机器学习V3.0
Index
键入以开始搜索
机器学习V3.0
Index
1、机器学习概述
1、机器学习概述
01_内容介绍
02_人工智能概念
03_机器学习概念
04_机器学习分类
05_拟合问题
06_机器学习开发环境
2、K近邻
2、K近邻
01_内容介绍
02_K近邻算法原理
03_距离的度量方法
04_归一化和标准化
05_K近邻算法API
06_分类模型评估方法
07_K值选择问题
08_案例-手写数字识别
3、线性回归
3、线性回归
01_内容介绍
02_线性回归原理
03_损失函数和正规方程
04_求导
05_梯度下降法
06_其他梯度下降方法
07_回归问题评估
08_过拟合欠拟合与正则化
09_案例-波士顿房价预测
4、逻辑回归
4、逻辑回归
01_内容介绍
02_逻辑回归介绍
03_案例-癌症分类预测
04_分类评估指标
05_案例-电信客户流失
5、决策树
5、决策树
01_内容介绍
02_决策树介绍
03_ID3决策树
04_C4.5决策树
05_CART决策树
06_回归决策树
07_剪枝
08_案例-泰坦尼克号生存预测
6、朴素贝叶斯
6、朴素贝叶斯
01_内容介绍
02_朴素贝叶斯原理
03_案例-垃圾邮件分类
7、支持向量机
7、支持向量机
01_内容介绍
02_支持向量引入
03_支持向量概念
04_核方法和损失函数
05_案例-鸢尾花种类预测
8、聚类算法
8、聚类算法
01_内容介绍
02_聚类概述
03_KMeans API介绍
04_KMeans实现流程
04_聚类效果评估
05_特征降维
06_案例-顾客数据聚类分析
9、集成学习
9、集成学习
01_内容介绍
02_集成学习问题
03_Bagging和随机森林
04_Boosting和AdaBoost
05_案例-车辆贷款违约预测
06_GBDT
07_XGBoost
08_案例-红酒品质分类
Index