文泉课堂
- 年轻人的新知识课堂。
旗下网站
旗下产品
文泉考试
文泉题库
关注我们
文泉课堂公众号
课程
课程
登录
注册
登录
注册
机器学习及其Python实践（微课视频版）-9787302604068-095115-01
第27课时： 4.2.1-4.2.2 线性可分支持向量机（1）
查看课程
课时列表
第1课时： 《机器学习及其Python实践-阚道宏》课程介绍（6m）
第2课时： 1.1 测算房价的数学模型
第3课时： 1.2 随机模型及其学习算法
第4课时： 1.3 随机变量与数学语言
第5课时： 1.4 更加复杂的数学模型
第6课时： 1.5 机器学习问题
第7课时： 2.1 编程环境与数据集
第8课时： 2.2.1-2.2.3 数据集加载与预处理（1）
第9课时： 2.2.4-2.2.5 数据集加载与预处理（2）
第10课时： 2.3.1-2.3.2 模型训练与评价（1）
第11课时： 2.3.3 模型训练与评价（2）
第12课时： 2.4.1-2.4.2 正则化（1）
第13课时： 2.4.3 正则化（2）
第14课时： 2.5 非线性回归
第15课时： 3.1.1 贝叶斯分类器（1）
第16课时： 3.1.2 贝叶斯分类器（2）
第18课时： 3.2.1 非贝叶斯分类器（1）
第17课时： 3.1.3 贝叶斯分类器（3）
第19课时： 3.2.2 非贝叶斯分类器（2）
第20课时： 3.2.3 非贝叶斯分类器（3）
第21课时： 3.3 多分类问题与分类模型评价
第22课时： 3.4.1 特征降维（1）
第23课时： 3.4.2 特征降维（2）
第24课时： 3.4.3-3.4.4 特征降维（3）
第25课时： 4.1.1-4.1.2 统计学习理论（1）
第26课时： 4.1.3-4.1.4 统计学习理论（2）
第28课时： 4.2.3 线性可分支持向量机（2）
第27课时： 4.2.1-4.2.2 线性可分支持向量机（1）
第29课时： 4.3.1 非线性可分的支持向量机（1）
第30课时： 4.3.2 非线性可分的支持向量机（2）
第31课时： 4.4 SVM分类器及其Python实现
第32课时： 5.1 聚类问题的提出
第34课时： 5.2.2-5.2.3 EM算法（2）
第33课时： 5.2.1 EM算法（1）
第35课时： 5.3 K均值聚类
第36课时： 5.4 密度聚类DBSCAN
第37课时： 5.5 向量量化
第38课时： 6.1 贝叶斯网
第39课时： 6.2.1-6.2.2 MCMC算法基础（1）
第40课时： 6.2.3-6.2.4 MCMC算法基础（2）
第41课时： 6.3.1 MCMC采样算法
第43课时： 6.3.2 MCMC最优化算法（2）
第44课时： 6.3.3 MCMC互评算法
第45课时： 6.4 隐马尔可夫模型HMM
第46课时： 6.5 无向图模型
第42课时： 6.3.2 MCMC最优化算法（1）
第47课时： 7.1.1 神经元模型（1）
第48课时： 7.1.2-7.1.3 神经元模型（2）
第49课时： 7.2.1-7.2.2 神经网络（1）
第50课时： 7.2.3-7.2.4 神经网络（2）
第51课时： 7.3.1-7.3.2 反向传播算法（1）
第52课时： 7.3.3 反向传播算法（2）
第53课时： 7.4.1 TensorFlow机器学习框架（1）
第54课时： 7.4.2 TensorFlow机器学习框架（2）
第55课时： 7.4.3 TensorFlow机器学习框架（3）
第56课时： 7.5 Keras高层接口建模
第57课时： 8.1.1-8.1.2 卷积神经网络CNN（1）
第59课时： 8.2.1-8.2.3 循环神经网络RNN（1）
第58课时： 8.1.3-8.1.4 卷积神经网络CNN（2）
第60课时： 8.2.4 循环神经网络RNN（2）
第61课时： 8.3.1-8.3.2 自编码器（1）
第62课时： 8.3.3-8.3.4 自编码器（2）
第63课时： 8.3.5 自编码器（3）
第64课时： 8.4.1-8.4.2 生成对抗网络GAN（1）
第65课时： 8.4.3-8.4.4 生成对抗网络GAN（2）
学
习
中
心
TOP
