贝叶斯三分类问题
未来已来,人们应该把人工智能当做常识,更好了解机器,也就是更好了解自己,本套内容着重以机器学习算法和深度开发框架Tensorflow为基底,让大家从机器学习算法原理,模型如何创建,如何摘取特征,数据处理,通过图形展现算法精度等,并以综合项目结尾,提高大家整合和运用知识能力,目的让大家学习机器学习开发技能,达到算法应用工程师水准
1. 初识人工智能&KNN算法应用
1.1 认识人工智能
1.2 了解KNN并进行电影分类
1.3 KNN参数优化
1.4 KNN手写数字识别
2. 普通线性回归
2.1 线性回归概念及权重系数求解
2.2 案例--线性回归算法实现回归预测
2.3 线性回归变化重要衡量标志-梯度
2.4 案例--线性回归预测波士顿房价
3. L1&L2正则化线性回归和逻辑斯蒂
3.1 岭回归公式推导
3.2 岭回归原理+L2正则
3.3 岭迹线alpha合理取值
3.4 Lasso回归+L1正则
3.5 逻辑斯蒂函数原理和似然估计
3.6 逻辑斯蒂预测iris分类并解释如何是根据概率得出目标值
3.7 综合案例_人脸自动补齐
4. 贝叶斯&决策树
4.1 Bayes模型介绍
4.2 Bayes三分类问题
4.3 案例-短信分类
4.4 决策树概念和熵决策
4.5 案例--对比KNN&Decisiontree&LinearMode预测数据
4.6 集成决策树+数的属性深度介绍
4.7 决策树属性深度重要性
5. SVM&KMeans
5.1 SVM原理和线性分类问题
5.2 SVM基于RBF半径分类
5.3 K_MEANS原理和中国足球分档
5.4 K_MEANS进行图片压缩
6. 特征工程和机器学习评价指标
6.1 PCA原理推导
6.2 PCA降维手写数字识别
6.3 特征工程
6.4 ROC曲线介绍
6.5 洛伦兹曲线KS获取最大阈值
6.6 LR和SVM根据ROC指标进行准确率对比
7. 深度学习框架Tensorflow
7.1 tensorflow工作原理
7.2 tensorflow基本使用
7.3 tensorflow变量&占位符使用
7.4 tensorflow线性回归案例
8. 项目--Tensorflow信用防御系统
8.1 信用防御系统需求调研,建模及数据特征工程处理
8.2 模型预测和评估
8.3 图型呈现准确率和召回率
公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
讲师收到你的提问会尽快为你解答。若选择公开提问,可以获得更多学员的帮助。
课程大纲