AI Red
来自CloudWiki
跳转至:
导航
,
搜索
目录
1
机器学习的准备工作
1.1
环境的安装搭建
2
第1章 机器学习介绍
2.1
机器学习的典型步骤
3
第2章 Python机器学习软件包
3.1
开发环境搭建
4
第3章 机器学习理论基础
5
第4章 K-近邻算法
6
第5章 线性回归算法
7
第6章 逻辑回归算法
8
第7章 决策树
9
第8章 支持向量机
10
第9章 朴素贝叶斯算法
11
第10章 pca算法
12
第11章 K-均值算法
机器学习的准备工作
环境的安装搭建
tensorflow环境搭建教程
第1章 机器学习介绍
机器学习的典型步骤
数据标记和采集
数据清洗
特征选择
模型训练和测试
模型性能评估和优化
第2章 Python机器学习软件包
开发环境搭建
2.1 开发环境搭建
2.2 Ipython简介
2.3 Numpy简介
2.4 Pandas简介
2.5 Matplotlib简介
2.6 scikit-learn简介
第3章 机器学习理论基础
3.1 过拟合和欠拟合
3.2 成本函数
3.3 模型准确性
3.4 学习曲线
3.5 算法模型性能优化
3.6 查准率和召回率
3.7 F1 Score
第4章 K-近邻算法
算法简介
4.1 算法原理
4.2 K-近邻算法案例介绍
4.3 实例:使用 K-近邻算法进行分类
4.4 实例:使用 K-近邻算法进行回归拟合
第5章 线性回归算法
5.1算法原理
5.2多变量线性回归算法
5.3模型优化
第6章 逻辑回归算法
6.1算法原理
6.2多元分类
6.3正则化
6.4算法参数
第7章 决策树
7.1算法原理
7.2算法参数
7.3算法集合
第8章 支持向量机
8.1算法原理
8.2核函数
8.3scikit-learn里的svm
第9章 朴素贝叶斯算法
9.1算法原理
9.2概率分布
9.3连续值的处理
第10章 pca算法
10.1算法原理
10.2算法示例
10.3pca的数据还原率及应用
10.4人脸识别实例
第11章 K-均值算法
11.1算法原理
11.2scikit-learn里的k-均值算法
11.3使用k-均值对文档进行聚类分析
11.4聚类算法性能评估
3.5 算法模型性能优化
3.6 查准率和召回率
3.7 F1 Score
导航菜单
个人工具
登录
命名空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
帮助
工具
链入页面
相关更改
特殊页面
固定链接
页面信息