思维导图备注

零基础学机器学习 - 黄佳
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

引子 AI菜鸟的挑战——100天上线智能预警系统

浏览 12 扫码
  • 小字体
  • 中字体
  • 大字体
2024-04-30 10:33:27
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 封面
  • 版权信息
  • 内容提要
  • 推荐语
  • 前言
  • 资源与支持
    • 配套资源
    • 提交勘误
    • 与我们联系
    • 关于异步社区和异步图书
  • 引子 AI菜鸟的挑战——100天上线智能预警系统
  • 第1课 机器学习快速上手路径——唯有实战
    • 1.1 机器学习的家族谱
    • 1.2 快捷的云实战学习模式
    • 1.3 基本机器学习术语
    • 1.4 Python和机器学习框架
    • 1.5 机器学习项目实战架构
    • 1.6 本课内容小结
    • 1.7 课后练习
  • 第2课 数学和Python基础知识——一天搞定
    • 2.1 函数描述了事物间的关系
    • 2.2 捕捉函数的变化趋势
    • 2.3 梯度下降是机器学习的动力之源
    • 2.4 机器学习的数据结构——张量
    • 2.5 Python的张量运算
    • 2.6 机器学习的几何意义
    • 2.7 概率与统计研究了随机事件的规律
    • 2.8 本课内容小结
    • 2.9 课后练习
  • 第3课 线性回归——预测网店的销售额
    • 3.1 问题定义：小冰的网店广告该如何投放
    • 3.2 数据的收集和预处理
    • 3.3 选择机器学习模型
    • 3.4 通过梯度下降找到最佳参数
    • 3.5 实现一元线性回归模型并调试超参数
    • 3.6 实现多元线性回归模型
    • 3.7 本课内容小结
    • 3.8 课后练习
  • 第4课 逻辑回归——给病患和鸢尾花分类
    • 4.1 问题定义：判断客户是否患病
    • 4.2 从回归问题到分类问题
    • 4.3 通过逻辑回归解决二元分类问题
    • 4.4 问题定义：确定鸢尾花的种类
    • 4.5 从二元分类到多元分类
    • 4.6 正则化、欠拟合和过拟合
    • 4.7 通过逻辑回归解决多元分类问题
    • 4.8 本课内容小结
    • 4.9 课后练习
  • 第5课 深度神经网络——找出可能流失的客户
    • 5.1 问题定义：咖哥接手的金融项目
    • 5.2 神经网络的原理
    • 5.3 从感知器到单隐层网络
    • 5.4 用Keras单隐层网络预测客户流失率
    • 5.5 分类数据不平衡问题：只看准确率够用吗
    • 5.6 从单隐层神经网络到深度神经网络
    • 5.7 用Keras深度神经网络预测客户流失率
    • 5.8 深度神经网络的调试及性能优化
    • 5.9 本课内容小结
    • 5.10 课后练习
  • 第6课 卷积神经网络——识别狗狗的图像
    • 6.1 问题定义：有趣的狗狗图像识别
    • 6.2 卷积网络的结构
    • 6.3 卷积层的原理
    • 6.4 池化层的功能
    • 6.5 用卷积网络给狗狗图像分类
    • 6.6 卷积网络性能优化
    • 6.7 卷积网络中特征通道的可视化
    • 6.8 各种大型卷积网络模型
    • 6.9 本课内容小结
    • 6.10 课后练习
  • 第7课 循环神经网络——鉴定留言及探索系外行星
    • 7.1 问题定义：鉴定评论文本的情感属性
    • 7.2 循环神经网络的原理和结构
    • 7.3 原始文本如何转化成向量数据
    • 7.4 用SimpleRNN鉴定评论文本
    • 7.5 从SimpleRNN到LSTM
    • 7.6 用LSTM鉴定评论文本
    • 7.7 问题定义：太阳系外哪些恒星有行星环绕
    • 7.8 用循环神经网络处理时序问题
    • 7.9 本课内容小结
    • 7.10 课后练习
  • 第8课 经典算法“宝刀未老”
    • 8.1 K最近邻
    • 8.2 支持向量机
    • 8.3 朴素贝叶斯
    • 8.4 决策树
    • 8.5 随机森林
    • 8.6 如何选择最佳机器学习算法
    • 8.7 用网格搜索超参数调优
    • 8.8 本课内容小结
    • 8.9 课后练习
  • 第9课 集成学习“笑傲江湖”
    • 9.1 偏差和方差——机器学习性能优化的风向标
    • 9.2 Bagging算法——多个基模型的聚合
    • 9.3 Boosting算法——锻炼弱模型的“肌肉”
    • 9.4 Stacking/Blending算法——以预测结果作为新特征
    • 9.5 Voting/Averaging算法——集成基模型的预测结果
    • 9.6 本课内容小结
    • 9.7 课后练习
  • 第10课 监督学习之外——其他类型的机器学习
    • 10.1 无监督学习——聚类
    • 10.2 无监督学习——降维
    • 10.3 半监督学习
    • 10.4 自监督学习
    • 10.5 生成式学习
    • 10.6 本课内容小结
    • 10.7 课后练习
  • 第11课 强化学习实战——咖哥的冰湖挑战
    • 11.1 问题定义：帮助智能体完成冰湖挑战
    • 11.2 强化学习基础知识
    • 11.3 强化学习基础算法Q-Learning详解
    • 11.4 用Q-Learning算法来解决冰湖挑战问题
    • 11.5 从Q-Learning算法到SARSA算法
    • 11.6 用SARSA算法来解决冰湖挑战问题
    • 11.7 Deep Q Network算法：用深度网络实现Q-Learning
    • 11.8 本课内容小结
    • 11.9 课后练习
  • 尾 声 如何实现机器学习中的知识迁移及持续性的学习
    • 在线学习
    • 迁移学习
    • 终身学习
  • 练习答案
    • 第1课
    • 第2课
    • 第3课
    • 第4课
    • 第5课
    • 第6课
    • 第7课
    • 第8课
    • 第9课
    • 第10课
    • 第11课
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《零基础学机器学习 - 黄佳》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度