第5章 线性回归法/5-10 线性回归的可解性和更多思考.mp486.8MB

第5章 线性回归法/5-2 最小二乘法.mp433.46MB

第5章 线性回归法/5-3 简单线性回归的实现.mp4130.36MB

第5章 线性回归法/5-4 向量化.mp4105.4MB

第5章 线性回归法/5-5 衡量线性回归法的指标 MSE,RMS,MAE.mp4183.31MB

第5章 线性回归法/5-6 最好的衡量线性回归法的指标 R Squared.mp4109.94MB

第5章 线性回归法/5-7 多元线性回归和正规方程解.mp444.04MB

第5章 线性回归法/5-8 实现多元线性回归.mp4118.66MB

第5章 线性回归法/5-9 使用scikit-learn解决回归问题.mp4118.16MB

第6章 梯度下降法/6-1 什么是梯度下降法.mp444.18MB

第6章 梯度下降法/6-2 模拟实现梯度下降法.mp4185.39MB

第6章 梯度下降法/6-3 线性回归中的梯度下降法.mp470.44MB

第6章 梯度下降法/6-4 实现线性回归中的梯度下降法.mp4136.93MB

第6章 梯度下降法/6-5 梯度下降的向量化和数据标准化.mp4203.32MB

第6章 梯度下降法/6-6 随机梯度下降法.mp4160.2MB

第6章 梯度下降法/6-7 scikit-learn中的随机梯度下降法.mp4132.43MB

第6章 梯度下降法/6-8 如何确定梯度计算的准确性 调试梯度下降法.mp4113.13MB

第6章 梯度下降法/6-9 有关梯度下降法的更多深入讨论.mp424.82MB

第7章 PCA与梯度上升法/7-1 什么是PCA.mp451.14MB

第7章 PCA与梯度上升法/7-2 使用梯度上升法求解PCA问题.mp427.38MB

第7章 PCA与梯度上升法/7-3 求数据的主成分PCA.mp4178.62MB

第7章 PCA与梯度上升法/7-4 求数据的前n个主成分.mp4125.31MB

第7章 PCA与梯度上升法/7-5 高维数据映射为低维数据.mp4168.63MB

第7章 PCA与梯度上升法/7-6 scikit-learn中的PCA.mp4172.37MB

第7章 PCA与梯度上升法/7-7 试手MNIST数据集.mp4112.91MB

第7章 PCA与梯度上升法/7-8 使用PCA对数据进行降噪.mp499.19MB

第7章 PCA与梯度上升法/7-9 人脸识别与特征脸.mp4131.88MB

第8章 多项式回归与模型泛化/8-1 什么是多项式回归.mp475.14MB

第8章 多项式回归与模型泛化/8-10 L1,L2和弹性网络.mp434.17MB

第8章 多项式回归与模型泛化/8-2 scikit-learn中的多项式回归于pipeline.mp4146.46MB

第8章 多项式回归与模型泛化/8-3 过拟合与前拟合.mp4131.73MB

第8章 多项式回归与模型泛化/8-4 为什么要训练数据集与测试数据集.mp4144.4MB

第8章 多项式回归与模型泛化/8-5 学习曲线.mp4134.28MB

第8章 多项式回归与模型泛化/8-6 验证数据集与交叉验证.mp4222.57MB

第8章 多项式回归与模型泛化/8-7 偏差方差平衡.mp457.76MB

第8章 多项式回归与模型泛化/8-8 模型泛化与岭回归.mp4180.28MB

第8章 多项式回归与模型泛化/8-9 LASSO.mp4115.12MB

第9章 逻辑回归/9-1 什么是逻辑回归.mp458.04MB

第9章 逻辑回归/9-2 逻辑回归的损失函数.mp455.92MB

第9章 逻辑回归/9-3 逻辑回归损失函数的梯度.mp480.28MB

第9章 逻辑回归/9-4 实现逻辑回归算法.mp4123.35MB

第9章 逻辑回归/9-5 决策边界.mp4193.53MB

第9章 逻辑回归/9-6 在逻辑回归中使用多项式特征.mp4137.41MB

第9章 逻辑回归/9-7 scikit-learn中的逻辑回归.mp4167.15MB

第9章 逻辑回归/9-8 OvR与OvO.mp4124.92MB