大数据机器学习 - 夸克搜-夸克资源搜索引擎

• group.png
• 播放列表.dpl
• 本资源说明.pdf
• DPL_PYJUN
• (1.1)--概述-20190919.pdf
• pikaso.png
• (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
• (8.1)--第六章Logistic回归.pdf
• (15.1)--第15讲隐马尔可夫模型.pdf
• banner.png
• kkzy.top.jpg
• (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
• [1.2.1]--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
• [1.7.1]--7.大数据机器学习的主要特点.srt
• [2.3.1]--3.假设空间.mp4
• [2.4.1]--4.学习方法三要素.srt
• [2.6.1]--6.没有免费的午餐定理v.mp4
• [2.10.1]--10.生成模型和判别模型.mp4
• [3.6.1]--6.ROC和AUC曲线.srt
• [5.3.1]--3.1原型聚类k均值算法.srt
• 大数据机器学习
• {1}--课程
• {2}--第二章机器学习基本概念
• {3}--第三章模型性能评估
• {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
• {10}--第十章核方法与非线性SVM
• {11}--第十一章降维与度量学习
• {13}--第十三章EM算法及混合高斯模型
• {19}--第十九章深度学习正则化方法
• {1}--1.机器学习定义和典型应用
• {7}--7.大数据机器学习的主要特点
• {4}--4.学习方法三要素
• {5}--5.奥卡姆剃刀定理
• {7}--7.训练误差和测试误差
• {8}--8.过拟合与模型选择
• {10}--10.生成模型和判别模型
• {2}--2.交叉验证法
• {6}--6.ROC和AUC曲线
• {1}--1.原型聚类描述
• {6}--6.贝叶斯网络结构学习推断
• {3}--3.线性可分支持向量机
• {7}--svm相关拓展资料
• {4}--3.序列最小最优化算法
• {1}--1.提升方法Adaboost算法
• {2}--2.Adaboost算法的训练误差分析
• {5}--4.EM算法在高斯混合模型学习中的应用
• {2}--1.计算学习理论的基础知识
• {3}--2.概率近似正确学习理论
• {3}--2.条件随机场的定义与形式
• {2}--1.精确推断法：变量消去法和信念传播法
• {3}--2.近似推断法：MCMC和变分推断
• {2}--2.神经网络的基本概念以及常见的神经网络(一）
• {2}--2.计算图形式的反向传播算法

分享时间

2023-11-17

入库时间

2026-08-10

资源类型

夸克网盘

分享用户

TU*

扫码获取资源