机器学习算法入门学习视频 July七月在线机器学习算法基础课程下载

课程名称

机器学习算法入门学习视频 July七月在线机器学习算法基础课程下载

课程目录

│  ├<(01)机器学习与相关数学初步>

│  │  ├(1)机器学习初步与微积分概率论.pdf

│  │  └(1)机器学习与相关数学初步.avi

│  ├<(02)数理统计与参数估计>

│  │  ├(2)数理统计与参数估计.avi

│  │  └(2)数理统计与参数估计.pdf

│  ├<(03)矩阵分析与应用>

│  │  ├(3)矩阵分析与应用.avi

│  │  └(3)矩阵分析与应用.pdf

│  ├<(04)凸优化初步>

│  │  ├(4)凸优化初步.avi

│  │  └(4)凸优化初步.pdf

│  ├<(05)回归分析与工程应用>

│  │  ├(5)回归分析与工程应用.avi

│  │  ├<课件和数据及代码>

│  │  │  ├4月班第5课课件：回归及工程应用经验.pdf

│  │  │  ├data1.txt

│  │  │  ├data2.txt

│  │  │  ├logistic_regression_example.ipynb

│  │  │  ├Untitled.ipynb

│  │  │  ├<.ipynb_checkpoints>

│  │  │  │  ├logistic_regression_example-checkpoint.ipynb

│  │  │  │  └Untitled-checkpoint.ipynb

│  ├<(06)特征工程>

│  │  ├(6)特征工程.avi

│  │  ├<课件与数据及代码>

│  │  │  ├4月班第6课课件：特征工程.pdf

│  │  │  ├feature_engineering_example.ipynb

│  │  │  └kaggle_bike_competition_train.csv

│  ├<(07)工作流程与模型调优>

│  │  ├(7)工作流程与模型调优.avi

│  │  └(7)工作流程与模型调优.zip

│  ├<(08)最大熵模型与em算法>

│  │  ├(8)最大熵模型与EM算法.avi

│  │  └(8)最大熵模型与EM算法.pdf

│  ├<(09)推荐系统与应用>

│  │  ├(9)推荐系统与应用.avi

│  │  ├<(9)推荐系统与应用>

│  │  │  ├4月机器学习班第9课–推荐系统.pdf

│  │  │  ├CF&&MF recommendation system.zip

│  │  │  └Reccomendation System Examples.ipynb

│  ├<(10)聚类算法与应用>

│  │  ├(10)聚类算法与应用.avi

│  │  └(10)聚类算法与应用.pdf

│  ├<(11)决策树随机森林和adaboost>

│  │  ├(11)决策树随机森林adaboost.avi

│  │  ├(11)决策树随机森林adaboost.pdf

│  │  ├<代码>

│  │  │  ├randomforests.py

│  │  │  ├randomforests.pyc

│  │  │  ├samtrain.csv

│  │  │  ├samval.csv

│  │  │  ├随机森林.ipynb

│  │  │  ├<.ipynb_checkpoints>

│  │  │  │  └随机森林-checkpoint.ipynb

│  ├<(12)svm>

│  │  ├(12)SVM.avi

│  │  ├(12)SVM.pdf

│  │  ├(12)支持向量机.ipynb

│  │  ├<(补充材料1)svm补充视频>

│  │  │  └补充SVM视频下载地址.txt

│  │  ├<(补充材料2)svm的python程序代码>

│  │  │  └sklearnExample.py

│  ├<(13)贝叶斯方法>

│  │  ├(13)贝叶斯方法.avi

│  │  ├(13)贝叶斯方法.pdf

│  │  └naive_bayes-master.zip

│  ├<(14)主题模型>

│  │  ├(14)主题模型.avi

│  │  ├(14)主题模型.pdf

│  │  ├(补充阅读材料1)Comparing LDA with pLSI as a Dimensionality Reduction Method in Document Clustering.pdf

│  │  ├(补充阅读材料2)Investigating task performance of probabilistic topic models – an empirical study of PLSA and LDA.pdf

│  │  └LDAClassify.zip

│  ├<(15)贝叶斯推理采样与变分>

│  │  ├(15)贝叶斯推理采样变分方法.avi

│  │  ├(15)贝叶斯推理-采样与变分简介.pdf

│  │  └gibbsGauss.py

│  ├<(16)人工神经网络>

│  │  ├(16)人工神经网络.avi

│  │  ├(16)人工神经网络.pdf

│  │  └Lesson_16_Neural_network_example.ipynb

│  ├<(17)卷积神经网络>

│  │  ├(17)卷积神经网络.avi

│  │  └(17)卷积神经网络.pdf

│  ├<(18)循环神经网络与lstm>

│  │  ├(18)循环神经网络和LSTM.avi

│  │  └(18)循环神经网络与LSTM.pdf

│  ├<(19)caffe&tensor mxnet="">

│  │  ├(19)Caffe&Tensor Flow&MxNet 简介.avi

│  │  └(19)Caffe&Tensor Flow&MxNet 简介.pdf

│  ├<(20)贝叶斯网络和hmm>

│  │  ├(20)贝叶斯网络和HMM.avi

│  │  └(20)贝叶斯网络和HMM.pdf

│  ├<(额外补充)词嵌入word embedding="">

│  │  ├(额外补充)词嵌入word embedding.avi

│  │  └(额外补充)词嵌入原理及应用简介.pdf

资源下载

此资源下载价格为12学分，VIP免费，请先登录

充值比例 1元=1学分
资源失效，请咨询客服
客服QQ 980264305