文档详情 ID: clxy2xerp036ajybqpoor7ub4

大数据机器学习

文件清单 237 项

播放列表.dpl
DPL_PYJUN
修复播放列表.bat
(1.1)-概述-20190919.pdf
(2.1)-第一章统计学习及监督学习概论-2019.pdf
(4.1)-第二章感知机.pdf
(5.1)-第五章聚类.pdf
(6.1)-第四章贝叶斯分类器.pdf
(7.1)-第五章决策树.pdf

展开全部 237 项

(8.1)-第六章Logistic回归.pdf
(13.1)-第九章EM算法.pdf
(14.1)-第14讲计算学习理论.pdf
(15.1)-第15讲隐马尔可夫模型.pdf
(18.1)-第18讲神经网络和深度学习.pdf
(19.1)-第19讲深度学习正则化方法.pdf
(20.1)-第20讲深度学习优化方法.pdf
[1.1.1]-1.机器学习定义和典型应用.mp4
[1.1.1]-1.机器学习定义和典型应用.srt
[1.2.1]-2.机器学习和人工智能的关系.mp4
[1.2.1]-2.机器学习和人工智能的关系.srt
[1.3.1]-3.深度学习方法和其它人工智能方法的共性和差异.mp4
[1.3.1]-3.深度学习方法和其它人工智能方法的共性和差异.srt
[1.4.1]-4.机器学习和数据挖掘的关系.mp4
[1.4.1]-4.机器学习和数据挖掘的关系.srt
[1.5.1]-5.机器学习和统计学习的关系.mp4
[1.5.1]-5.机器学习和统计学习的关系.srt
[1.6.1]-6.机器学习的发展历程.mp4
[1.6.1]-6.机器学习的发展历程.srt
[1.7.1]-7.大数据机器学习的主要特点.mp4
[1.7.1]-7.大数据机器学习的主要特点.srt
[2.1.1]-1机器学习的基本术语.mp4
[2.1.1]-1机器学习的基本术语.srt
[2.2.1]-2.监督学习.mp4
[2.2.1]-2.监督学习.srt
[2.3.1]-3.假设空间.mp4
[2.3.1]-3.假设空间.srt
[2.4.1]-4.学习方法三要素.mp4
[2.4.1]-4.学习方法三要素.srt
[2.5.1]-5.奥卡姆剃刀定理.mp4
[2.5.1]-5.奥卡姆剃刀定理.srt
[2.6.1]-6.没有免费的午餐定理v.mp4
[2.6.1]-6.没有免费的午餐定理v.srt
[2.7.1]-7.训练误差和测试误差.mp4
[2.7.1]-7.训练误差和测试误差.srt
[2.8.1]-8.过拟合与模型选择.mp4
[2.8.1]-8.过拟合与模型选择.srt
[2.9.1]-9.泛化能力.mp4
[2.9.1]-9.泛化能力.srt
[2.10.1]-10.生成模型和判别模型.mp4
[2.10.1]-10.生成模型和判别模型.srt
[3.1.1]-1.留出法.mp4
[3.1.1]-1.留出法.srt
[3.2.1]-2.交叉验证法.mp4
[3.2.1]-2.交叉验证法.srt
[3.3.1]-3.自助法.mp4
[3.3.1]-3.自助法.srt
[3.4.1]-4.性能度量.mp4
[3.4.1]-4.性能度量.srt
[3.5.1]-5.PR曲线.mp4
[3.5.1]-5.PR曲线.srt
[3.6.1]-6.ROC和AUC曲线.mp4
[3.6.1]-6.ROC和AUC曲线.srt
[3.7.1]-7.代价敏感错误率.mp4
[3.7.1]-7.代价敏感错误率.srt
[3.8.1]-8.假设检验.mp4
[3.8.1]-8.假设检验.srt
[3.9.1]-9.T检验.mp4
[3.9.1]-9.T检验.srt
[3.10.1]-10.偏差和方差.mp4
[4.1.1]-1.感知机模型.mp4
[4.1.1]-1.感知机模型.srt
[4.2.1]-2.感知机学习策略.mp4
[4.2.1]-2.感知机学习策略.srt
[4.3.1]-3.感知机学习算法.mp4
[4.3.1]-3.感知机学习算法.srt
[5.1.1]-1.原型聚类描述.mp4
[5.1.1]-1.原型聚类描述.srt
[5.2.1]-2.性能度量.mp4
[5.2.1]-2.性能度量.srt
[5.3.1]-3.1原型聚类k均值算法.mp4
[5.3.1]-3.1原型聚类k均值算法.srt
[5.4.1]-3.2原型聚类学习向量算法.mp4
[5.4.1]-3.2原型聚类学习向量算法.srt
[5.5.1]-3.3原型聚类密度聚类.mp4
[5.5.1]-3.3原型聚类密度聚类.srt
[5.6.1]-3.4原型聚类层次聚类.mp4
[5.6.1]-3.4原型聚类层次聚类.srt
[6.1.1]-1.综述.mp4
