卡弗卡课堂

课时列表

第 1 章试听内容
在本机上开始"玩"机器学习 (11:52)
第 2 章线性回归
线性代数-常用求导法则 (11:52)
线性回归-特殊法则 (11:52)
线性回归-求某点的导数 (11:52)
线性回归-复合函数 (11:52)
线性回归-偏导数 (11:52)
线性回归-为啥要计算行列式 (11:52)
线性回归-啥是逆矩阵 (11:52)
线性回归-求解逆矩阵的过程 (11:52)
线性回归-判断矩阵是否可逆-行列式法 (11:52)
线性回归-判断可逆性-秩 (11:52)
线性回归-判断是否可逆并计算秩的过程 (11:52)
线性回归-线性方程组 (11:52)
线性回归-线性方程与矩阵 (11:52)
线性回归-线性方程矩阵求解过程 (11:52)
线性回归-为什么叫最小二乘 (11:52)
线性回归-求解模型参数过程-1 (11:52)
线性回归-求解模型参数过程-2 (11:52)
线性回归-模型参数方程组 (11:52)
线性回归-求解模型参数方程组-1 (11:52)
线性回归-求解模型参数方程组-2 (11:52)
线性回归-求解模型参数方程组-3 (11:52)
线性回归-多元方程模型 (11:52)
线性回归-多元方程模型参数求解过程 (11:52)
线性回归-多元模型参数矩阵 (11:52)
线性回归-参数方程组线代方式过程 (11:52)
线性回归-线性回归模型参数求解过程 (11:52)
线性回归-为什么要学习方向导数 (11:52)
线性回归-梯度与方向导数的关系 (11:52)
线性回归-梯度的意义 (11:52)
线性回归-方向导数与梯度的求解过程 (11:52)
线性回归-证明梯度方向是函数变化最快方向 (11:52)
线性回归-梯度下降公式推导过程 (11:52)
第 3 章线性回归-项目与实战
数据算法项目需求分析 (11:52)
数据收集与预处理 (11:52)
数据的相关分析 (11:52)
数据的散点图可视化 (11:52)
数据集清洗和规范化 (11:52)
拆分数据集 (11:52)
数据归一化 (11:52)
选择机器学习模型 (11:52)
通过梯度下降找到最佳参数 (11:52)
权重和偏置的初始值设置 (11:52)
进行梯度下降算法 (11:52)
调试合适的学习速率 (11:52)
调试迭代次数 (11:52)
基于测试集进行预测 (11:52)
测试集与训练集曲线合并 (11:52)
用轮廓图描述损失、权重与偏置的关系 (11:52)
运行全状态模型参数 (11:52)
第 4 章逻辑回归
逻辑回归的数学演化过程 (11:52)
优化函数之什么是凸函数 (11:52)
如何判断是否凸函数 (11:52)
逻辑回归的误差函数 (11:52)
误差函数的证明过程 (11:52)
Sigmoid函数的证明过程 (11:52)
误差函数为凸函数的证明过程 (11:52)
逻辑回归中使用梯度下降的数学原理 (11:52)
理解正则化的数据原理 (11:52)
用L2正则化进行预测实验 (11:52)
用L1惩罚逻辑回归 (11:52)
用弹性网络来惩罚逻辑回归 (11:52)
牛顿法原理 (11:52)
牛顿法迭代的基本公式 (11:52)
牛顿法迭代公式的求证过程1 (11:52)
牛顿法迭代公式的求证过程2 (11:52)
牛顿法迭代公式的求证过程3 (11:52)
L-BFGS优化方法数学原理 (11:52)
近似替代Hession的迭代公式 (11:52)
近似替代Hession的逆迭代公式 (11:52)
Sherman-Morrison公式 (11:52)
Newton-CG优化方法 (11:52)
与共轭梯度的关系 (11:52)
Sag与Saga优化方法 (11:52)
用SoftMax解决多分类问题 (11:52)
SoftMax的计算过程 (11:52)
SoftMax的误差函数 (11:52)
SoftMax的代码模型与实验 (11:52)
第 5 章逻辑项目实战-二元分类项目
机器学习中的分类问题 (11:52)
用线性回归+阶跃函数完成分类 (11:52)
通过Sigmoid函数进行转换 (11:52)
逻辑回归的假设函数在项目中思考 (11:52)
损失函数在项目中的应用 (11:52)
逻辑回归梯度下降的应用 (11:52)
构建业务数据集 (11:52)
生成数据散点图 (11:52)
拆分数据 (11:52)
选择归一化数据缩放器 (11:52)
定义损失函数 (11:52)
构建梯度下降函数 (11:52)
设置初始化参数值 (11:52)
模型训练并测试准确率 (11:52)
显示模型训练损失曲线 (11:52)
如果解决欠拟合与过拟合的问题 (11:52)
逻辑回归正则化参数选择 (11:52)
第 6 章逻辑项目实战-多元分类项目
构建数据集 (11:52)
设定正则化参数 (11:52)
构建多分类回归模型 (11:52)
测试正确率 (11:52)
第 7 章深度学习
神经网络原理 (11:52)
从感知器到单隐层网络 (11:52)
单神经元特征空间的局限性 (11:52)
分层：加入网络隐层 (11:52)
用Keras单隐层网络预测 (11:52)
准备数据 (11:52)
显示数据分布 (11:52)
实验逻辑回归算法 (11:52)
用序贯模型构建网络 (11:52)
全连接层实现 (11:52)
训练单隐层神经网络 (11:52)
训练过程图形化显示 (11:52)
混淆矩阵 (11:52)
精确率、F分数、召回率怎么算 (11:52)
使用分类报告和混淆矩阵 (11:52)
梯度下降优化器 (11:52)
激活函数 (11:52)
损失函数怎么选 (11:52)
评估指标怎么选 (11:52)
第 8 章基于Keras深度神经网络项目
准备数据与处理 (11:52)
创建序贯模型 (11:52)
单隐层曲线对比 (11:52)
运行并预测结果 (11:52)
评估指标看网络效果 (11:52)
调试优化器 (11:52)
神经网络正则化 (11:52)
使用回调函数优化性能 (11:52)
基于TensorBoard的可视化 (11:52)
第 9 章总结
课程总结 (11:52)