快速入门人工智能-AI算法工程师-含深度学习、机器学习等xp
42553文件名称: 快速入门人工智能-AI算法工程师-含深度学习、机器学习等xp_共:18.22GB
文件总数量: 259条
压缩文件数量: 1条
压缩文件比: 0.38%
疑似加密文件: 0条(需要授权播放的文件)
文件创建时间:
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/7--机器学习-无监督学习/3--PCA降维算法】
5-PCA的几种应用.mp4
4-SVD其实就可以去实现PCA了.mp4
1-特征选择与特征映射.mp4
2-PCA的最大投影方差思路.mp4
3-最大投影方差推导_最小投影距离思路.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/5--机器学习-线X回归/2--梯度下降法】
9-轮次和批次.mp4
3-学习率设置的学问_全局最优解.mp4
5-多元线X回归下的梯度下降法.mp4
15-代码改进实现随着迭代增加动态调整学习率.mp4
7-随机梯度下降_小批量梯度下降.mp4
11-代码实现全量梯度下降第3步和第4步.mp4
12-代码实现随机梯度下降.mp4
1-梯度下降法产生的目的和原因以及思想.mp4
4-梯度下降法迭代流程总结.mp4
2-梯度下降法公式.mp4
8-对应梯度下降法的问题和挑战.mp4
10-代码实现全量梯度下降第1步和第2步.mp4
6-全量梯度下降.mp4
13-代码实现小批量梯度下降.mp4
14-代码改进保证训练数据全都能被随机取到.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/7--机器学习-无监督学习/2--EM算法和GMM高斯混合模型】
9-通过声音文件利用GMM算法识别是谁.mp4
5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4
2-理解GMM高斯混合分布的对数似然函数.mp4
1-单个高斯分布GM的参数估计.mp4
4-Jensen不等式的应用.mp4
3-GMM参数估计Πμσ的流程.mp4
6-将EM算法应用到GMM中并且推导出Π的公式.mp4
7-GMM前景背景分离.mp4
8-通过声音文件利用GMM算法识别X别.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/8--机器学习-决策树系列/3--GBDT】
1-GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4
17-计算特征重要度进行特征选择.mp4
20-GBDT在sklearn中源码剖析_初始化F(x).mp4
22-GBDT+LR架构训练模型代码实现.mp4
11-GBDT多分类流程.mp4
5-GBDT回归举例_总结.mp4
6-GBDT应用于二分类问题.mp4
12-对比GBDT回归、二分类、多分类相同点与不同点.mp4
18-GBDT用于特征组合降维.mp4
13-GBDT二分类叶子节点分值计算推导.mp4
23-GBDT+LR架构预测评估代码实现.mp4
14-GBDT多分类叶子节点分值计算.mp4
15-GBDT二分类举例详解.mp4
16-GBDT多分类举例详解.mp4
2-GBDT令每个弱学习器f(x)去拟合负梯度.mp4
9-GBDT应用于多分类任务.mp4
10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4
21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4
3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
19-特征组合降维在GBDT+LR架构应用.mp4
8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
4-GBDT应用于回归问题.mp4
7-GBDT二分类拟合的负梯度依然是残差.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/8--机器学习-决策树系列/2--集成学习和随机森林】
8-Adaboost如何调整样本权重和求基模型权重.mp4
3-随机森林.mp4
1-不同聚合方式_生成不同弱学习器方式.mp4
5-OOB袋外数据.mp4
2-Bagging_Boosting_Stacking.mp4
4-代码实战随机森林对鸢尾花数据集分类.mp4
6-Adaboost算法思路.mp4
7-调整数据权重让权重正确率达到50%.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/7--机器学习-无监督学习/1--聚类系列算法】
6-层次聚类_密度聚类_谱聚类.mp4
2-距离测度欧式距离和余弦距离的场景_TFIDF.mp4
1-KMeans聚类流程_距离测度欧式距离和余弦距离.mp4
3-KMeans的一些变形_KMeans的损失函数推导及假设.mp4
4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4
5-KMeans代码测试不同情况下的聚类效果.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/5--机器学习-线X回归/3--归一化】
6-代码完成标准归一化.mp4
1-归一化的目的_维度之间数量级不同产生的矛盾.mp4
2-归一化的目的_举例子来理解做归一化和不做归一化的区别.mp4
3-归一化的副产品_有可能会提高模型的精度.mp4
4-最大值最小值归一化.mp4
5-标准归一化.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/18--深度学习-人脸识别项目实战】
10-人脸识别项目代码_加载MTCNN模型.mp4
7-每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4
18-人脸识别项目代码_FaceNet模型加载和使用.mp4
5-MTCNN论文_网络整体架构.mp4
13-FaceNet论文_相关的介绍.mp4
9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4
15-FaceNet论文_TripleLoss损失函数.mp4
19-人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4
12-FaceNet论文_摘要和前情介绍.mp4
17-FaceNet论文_ZF和Inception对比_总结.mp4
