文件清单 67 项

• 1:理解简单线性回归.mp4
• 2:最优解_损失函数_MSE.mp4
• 3:扩展到多元线性回归.mp4
• 4:理解多元线性回归表达式几种写法的原因.mp4
• 5:理解维度这个概念.mp4
• 6:理解回归一词_中心极限定理_正太分布和做预测.mp4
• 7:假设误差服从正太分布_最大似然估计MLE.mp4
• 8:引入正太分布的概率密度函数.mp4
• 9:明确目标通过最大总似然求解θ.mp4

展开全部 67 项

• 10:对数似然函数_推导出损失函数MSE.mp4
• 11:把目标函数按照线性代数的方式去表达.mp4
• 12:推导出目标函数的导函数形式.mp4
• 13:θ解析解的公式_是否要考虑损失函数是凸函数.mp4
• 15:Anaconda环境安装_Pycharm环境安装.mp4
• 16:Pycharm创建脚本并测试python开发环境.mp4
• 17:解析解的方式求解多元线性回归_数据Xy.mp4
• 18:解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp4
• 19:解析解的方式求解多元线性回归_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
• 21:调用Scikit-learn中的多元线性回归求解模型(上).mp4
• 22:调用Scikit-learn中的多元线性回归求解模型(下).mp4
• 第一阶段_手把手教你透彻掌握线性回归算法.pdf
• 23:梯度下降法产生的目的和原因以及思想.mp4
• 24:梯度下降法公式.mp4
• 25:学习率设置的学问_全局最优解.mp4
• 26:梯度下降法迭代流程总结.mp4
• 27:多元线性回归下的梯度下降法.mp4
• 28:全量梯度下降.mp4
• 29:随机梯度下降_小批量梯度下降.mp4
• 30:对应梯度下降法的问题和挑战.mp4
• 31:轮次和批次.mp4
• 32:代码实现全量梯度下降第1步和第2步.mp4
• 33:代码实现全量梯度下降第3步和第4步.mp4
• 34:代码实现随机梯度下降.mp4
• 35:代码实现小批量梯度下降.mp4
• 36:代码改进保证训练数据全都能被随机取到.mp4
• 37:代码改进实现随着迭代增加动态调整学习率.mp4
• 第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
• 38:归一化的目的_维度之间数量级不同产生的矛盾.mp4
• 39: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
• 40:归一化的副产品_有可能会提高模型的精度.mp4
• 41:最大值最小值归一化.mp4
• 42:标准归一化.mp4
• 43:代码完成标准归一化.mp4
• 44:正则化的目的防止过拟合.mp4
• 45:正则化通过损失函数加入惩罚项使得W越小越好.mp4
• 46:常用的L1和L2正则项以及数学意义.mp4
• 47:L1稀疏性和L2平滑性.mp4
• 48:通过L1和L2的导函数理解区别的本质原因.mp4
• 49:代码调用Ridge岭回归.mp4
• 50:代码调用Lasso回归.mp4
• 51:代码调用ElasticNet回归.mp4
• 52:升维的意义_多项式回归.mp4
• 53:多项式升维代码实战_传入不同超参数对比.mp4
• 54:多项式升维代码实战_训练模型和评估.mp4
• 55:实战保险花销预测_数据介绍和加载数据.mp4
• 56:实战保险花销预测_数据预处理.mp4
• 57:实战保险花销预测_模型训练和评估_选择非线性算法改进.mp4
• 58:实战保险花销预测_特征选择思路.mp4
• 59:实战保险花销预测_特征工程.mp4
• 60:实战保险花销预测_模型训练和评估.mp4
• 05,机器学习-线性回归/
• 章节1:多元线性回归/
• 章节2:梯度下降法/
• 章节3:归一化/
• 章节4:正则化/
• 章节5:Lasso回归_Ridge回归_多项式回归/