課程大綱： 人工智能/機器學習培訓
第1章 線性回歸
1 線性回歸知識點回顧
2 單變量線性回歸-01讀取文件
3 單變量線性回歸-02數據集準備
4 單變量線性回歸-03損失函數
5 單變量線性回歸-04梯度下降函數
6 單變量線性回歸-05可視化損失函數
7 單變量線性回歸-06可視化擬合函數
8 多變量線性回歸-01讀取文件
9 多變量線性回歸-02特征歸一化
10 多變量線性回歸-03構造數據集
11 多變量線性回歸-04迭代效果比較
12 正規方程
第2章 邏輯回歸
13 線性可分-01知識點回顧
14 線性可分-02數據可視化
15 線性可分-03損失函數
16 線性可分-04梯度下降、預測
17 線性可分-05決策邊界
18 線性不可分-01特征映射
19 線性可分-02損失函數
20 線性可分-03梯度下降、準確率
21 線性可分-04決策邊界
第3章 多分類、神經網絡前向傳播
22 邏輯回歸-01圖片讀取
23 邏輯回歸-02損失函數、梯度
24 邏輯回歸-03多分類設計、優化
25 邏輯回歸-04預測
26 神經網絡前向傳播-01知識點
27 神經網絡前向傳播-01前向傳播
第4章 神經網絡反向傳播
28 01-onehotencoder
29 02-序列化權重參數
30 03-解序列化權重參數
31 04-前向傳播
32 05-損失函數
33 06-梯度
34 07-優化
35 08-隱藏層可視化
第5章 偏差、方差
36 01-數據導入、可視化、損失函數
37 02-梯度、優化
38 03-樣本個數vs誤差
39 04-多項式特征、歸一化
40 05-正則化影響
41 06-正則化參數的選取
第6章 支持向量機
42 01-線性可分SVM(1)
43 02-線性可分SVM(2)
44 03-線性不可分SVM
45 04-尋找優參數
46 05-垃圾郵件分類
第7章 kmeans and PCA
47 kmeans-01計算樣本所屬類別
48 kmeans-02計算聚類中心點
49 kmeans-03迭代過程
50 kmeans-04初始聚類中心選取的影響
51 kmeans-05圖像聚類
52 pca-01算法實現步
53 pca-02二維數據降維處理
54 pca-03圖像降維
第8章 異常檢測、推薦系統
55 異常檢測-01步驟
56 異常檢測-02密度函數計算
57 異常檢測-03閾值選取、預測
58 異常檢測-04高維數據的異常檢測
59 推薦系統-01知識點回顧、代價函數
60 推薦系統-02梯度、歸一化、訓練
61 推薦系統-03預測
加入高級會員獲得助教答疑