1-人脸识别任务种类_具体做法思路.mp4
11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框.mp4
14-FaceNet论文_TripleLoss思路来源和目标.mp4
16-FaceNet论文_TripleSelection很至关重要.mp4
2-开源的FaceNet项目介绍.mp4
3-人脸识别项目代码整体结构.mp4
4-MTCNN论文_摘要和介绍.mp4
6-PRelu_每阶段输出多分支意义.mp4
8-训练数据的准备_每一阶段训练的流程.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/5--机器学习-线X回归/4--正则化】
2-正则化通过损失函数加入惩罚项使得W越小越好.mp4
1-正则化的目的防止过拟合.mp4
5-通过L1和L2的导函数理解区别的本质原因.mp4
4-L1稀疏X和L2平滑X.mp4
3-常用的L1和L2正则项以及数学意义.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/9--机器学习-概率图模型/2--HMM算法】
1-HMM隐Ma的定义.mp4
6-前向算法来解决概率计算问题.mp4
7-Viterbi算法案例详解.mp4
5-HMM复习_明确概率计算问题要解决的目标.mp4
4-HMM预测问题使用维特比算法.mp4
3-HMM预测问题使用前向算法.mp4
2-HMM隐Ma的三组参数_三个基本问题.mp4
8-Viterbi算法代码实现.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/6--机器学习-线X分类/2--Softmax回归】
6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp4
1-证明多项式分布属于指数族分布一种.mp4
5-证明Softmax公式K=2的时候就是逻辑回归_平移不变X.mp4
8-实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4
10-实战音乐分类器_代码使用Fu里叶变换将混音文件进行投影.mp4
13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题.mp4
3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本.mp4
2-从广义线X回归的η推导出来Softmax的公式.mp4
12-实战音乐分类器_代码读取600首Fu里叶变换后的数据_构建训练集并训练模型.mp4
4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp4
9-实战音乐分类器_Fu里叶变换可以帮助我们做什么.mp4
11-实战音乐分类器_代码对单首歌曲进行Fu里叶变换_代码对600首音乐文件进行Fu里叶变换并保存结果.mp4
7-实战音乐分类器_讲解需求和读取数据.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/5--机器学习-线X回归/5--Lasso回归_Ridge回归_多项式回归】
6-多项式升维代码实战_训练模型和评估.mp4
5-多项式升维代码实战_传入不同超参数对比.mp4
1-代码调用Ridge岭回归.mp4
9-实战保险花销预测_模型训练和评估_选择非线X算法改进.mp4
11-实战保险花销预测_特征工程.mp4
12-实战保险花销预测_模型训练和评估.mp4
2-代码调用Lasso回归.mp4
4-升维的意义_多项式回归.mp4
10-实战保险花销预测_特征选择思路.mp4
3-代码调用ElasticNet回归.mp4
8-实战保险花销预测_数据预处理.mp4
7-实战保险花销预测_数据介绍和加载数据.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/6--机器学习-线X分类/4--SMO优化算法】
6-再次说明α2如何进行剪裁的思路_根据α2求α1.mp4
1-SVM算法流程总结.mp4
11-SVM的SMO实现应用公式计算alphas和b.mp4
2-SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp4
4-对一元函数求极值点_推导出旧的α和新的α的关系.mp4
13-关于sklearn中的SVM封装的类和超参.mp4
5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp4
12-SVM绘制已有数据点和超平面以及边界.mp4
7-启发式选择两个α.mp4
8-如何计算阈值b.mp4
9-SVM的SMO实现读取数据和计算fx与Ei.mp4
10-SVM的SMO实现判断违背条件的α1.mp4
14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4
3-SMO将交给它的目标函数变成二元函数进一步变成一元函数.mp4
15-OVR和OVO多分类_算法小结_对比逻辑回归.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/5--机器学习-线X回归/1--多元线X回归】
4-理解多元线X回归表达式几种写法的原因.mp4
18-解析解的方式求解多元线X回归_求解模型_使用模型_绘制图形.mp4
22-调用Scikit-learn中的多元线X回归求解模型(下).mp4
19-解析解的方式求解多元线X回归_扩展随机种子概念_增加维度代码的变换.mp4
20-Scikit-learn模块的介绍.mp4
12-推导出目标函数的导函数形式.mp4
15-安aconda环境安装_Pycharm环境安装.mp4
10-对数似然函数_推导出损失函数MSE.mp4
1-理解简单线X回归.mp4
13-θ解析解的公式_是否要考虑损失函数是凸函数.mp4
6-理解回归一词_中心极限定理_正太分布和做预测.mp4
17-解析解的方式求解多元线X回归_数据Xy.mp4
11-把目标函数按照线X代数的方式去表达.mp4
9-明确目标通过最大总似然求解θ.mp4
16-Pycharm创建脚本并测试python开发环境.mp4
2-最优解_损失函数_MSE.mp4
14-Python开发环境版本的选择及下载.mp4
7-假设误差服从正太分布_最大似然估计MLE.mp4
3-扩展到多元线X回归.mp4
21-调用Scikit-learn中的多元线X回归求解模型(上).mp4
8-引入正太分布的概率密度函数.mp4
5-理解维度这个概念.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/4--人工智能基础-高等数学知识强化/7--最优化】
