机器学习必修课：经典AI算法与编程实战

发布时间：2024-12-08

发布者：

凌云振翅

文件大小：共计120个文件，合计:3.06 GB

资源金币：4.99 金币

资源来源：夸克网盘

资源状态：【实时检测】链接有效

本站会员，可以免费下载全站所有资源

资源介绍

《机器学习必修课：经典AI算法与编程实战》是一套全面深入的机器学习视频教程，内容涵盖从基础理论到实战应用的各个方面。课程首先介绍了机器学习的基本概念和技术栈，随后详细讲解了线性回归、逻辑回归、SVM支持向量机、KNN近邻算法、朴素贝叶斯、决策树、集成学习、神经网络等多种经典AI算法的核心思想和原理。每个算法都配备了详细的代码实现视频，帮助学习者更好地理解和应用。此外，课程还涉及了模型评价、梯度下降优化算法、模型选择等关键知识点，并在最后介绍了PCA主成分分析、概率图模型、隐马尔可夫模型等高级主题及其在数据降噪和交易反欺诈等领域的应用。这套资源适合初学者和进阶者，帮助您全面掌握机器学习的精髓。

资源目录结构(只展示部分的文件和文件夹，以下文件快照生成于2024-12-08)

资源投诉

机器学习必修课：经典AI算法与编程实战1.29 GB

09-7SVM核函数.mp421.91 MB

2-2聚类算法核心思想和原理.mp416.26 MB

09-9SVM回归任务代码实现.mp414.35 MB

0-5多项式朴素贝叶斯代码实现.mp423.65 MB

0-4朴素贝叶斯的代码实现.mp427.24 MB

05-2线性回归核心思想和原理.mp440.35 MB

09-8非线性SVM代码实现.mp422.93 MB

06-5过拟合与欠拟合.mp425.13 MB

-8集成学习优缺点和适用条件.mp424.86 MB

-2集成学习核心思想和原理.mp419.98 MB

05-5模型评价：MSE、RMSE、MAE和R方.mp429.13 MB

08-8模型选择.mp439.68 MB

0-6贝叶斯方法优缺点和适用条件.mp425.46 MB

06-4决策边界.mp425.28 MB

08-9神经网络优缺点和适用条件.mp420.20 MB

06-3评价指标：ROC曲线.mp433.80 MB

0-本章总览.mp422.39 MB

-5并行策略：随机森林.mp417.55 MB

-4并行策略：Bagging、OOB等方法.mp438.79 MB

09-3硬间隔SVM.mp433.05 MB

09-2SVM核心思想和原理.mp415.71 MB

-6串行策略：Boosting.mp427.39 MB

05-7逻辑回归算法.mp421.81 MB

05-4线性回归代码实现.mp427.96 MB

-3集成学习代码实现.mp424.36 MB

-7结合策略：Stacking方法.mp413.32 MB

0-3朴素贝叶斯分类.mp420.30 MB

08-5梯度下降优化算法.mp436.83 MB

0-2贝叶斯方法核心思想和原理.mp431.95 MB

-本章总览.mp414.58 MB

06-3梯度下降.mp435.66 MB

09-6非线性SVM：核技巧.mp435.30 MB

09-5线性SVM分类任务代码实现.mp417.88 MB

04-8KNN回归任务代码实现.mp429.45 MB

04-2KNN算法核心思想和原理.mp439.42 MB

03-2Numpy数组arg运算和排序.mp418.39 MB

05-0复杂逻辑回归及代码实现.mp418.03 MB

09-4SVM软间隔.mp425.49 MB

03-3Numpy数组神奇索引和布尔索引.mp423.67 MB

08-6神经网络简单代码实现.mp428.88 MB

04-6超参数.mp430.33 MB

03-9Numpy非常重要的数组合并与拆分操作.mp418.71 MB

03-本章总览：相互关系与学习路线.mp49.16 MB

0-3课程使用的技术栈.mp437.01 MB

02-5机器学习的七大常见误区和局限.mp435.12 MB

09-本章总览.mp435.65 MB

02-3研究哪些问题：分类、回归等.mp439.98 MB

05-线性算法优缺点和适用条件.mp421.56 MB

04-7特征归一化.mp427.78 MB

04-3KNN分类任务代码实现.mp432.76 MB

1、本网站数据来自互联网，通过自动抓取公开网页链接构建数据库，系统将基于链接特征选择性收录符合收录标准的内容

2、根据用户输入的关键词，通过智能算法自动匹配并展示相关第三方网页链接。所有搜索结果均为实时动态生成

3、本站不控制、修改第三方网页内容，不对其可用性、准确性负责

4、搜索结果中的广告及推广内容不代表本站推荐或担保

5、所有内容获取/呈现均通过自动化程序完成，无人工干预