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

多种网盘链接检测插件

购买前，请先检测网盘链接是否有效

您当前无权限查看，请先登录，或点此注册！

• 1.百度网盘链接，查看是否有效

VIP低至28元三个月，无套路，VIP期间免费下载资源。

                       

1669551772948

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　[54.58MB]
    4-SVD其实就可以去实现PCA了.mp4　[92.96MB]
    1-特征选择与特征映射.mp4　[49.38MB]
    2-PCA的最大投影方差思路.mp4　[186.75MB]
    3-最大投影方差推导_最小投影距离思路.mp4　[115.67MB]
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　[45.22MB]
    3-学习率设置的学问_全局最优解.mp4　[56.51MB]
    5-多元线X回归下的梯度下降法.mp4　[43.26MB]
    15-代码改进实现随着迭代增加动态调整学习率.mp4　[39.24MB]
    7-随机梯度下降_小批量梯度下降.mp4　[47.61MB]
    11-代码实现全量梯度下降第3步和第4步.mp4　[30.73MB]
    12-代码实现随机梯度下降.mp4　[26.67MB]
    1-梯度下降法产生的目的和原因以及思想.mp4　[59.44MB]
    4-梯度下降法迭代流程总结.mp4　[30.27MB]
    2-梯度下降法公式.mp4　[57.12MB]
    8-对应梯度下降法的问题和挑战.mp4　[47.07MB]
    10-代码实现全量梯度下降第1步和第2步.mp4　[25.69MB]
    6-全量梯度下降.mp4　[62.84MB]
    13-代码实现小批量梯度下降.mp4　[27.31MB]
    14-代码改进保证训练数据全都能被随机取到.mp4　[40.27MB]
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　[51.51MB]
    5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4　[157.57MB]
    2-理解GMM高斯混合分布的对数似然函数.mp4　[95.21MB]
    1-单个高斯分布GM的参数估计.mp4　[112.71MB]
    4-Jensen不等式的应用.mp4　[109.17MB]
    3-GMM参数估计Πμσ的流程.mp4　[112.22MB]
    6-将EM算法应用到GMM中并且推导出Π的公式.mp4　[44.12MB]
    7-GMM前景背景分离.mp4　[16.00MB]
    8-通过声音文件利用GMM算法识别X别.mp4　[134.38MB]
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　[65.48MB]
    17-计算特征重要度进行特征选择.mp4　[54.87MB]
    20-GBDT在sklearn中源码剖析_初始化F(x).mp4　[115.14MB]
    22-GBDT+LR架构训练模型代码实现.mp4　[88.39MB]
    11-GBDT多分类流程.mp4　[73.79MB]
    5-GBDT回归举例_总结.mp4　[108.51MB]
    6-GBDT应用于二分类问题.mp4　[70.42MB]
    12-对比GBDT回归、二分类、多分类相同点与不同点.mp4　[60.79MB]
    18-GBDT用于特征组合降维.mp4　[43.71MB]
    13-GBDT二分类叶子节点分值计算推导.mp4　[73.96MB]
    23-GBDT+LR架构预测评估代码实现.mp4　[66.46MB]
    14-GBDT多分类叶子节点分值计算.mp4　[54.63MB]
    15-GBDT二分类举例详解.mp4　[86.66MB]
    16-GBDT多分类举例详解.mp4　[91.70MB]
    2-GBDT令每个弱学习器f(x)去拟合负梯度.mp4　[88.38MB]
    9-GBDT应用于多分类任务.mp4　[73.33MB]
    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　[72.08MB]
    21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4　[71.74MB]
    3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4　[77.35MB]
    19-特征组合降维在GBDT+LR架构应用.mp4　[51.27MB]
    8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4　[61.49MB]
    4-GBDT应用于回归问题.mp4　[84.65MB]
    7-GBDT二分类拟合的负梯度依然是残差.mp4　[83.81MB]
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　[90.50MB]
    3-随机森林.mp4　[108.13MB]
    1-不同聚合方式_生成不同弱学习器方式.mp4　[80.47MB]
    5-OOB袋外数据.mp4　[106.06MB]
    2-Bagging_Boosting_Stacking.mp4　[59.01MB]
    4-代码实战随机森林对鸢尾花数据集分类.mp4　[101.80MB]
    6-Adaboost算法思路.mp4　[106.30MB]
    7-调整数据权重让权重正确率达到50%.mp4　[66.83MB]
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　[264.03MB]
    2-距离测度欧式距离和余弦距离的场景_TFIDF.mp4　[153.54MB]
    1-KMeans聚类流程_距离测度欧式距离和余弦距离.mp4　[173.95MB]
    3-KMeans的一些变形_KMeans的损失函数推导及假设.mp4　[167.15MB]
    4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4　[214.69MB]
    5-KMeans代码测试不同情况下的聚类效果.mp4　[148.65MB]
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　[41.12MB]
    1-归一化的目的_维度之间数量级不同产生的矛盾.mp4　[63.62MB]
    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　[34.11MB]
    3-归一化的副产品_有可能会提高模型的精度.mp4　[21.60MB]
    4-最大值最小值归一化.mp4　[24.87MB]
    5-标准归一化.mp4　[51.86MB]
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　[72.07MB]
    7-每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4　[69.94MB]
    18-人脸识别项目代码_FaceNet模型加载和使用.mp4　[42.82MB]
    5-MTCNN论文_网络整体架构.mp4　[76.57MB]
    13-FaceNet论文_相关的介绍.mp4　[39.55MB]
    9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4　[54.78MB]
    15-FaceNet论文_TripleLoss损失函数.mp4　[63.78MB]
    19-人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4　[40.37MB]
    12-FaceNet论文_摘要和前情介绍.mp4　[71.54MB]
    17-FaceNet论文_ZF和Inception对比_总结.mp4　[59.20MB]
    1-人脸识别任务种类_具体做法思路.mp4　[40.66MB]
    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　[66.61MB]
    14-FaceNet论文_TripleLoss思路来源和目标.mp4　[44.25MB]
    16-FaceNet论文_TripleSelection很至关重要.mp4　[131.75MB]
    2-开源的FaceNet项目介绍.mp4　[38.06MB]