01_人工智能开发及远景介绍（预科）
1_何为机器学习
2_人工智能与机器学习关系
3_人工智能应用与价值
4_有监督机器学习训练流程
5_有监督机器学习训练流程
6_Python机器学习库Scikit-Learn介绍
7_理解线性与回归
02_线性回归深入和代码实现
01_机器学习是什么_(new)
02_怎么做线性回归_(new)
03_理解回归_最大似然函数_(new)
04_应用正太分布概率密度函数_对数总似然_(new)
05_推导出损失函数_推导出解析解_(new)
06_代码实现解析解的方式求解_梯度下降法的开始_sklearn模块使用线性回归_(new)
03_梯度下降和过拟合和归一化
01_梯度下降法思路_导函数有什么用
02_推导线性回归损失函数导函数_以及代码实现批量梯度下降
03_随机梯度下降_及代码实现_mini-batchGD_调整学习率
04_梯度下降做归一化的必要性
05_最大值最小值归一化_sklearn官网介绍_防止过拟合W越少越小
06_过拟合的总结
07_岭回归_以及代码调用
04_逻辑回归详解和应用
01_Lasso_ElasticNet_PolynomialFeatures
02_多项式回归代码_保险案例数据说明
03_相关系数_逻辑回归介绍
04_逻辑回归的损失函数_交叉熵_逻辑回归对比多元线性回归
05_逻辑回归sklearn处理鸢尾花数据集
06_逻辑回归多分类转成多个二分类详解
05_分类器项目案例和神经网络算法
01_理解维度_音乐分类器数据介绍
02_傅里叶变化原理_傅里叶代码应用_傅里叶优缺点
03_逻辑回归训练音乐分类器代码_测试代码
04_人工神经网络开始
05_神经网络隐藏层的必要性
06_神经网络案例_sklearn_concrete
06_多分类、决策树分类、随机森林分类
00_机器学习有监督无监督
01_逻辑回归多分类图示理解_逻辑回归和Softmax区别
02_Softmax图示详解_梯度下降法整体调参
03_评估指标_K折交叉验证
04_决策树介绍
05_随机森林_优缺点_对比逻辑回归_剪枝
06_决策树_随机森林_sklearn代码调用
07_分类评估、聚类
01_评估指标
02_监督学习评估指标代码调用
03_相似度测量
04_K-Means聚类
05_KMeans聚类的应用
08_密度聚类、谱聚类
01_聚类的评估_metrics代码
02_密度聚类_代码实现
03_谱聚类
09_深度学习、TensorFlow安装和实现线性回归
00_pip安装源设置.mp4
01_TensorFlow介绍与安装
02_TensorFlow CUDA GPU安装说明_TF使用介绍
03_TensorFlow代码初始_解析解多元线性回归实现
04_tensorflow来代码实现线性回归_梯度下降优
10_TensorFlow深入、TensorBoard可视化
01_placeholder代码详解_TF构建Softmax回归计算图
02_TF对Softmax回归训练_评估代码实现
03_TF的模型持久化_重新加载
04_模块化
11_DNN深度神经网络手写图片识别
01_深度学习DNN是什么_如果使用TensorFlow自己实现Layer来构建两个隐藏层的DNN计算图
02_TF训练2层DNN来进行手写数字识别
12_TensorBoard可视化
01_TensorBoard代码
02_TensorBoard启动以及页面
13_卷积神经网络、CNN识别图片
01_卷积1个通道的计算__垂直水平fiter图片
01_图释对比原始图片和卷积FeatureMap
02_三通道卷积_池化层的意思
03_CNN架构图LeNet5架构
04_CNN来对MNIST进行图片识别代码实现
05_TF使用CNN来做Cifar10数据集分类任务
14_卷积神经网络深入、AlexNet模型实现
01_解决梯度消失的三个思路
02_反向传播计算W对应的梯度
03_AlexNet五层卷积benchmark代码实现
15_Keras深度学习框架
01_Keras开篇
02_Keras构建模型_Keras使用MNIST数据集训练CNN
03_Keras调用VGG16来训练
04_深度学习更种优化算法