2-迭代求解的原因.mp4
10-拉格朗日函数.mp4
1-最优化的基本概念.mp4
9-凸优化的X质_一般表达形式.mp4
6-坐标下降法_数值优化面临的问题.mp4
5-牛顿法公式推导以及优缺点.mp4
4-梯度下降法的推导.mp4
3-梯度下降法思路.mp4
8-凸函数.mp4
7-凸集.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/21--深度学习-OCR文本识别】
1-传统OCR识别_深度学习OCR识别.mp4
2-OCR识别本质就是文字检测和文字识别.mp4
3-OCR识别的CTC损失思想.mp4
9-CPTN项目代码剖析.mp4
5-CTC损失函数的理解.mp4
6-CTC损失函数前向后向算法推导_梯度求导公式推导.mp4
7-CTC前向后向算法代码.mp4
8-GreedySearch和BeamSearch解码的方式与代码逻辑.mp4
10-CRNN项目代码剖析.mp4
4-总结理解深度学习文字识别架构.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等】
课件.zip
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/8--机器学习-决策树系列/1--决策树】
12-后剪枝的意义.mp4
1-决策树模型的特点.mp4
10-绘制决策树模型_寻找最优树深度.mp4
4-什么是更好的一次划分.mp4
14-CCP代价复杂度剪枝_α超参数设定.mp4
8-预剪枝以及相关超参数.mp4
7-熵与Gini系数关系_信息增益率.mp4
6-信息增益.mp4
5-Gini系数.mp4
3-如何构建一颗决策树.mp4
2-决策树的数学表达.mp4
13-CCP代价复杂度后剪枝.mp4
9-代码实战决策树对鸢尾花数据集分类.mp4
11-代码训练回归树拟合SineWave.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/6--机器学习-线X分类/3--SVM支持向量机算法】
8-非线XSVM.mp4
3-几种SVM_SVM的损失函数.mp4
7-软间隔SVM和总结流程.mp4
5-硬间隔SVM的两步优化.mp4
2-SVM的思想.mp4
4-数学预备知识_拉格朗日函数.mp4
1-SVM与感知机关系_几何距离与函数距离.mp4
9-SVM在sklearn中的使用_超参数.mp4
6-总结硬间隔SVM.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/8--机器学习-决策树系列/4--XGBoost】
17-总结XGBoost的特X_包括缺失值的处理策略.mp4
3-基于树集成学习4个优点.mp4
7-得出XGBoost最开始的Obj目标函数.mp4
10-重新定义树ft和树的复杂度Ω.mp4
12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
11-由每个叶子节点重组目标函数Obj.mp4
13-根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
14-举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
16-样本权重对于模型学习的影响.mp4
15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
2-Bias_Variance_Trade-off.mp4
1-回顾有监督机器学习三要素.mp4
4-回顾基于树集成学习的模型和参数并举例说明.mp4
5-通过目标函数Obj来达到准确率和复杂度平衡.mp4
6-Objective_vs_Heuristic.mp4
9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
8-推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/6--机器学习-线X分类/1--逻辑回归】
3-逻辑回归为什么用sigmoid函数_预备知识.mp4
11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度.mp4
12-对逻辑回归函数进行求导_结论在后面会用到.mp4
4-证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4
14-实战逻辑回归对鸢尾花数据集进行二分类.mp4
1-逻辑回归_Sigmoid函数.mp4
16-实战逻辑回归对鸢尾花数据集进行多分类.mp4
5-回想多元线X回归公式其实也是从广义线X回归推导出来的.mp4
13-对逻辑回归的损失函数求导_推导出导函数的形式.mp4
10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系.mp4
15-OneVsRest将多分类问题转化成多个二分类问题.mp4
6-推导逻辑回归损失函数_得到总似然的公式.mp4
7-推导逻辑回归损失函数_得到最终形式.mp4
8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数.mp4
9-绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4
2-sigmoid函数作用.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/9--机器学习-概率图模型/1--贝叶斯分类】
2-TF-IDF.mp4
1-朴素贝叶斯分类算法.mp4
4-sklearn中调用NB_顺便讲解了GridSearchCV.mp4
5-语言模型的设计目的_MLE的作用进行参数估计.mp4
6-贝叶斯网络_Ma尔可夫链.mp4
3-NB代码实现解析.mp4
目录:【快速入门人工智能-AI算法工程师-含深度学习、机器学习等/9--机器学习-概率图模型/3--CRF算法】
2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4
4-EmissionScore_TransitionScore.mp4
8-通过模型来预测新的句子的序列标签.mp4
1-NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4
6-计算CRF真实路径的分数.mp4
3-了解CRF层添加的好处.mp4
5-CRF的目标函数.mp4
7-计算CRF所有可能路径的总分数.mp4
页:
[1]