视频教程-机器学习核心算法实战50讲视频教程-机器学习

机器学习核心算法实战50讲视频教程
计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战讲师。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂。
唐宇迪
¥154.00
立即订阅

订阅后:请点击此处观看视频课程

 

视频教程-机器学习核心算法实战50讲视频教程-机器学习

学习有效期:永久观看

学习时长:681分钟

学习计划:12天

难度:

 

口碑讲师带队学习,让你的问题不过夜」

讲师姓名:唐宇迪

高校教师 / 培训机构讲师

讲师介绍:计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战讲师。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂。

☛点击立即跟老师学习☚

 

「你将学到什么?」

购买课程后,添加小助手微信(微信号:csdnxy68)回复【唐宇迪】

进入学习群,获取唐宇迪老师答疑

机器学习核心算法实战培训课程概况:本教程以当下人工智能核心模块机器学习为出发点,进行机器学习的学习,对其中经典的机器学习算法进行原理推导与案例实战,旨在帮助同学们掌握机器学习中的核心算法并进行建模任务实战,机器学习建模。

 

「课程学习目录」

第1章:K近邻算法
1.系列课程环境配置
2.爱彼迎数据读取
3.近邻的计算
4.课间讨论
5.模型评估
6.数据标准化
7.多变量KNN模型
8.第一次直播未剪辑
第2章:回归算法
1.线性回归的通俗解释
2.误差项解读
3.似然函数
4.最小二乘法与课间讨论
5.线性回归求解
6.梯度下降算法
7.逻辑回归概述
8.求解与课后讨论
9.Python实现逻辑回归任务概述
10.完成梯度下降模块
11.停止策略与梯度下降案例
12.实验对比效果
第3章:决策树算法
1.决策树算法概述
2.熵形象解读
3.决策树构造实例
4.信息增益率与连续值处理
5.课间讨论
6.剪枝策略
7.决策树涉及参数
8.随机森林
9.特征重要性与课后讨论
10.随机森林的回归任务
11.数据还是多点好
12.速度与精度的权衡
13.调参策略
第4章:集成算法与随机森林
1.1-支持向量机算法要解决的问题
2.2-距离的定义
3.要优化的目标
4.目标函数
5.拉格朗日乘子法
6.SVM求解
7.支持向量的作用
8.软间隔问题
9.核函数问题
10.sklearn求解支持向量机
11.SVM参数选择
第5章:神经网络
1.神经网络概述
2.目标函数定义
3.返向传播
4.网络整体架构
5.神经元个数对结果的影响
6.正则化惩罚
7.dropout
8.课后讨论
9.练习题

 

7项超值权益,保障学习质量」

  • 大咖讲解

技术专家系统讲解传授编程思路与实战。

  • 答疑服务

专属社群随时沟通与讲师答疑,扫清学习障碍,自学编程不再难。

  • 课程资料+课件

超实用资料,覆盖核心知识,关键编程技能,方便练习巩固。(部分讲师考虑到版权问题,暂未上传附件,敬请谅解)

  • 常用开发实战

企业常见开发实战案例,带你掌握Python在工作中的不同运用场景。

  • 大牛技术大会视频

2019Python开发者大会视频免费观看,送你一个近距离感受互联网大佬的机会。

  • APP+PC随时随地学习

满足不同场景,开发编程语言系统学习需求,不受空间、地域限制。

 

「什么样的技术人适合学习?」

  • 想进入互联网技术行业,但是面对多门编程语言不知如何选择,0基础的你
  • 掌握开发、编程技术单一、冷门,迫切希望能够转型的你
  • 想进入大厂,但是编程经验不够丰富,没有竞争力,程序员找工作难。

 

「悉心打造精品好课,12天学到大牛3年项目经验」

【完善的技术体系】

技术成长循序渐进,帮助用户轻松掌握

掌握机器学习知识,扎实编码能力

【清晰的课程脉络】

浓缩大牛多年经验,全方位构建出系统化的技术知识脉络,同时注重实战操作。

【仿佛在大厂实习般的课程设计】

课程内容全面提升技术能力,系统学习大厂技术方法论,可复用在日后工作中。

 

「你可以收获什么?」

掌握经典算法原理与实战技巧

课程特色: 1. 风格通俗易懂,接地气的讲解 2. 丰富案例教学,全程皆实战 3.经典算法进行原理推导与案例实战双管齐下

 

订阅课程 开始学习

你可能感兴趣的:(视频教程-机器学习核心算法实战50讲视频教程-机器学习)