[6.1.1]-1.综述.srt
[6.2.1]-2.概率图模型.mp4
[6.2.1]-2.概率图模型.srt
[6.3.1]-3.贝叶斯网络.mp4
[6.3.1]-3.贝叶斯网络.srt
[6.4.1]-4.朴素贝叶斯分类器.mp4
[6.4.1]-4.朴素贝叶斯分类器.srt
[6.5.1]-5.半朴素贝叶斯分类器v.mp4
[6.5.1]-5.半朴素贝叶斯分类器v.srt
[6.6.1]-6.贝叶斯网络结构学习推断.mp4
[6.6.1]-6.贝叶斯网络结构学习推断.srt
[6.7.1]-7.吉布斯采样.mp4
大数据机器学习/
大数据机器学习(2021秋)/
{1}-课程/
{1}-第一章概述/
{2}-第二章机器学习基本概念/
{3}-第三章模型性能评估/
{4}-第四章感知机/
{5}-第五章聚类/
{6}-第六章贝叶斯分类器及图模型/
{7}-第七章决策树和随机森林/
{8}-第八章逻辑斯谛回归与最大熵模型/
{9}-第九章SVM/
{10}-第十章核方法与非线性SVM/
{11}-第十一章降维与度量学习/
{12}-第十二章提升方法/
{13}-第十三章EM算法及混合高斯模型/
{14}-第十四章计算学习理论/
{15}-第十五章隐马尔可夫模型/
{16}-第十六章条件随机场/
{17}-第十七章概率图模型的学习与推断/
{18}-第十八章神经网络和深度学习/
{19}-第十九章深度学习正则化方法/
{20}-第二十章深度学习优化方法/
{1}-1.机器学习定义和典型应用/
{2}-2.机器学习和人工智能的关系/
{3}-3.深度学习方法和其它人工智能方法的共性和差异/
{4}-4.机器学习和数据挖掘的关系/
{5}-5.机器学习和统计学习的关系/
{6}-6.机器学习的发展历程/
{7}-7.大数据机器学习的主要特点/
{1}-1机器学习的基本术语/
{2}-2.监督学习/
{3}-3.假设空间/
{4}-4.学习方法三要素/
{5}-5.奥卡姆剃刀定理/
{6}-6.没有免费的午餐定理/
{7}-7.训练误差和测试误差/
{8}-8.过拟合与模型选择/
{9}-9.泛化能力/
{10}-10.生成模型和判别模型/
{1}-1.留出法/
{2}-2.交叉验证法/
{3}-3.自助法/
{4}-4.性能度量/
{5}-5.PR曲线/
{6}-6.ROC和AUC曲线/
{7}-7.代价敏感错误率/
{8}-8.假设检验/
{9}-9.T检验/
{10}-10.偏差和方差/
{1}-1.感知机模型/
{2}-2.感知机学习策略/
{3}-3.感知机学习算法/
{1}-1.原型聚类描述/
{2}-2.性能度量/
{3}-3.1原型聚类k均值算法/
{4}-3.2原型聚类学习向量算法/
{5}-3.3原型聚类密度聚类/
{6}-3.4原型聚类层次聚类/
{1}-1.综述/
{2}-2.概率图模型/
{3}-3.贝叶斯网络/
{4}-4.朴素贝叶斯分类器/
{5}-5.半朴素贝叶斯分类器/
{6}-6.贝叶斯网络结构学习推断/
{7}-7.吉布斯采样/
{1}-开头/
{2}-1.决策树模型与学习基本概念/
{3}-2.信息量和熵/
{4}-3.决策树的生成/
{5}-4.决策树的减枝/
{6}-5.CART算法/
{7}-6.随机森林/
{1}-简介/
{2}-1.逻辑斯谛回归模型/
{3}-2.最大熵模型/
{4}-3.模型学习的最优化方法/
{1}-1.开头/
{2}-2.SVM简介/
{3}-3.线性可分支持向量机/
{4}-4.凸优化问题的基本概念/
{5}-5.支持向量的确切定义/
{6}-6.线性支持向量机/
{7}-svm相关拓展资料/
{1}-开头/
{2}-1.泛函基础知识/
{3}-2.核函数和非线性支持向量机/
{4}-3.序列最小最优化算法/
{1}-开头/
{2}-1.k近邻学习/
{3}-2.降维嵌入/
{4}-3.主成分分析/
{5}-4.核化线性降维/
{6}-5.流型学习和度量学习/
{1}-1.提升方法Adaboost算法/
{2}-2.Adaboost算法的训练误差分析/
{3}-3.Adaboost算法的解释/
{4}-4.Adaboost的实现/
{5}-adaboost拓展资料/
{1}-开头/

仅展示前 200 项，共 237 项。

分享时间: 2024-06-28 02:22
入库时间: 2024-06-28 02:33
分享用户: 6挺*而出的雪豹
资源大小: 1.5 GB
资源类型: 夸克网盘
资源标签: 机器学习大数据课程讲义视频教学统计学习深度学习

问题反馈

链接失效、内容异常、提取码错误等问题，可提交反馈，管理员会尽快处理。

大数据机器学习

相似推荐

同平台资源